基于正交设计的土坡稳定影响因素敏感性分析

以西昌昔格达组地层边坡为例,采用正交设计和方差分析研究了土体参数、坡面结构及地质结构对土坡稳定性影响的敏感性,通过比较同一因素在不同水平下计算获得的试验指标平均值,分析了显著影响边坡稳定因素的敏感性.结果表明,土体参数和坡面结构对土坡稳定性影响显著;土体重度减小、抗剪强度指标提高、坡度变缓、马道变宽、单级坡高变小等均使土坡趋于稳定.     

基于改良BP神经网络的生物质锅炉飞灰含碳量预测模型研究

针对生物质锅炉飞灰含碳量较高的问题,文章提出了基于主成分分析法(PCA)或Garson算法与普通LM-BP神经网络相结合的两种生物质锅炉飞灰含碳量预测模型。这两种模型通过对负荷、燃烧室烟气温度、烟气含氧量等17个原始输入变量进行降维得到新输入变量,再进行训练建模,提高了模型精度。利用我国某生物质电厂飞灰含碳量的实测数据对模型进行检验,检验结果表明,LM-Garson-BP神经网络的MAPE为2.09%,MSE为0.11,MAE为0.25,泛化能力最强,稳定性最好。     

基于BP神经网络和均匀设计的边坡敏感性分析

为在边坡稳定性评价中确定影响因素的敏感性,采用BP神经网络和均匀试验设计相结合的方法对边坡进行敏感性分析。基于BP神经网络的非线性映射关系,利用均匀设计理论,使试验点分布更均匀、代表性更强,在考虑多因素交互作用的同时,大幅减少了试验次数。以某一岩体边坡为例,应用均匀设计理论建立边坡敏感性分析模型,并应用灰色关联分析方法评价其敏感性。结果表明,各因素对该边坡稳定性的关联度由大到小依次为重度、内摩擦角、粘聚力、边坡高度、孔隙水压力、边坡角。     

基于敏感性分析及BP神经网络的水工结构模型材料研究

模型材料是水工结构模型试验成功的关键,但其制备方法较为依赖经验、成本较高,且试验数据利用率较低.为此,采用单因素敏感性分析方法分析了胶凝砂砾石模型材料弹性模量的影响因子,并基于敏感性分析结果利用Matlab建立了 BP神经网络预测模型.预测检验结果表明,水工结构模型材料的弹性模量对拌合水量和石膏量最敏感,其次是重晶石粉...     

基于灰关联理论的围岩参数敏感性分析

针对围岩参数存在不确定性的问题,采用灰关联理论,分析了参数在一定范围内变化时对围岩稳定的影响,并以大渡河上某电站泄洪洞闸室为例,选取围岩体积模量、剪切模量、内摩擦角、粘聚力等为敏感性影响参数,确定点安全系数为评价指标,对开挖完成后洞室典型断面点安全系数的影响因素进行敏感性分析。结果表明,围岩参数变化对开挖后洞室断面的特征点安全系数影响程度由大到小依次为内摩擦角、粘聚力、剪切模量、体积模量。     

三峡库区危岩稳定性影响因素敏感性分析

以三峡库区庙子梁危岩带为例。通过对危岩块体具体分析,量化稳定性指标。运用均匀试验设计方法对危岩块体进行因素敏感性分析,建立回归方程．计算偏相关性系数,确定稳定性指标与因素间的相关关系,主控因素及各因素对稳定性评价指标的贡献大小,对实际条件下的危岩参数进行网格尝试法试验条件优化．评定了最优和最不利参数水平组合。根据稳定性分析结果提出了具体的治理措施。     

基于连接权值算法的燃烧调整参数敏感性研究

为确认燃烧调整过程中影响燃气轮机运行状态的主导因素,首先将影响运行状态的天然气压力、天然气温度、压气机排气温度、压气机进口温度等14个参数作为输入变量,将表征燃气轮机运行状态的功率、燃烧室、加速度、NO_x质量浓度作为输出变量,建立粒子群算法优化的Elman神经网络模型,得到隐含层与输入层、输出层之间的连接权值;然后利用Olden方法处理神经网络的连接权值,获得各因素对燃气轮机运行状态影响显著性的量化值表达式,建立了燃烧调整过程中燃气轮机运行状态影响因素显著性分析的方法;最后结合燃气轮机运行数据进行计算分析。结果表明：燃气轮机的运行状态主要受排气温度、预混气压力及流量、值班气流量、压气机进口差压以及进气导流叶片开度5个因素的影响,并且燃烧调整过程中需要统筹调整输入参数,以保证燃气轮机燃烧始终处于稳定、低NO_x排放区域。     

基于Morris法的HBV模型参数敏感性分析

随着社会的发展和科技的进步,基于计算机运算的水文模型越来越多地应用于各个流域。为了提高水文模型的预测精度,选择误差平均值、均方根误差、相关系数、转换后的均方根误差和流量历时曲线斜率为目标函数,以绥芬河流域2009～2012年的降水径流资料为基础,通过Morris方法运行HBV模型,分析不同目标函数下参数敏感度指数的值及置信区间收敛情况,发现不同目标函数下参数的敏感性有差异,参数越敏感,达到收敛需要的样本数越多。     

基于果蝇优化算法的GRNN模型在边坡稳定预测中的应用

鉴于边坡系统是一个复杂的多因素影响的非线性系统,综合考虑边坡的物理状态和环境因素,采用了一种基于果蝇优化算法(FOA)的广义回归神经网络(GRNN)模型(FOAGRNN)预测边坡的稳定状态,并与BP神经网络预测模型结果进行比较。结果表明,FOAGRNN预测的精度较高,基本反映了边坡稳定的真实状态。     

重力坝深层抗滑稳定计算中各参数的敏感性分析

采用传统的刚体极限平衡法导出了第二滑裂面为倾斜的双滑面深层抗滑稳定计算公式,针对重力坝深层抗滑稳定计算中各参数φ、θ、β的不确定性问题,以某重力坝为例对其参数进行了敏感性分析,并评价了各参数在抗滑稳定计算中对安全系数K的影响.结果表明,参数φ、θ、β对安全系数K均有一定影响,在实际工程中应充分考虑这些影响,以便使工程达到既安全又经济的目的.     

基于混沌局部扰动蚁群算法的边坡稳定聚类分析

针对蚁群聚类算法用于边坡稳定性分析时存在的缺陷,在传统蚁群聚类算法的基础上,引入混沌特有的随机性和遍历性,利用Logistic映射函数对蚁群分布矩阵进行初始化,以获得较优的初始分布,同时对聚类参数进行局部扰动,以增强跳出局部极值的能力,从而建立了基于混沌局部扰动蚁群算法。以三峡库区的36组边坡资料为例,应用该方法与常规聚类方法、模拟退火算法和常规蚁群聚类算法进行对比分析。结果表明,该方法方便、快捷,聚类效果优于其他三种方法。     

基于改进粒子群优化算法的边坡稳定性分析

针对标准粒子群算法存在收敛精度低、易陷入局部最优的缺点,提出了基于混沌与变异的改进粒子群优化算法(CVPSO),将其应用于边坡滑裂面搜索,研制了边坡稳定分析程序CVPSO-LEM2D。采用改进粒子群算法对澳大利亚计算机应用协会(ACADS)边坡算例进行计算分析,结果表明改进粒子群算法的全局最优搜索能力与收敛精度得到了较大提高,计算结果与ACADS推荐的裁判答案基本一致,验证了算法的有效性。最后,将CVPSO-LEM2D应用于两河口泄水建筑物进口边坡稳定性分析,验证了方法的可行性,为类似工程提供了参考和借鉴。     

基于改进粒子群优化算法的边坡稳定性分析

针对标准粒子群算法存在收敛精度低、易陷入局部最优的缺点,提出了基于混沌与变异的改进粒子群优化算法（CVPSO）,将其应用于边坡滑裂面搜索,研制了边坡稳定分析程序CVPSO LEM2D。采用改进粒子群算法对澳大利亚计算机应用协会（ACADS）边坡算例进行计算分析,结果表明改进粒子群算法的全局最优搜索能力与收敛精度得到了较大提高,计算结果与ACADS推荐的裁判答案基本一致,验证了算法的有效性。最后,将CVPSO LEM2D应用于两河口泄水建筑物进口边坡稳定性分析,验证了方法的可行性,为类似工程提供了参考和借鉴。     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

基于LH-BP松散耦合模型的日径流预测

鉴于基流过程对降雨不敏感,致使传统的BP神经网络日径流预测性能受到制约的问题,结合LyneHollick(LH)数字滤波算法和BP算法的优点,建立了基于LH分割基流与BP神经网络日径流预测的松散耦合模型(LH-BP)。先采用LH数字滤波算法分割出基流,再利用BP神经网络预测锦江流域四个水文站的直接径流和基流。结果表明,LH-BP耦合模型较传统的BP模型性能更优,弥补了传统的BP模型对日径流模拟与预测的不足。     

基于思维进化算法优化BP神经网络的渗透参数反演研究

针对传统BP神经网络反演渗透参数的准确性很大程度依赖于初始权值和阈值的选择的问题,引入全局寻优能力极强、待调参数较少、收敛速度快的思维进化算法优化BP神经网络,以弥补传统BP神经网络在解决该问题时拟合能力有限、容易陷入局部最优、收敛速度慢的缺陷,进而提出了思维进化算法优化BP神经网络反演渗透参数的新方法。对某混凝土面板堆石坝进行渗透参数反演结果表明,与传统BP神经网络相比,思维进化算法优化BP神经网络具有更好的泛化能力,反演得到的渗压测点水头与实际值吻合更好,渗透参数符合实际。     

基于萤火虫算法的大坝安全监控BP网络模型及其应用

为改善大坝安全监控BP神经网络模型易陷入局部极值的问题,引入萤火虫算法,用来获取BP神经网络的连接权值和阈值的初始值。依据大坝安全监测数据,借助改进后的BP神经网络,实现大坝安全监控模型的构建和安全状况预测。实例验证结果表明,改进模型较常规BP神经网络模型的训练效果更稳定,预测精度更高。该方法具有一定的实用价值。     

基于主成分分析优化BP神经网络模型的厌氧膜生物反应器膜污染预测*

膜污染是厌氧膜生物反应器运行中不可避免的问题,制约了工艺技术的推广应用,分析膜污染的形成过程是控制膜污染的重要内容。基于主成分分析（PCA）和反向传播神经网络（BPNN）的理论,提出了一种采用主成分分析优化BP神经网络的膜污染预测模型。以反应器连续运行试验数据为样本,利用相关性分析确定模型的输入变量,并基于输入变量间存在信息重叠问题,采用主成分分析法对输入因素进行降维处理,提取贡献率为70.4%的第一主成分和贡献率为17.7%的第二主成分作为输入特征。结合模型的贡献度分析和主成分分析发现,反应器内的污泥浓度是膜污染影响因素中最主要的特征变量,贡献度为34.9%。对比分析优化模型和单一模型的预测结果,发现PCA-BPNN模型的拟合效果更好,平均相对误差仅为3.8%,可用于膜污染分析研究,为后续研究提供参考。