基于BP神经网络的污水处理水质建模与模拟

分析了BP神经网络原理及污水处理过程中BP网络模型设计,经过对苏州市某污水厂123组实测数据异点剔除和归一化处理后,对网络进行了训练和学习,30组数据用来检验网络,并用另外70组实测数据进行了实际仿真模拟,分析模拟结果表明,对各出水水质指标的模拟平均相对误差均小于5%,建立BP神经网络活性污泥法污水处理过程模型是有效的、可行的。     

BP神经网络在基坑工程变形预测中的应用

结合工程实例,针对基坑开挖过程的变形特点,应用BP神经网络和基于粒子群优化算法的BP神经网络对基坑支护结构的变形进行预测,并对两种方法预测结果进行比较分析。结果表明,基于粒子群优化算法的BP网络的泛化预测性能要优于BP网络,预测深基坑地下连续墙结构水平位移更有效。     

基于BP人工神经网络的预测模型在基坑变形预测中的应用

这里依据基坑开挖及使用过程中的变形特性,对影响基坑变形的主要因素进行了分析。利用BP人工神经网络的特点,组建了基于BP人工神经网络的变形预测模型,并将该模型运用于某基坑坡顶水平位移变形预测中,通过对预测结果与后期监测数据的对比分析,证明了该预测模型的有效性。     

BP神经网络在某深基坑工程监测中的应用研究

采用BP神经网络模型对某深基坑工程的变形进行了预测,通过与实测数据的对比分析表明:BP神经网络模型在深基坑工程监测中具有良好的容错性,在围护桩顶竖向及水平位移、围护桩深层水平位移、锚索内力预测方面具有较高的准确度,与实际内力及变形情况较为吻合;BP神经网络模型在地下水位预测中的准确度较低、数据结果离散性较大,不能充分反映水位变化的实际情况;BP神经网络模型在进行短期预测时准确率高,预测曲线与实测数据曲线吻合性较好;在进行锚索内力监测时,当传感器不能及时采集数据的情况下,BP神经网络能发挥预测准确数据的作用;BP神经网络模型隐含层数的选取对预测结果的准确性有一定的影响。     

边坡非线性位移的神经网络–时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络–时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

边坡非线性位移的神经网络-时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络-时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

深基开挖引起的基坑变形预测与研究分析

由于基坑工程的复杂性 ,很难从理论上对围护结构水平位移和周围地表沉降进行预测 ,故在基坑开挖过程中信息化施工就显得特别重要。采用改进的BP算法对深基坑围护结构变形进行预测的方法 ,与传统的BP算法相比 ,该算法具有更快的收敛速度 ,能有效地改善传统BP算法收敛慢的缺点。通过对预测结果与实测结果进行对比分析 ,表明改进的BP网络是预测基坑围护结构变形的一种十分有效的方法。最后分析了基坑周围地表沉降与围护结构变形之间的关系。     

基于PSO-BP算法的隧道非线性位移分析模型

粒子群优化(PSO)算法是近年来发展迅速,并得到广泛应用的一种仿生全局最优化算法.与遗传算法相比,该算法具有操作简单、易于编程的优点.结合铜黄高速公路汤屯段大田连拱隧道施工,采用PSO算法对BP神经网络的权值进行自动优化,获得训练效果最好的BP网络模型参数以提高网络的泛化能力,建立起基于PSO-BP算法的大田隧道施工位移非线性智能分析模型,并采用此模型对后续施工隧道变形进行了预测分析.与实测位移对比表明,本文建立的PSO-BP模型平均预测相对误差仅为3.1%,可很好地作为隧道信息化施工的一种辅助方法,并为其他类似岩土工程提供借鉴.     

灰色组合模型在坝体水平位移预测中的应用

在灰色预测的基础上,引入BP神经网络模型,建立了GM（1,1）和BP神经网络组合模型,分别运用GM（1,1）模型、BP神经网络模型和它们的组合模型三种模型对坝体的非线性水平位移进行了分析,对比发现此组合模型兼有灰色预测和BP神经网络预测的优点,模型既克服了原始数据少的缺点,也增强了预测的自适应性,证明了组合模型的预测精度较高,可以应用于坝体水平位移的预测。     

水泥稳定碎石干缩应变BP网络预测模型

采用三层BP神经网络对水泥稳定碎石和聚丙烯纤维水泥稳定碎石的累计干缩应变建立了预测模型,通过对干缩性能试验数据进行网络训练,得出BP网络模型训练效果较好;为了检验网络的推广能力,采用测试样本对网络进行了测试,并分析了目标值与仿真值的线性相关性,结果表明网络预测效果较好,用BP网络模型预测水泥稳定碎石的累计干缩应变是可行的。     

深基坑变形的神经网络预测分析

采用神经网络理论建立了深基坑开挖引起的周围地表移动变形问题分析的非线性时闻序列神经网络模型。并用该模型对深基坑开挖引起的周围地表移动变形工程实例进行了具体的研究分析。将预测结果与现场实测资料比较,二者吻合得较好。结果表明,建立的非线性时间序列神经网络模型能够有效的表达深基坑变形规律并能对未来变形量进行适时预测。     

某工程升船机及临时船闸BP网络模型的建立与分析研究

阐述用BP神经网络对某工程升船机及临时船闸高边坡变形监测数据分析的建模方法和实现过程;对经典BP神经网络和单参数BP神经网络进行了比较分析,建立变形动态预报模型,进行拟合和预报,结果表现出良好的自适应性（self-Adaptive）和鲁棒性。     

巴郎山隧道围岩稳定性前期分析

以巴郎山隧道为例,在施工过程中对隧道围岩变化情况进行监控量测,本文采用BP神经网络模型和灰色理论GM(1,1)模型对围岩的前期变化进行分析。结果表明两种模型拟合预测精度均较高,能较好地反映隧道在施工过程中,水平位移收敛的变化情况,其中灰色模型拟合平均精度较优,并且没有误差较大的跳跃点,而神经网络模型拟合平均精度稍弱且局部误差较大,通过对比有利于施工者在开挖前期,选择适应性更强的模型对隧道稳定性进行判断。     

基于神经网络的基坑与紧邻桩变形相关预测

基于神经网络技术 ,建立深基坑墙体与其紧邻建筑 (构 )物之间变形相关性预测BP网络模型 ,以便根据深基坑紧邻桩基允许变形来控制深基坑墙体变形。本文最后用某紧邻高架桥的地铁车站深基坑实例进行分析 ,结果表明预测与实测结果基本吻合     

基于神经网络的聚合物火灾危险性预测

基于BP神经网络预测模型预测聚合物的火灾危险性,通过对测试样本进行网络仿真和拟合,量化输出IFHI火灾危险综合指数(Integrated Fire Hazard Index,IFHI),来对聚合物的各项(热危险与烟气危险指标)性能进行综合评价.实验表明,通过BP神经网络预测IFHI的结果与层次分析法分析结果大体相近,火...     

BP神经网络方法在大坝基岩变形监测中的应用

结合工程实例,利用上游水位,下游水位和气温建立BP神经网络预报模型,应用Matlab神经网络工具箱,采用traingdx算法进行模型训练,对大坝基岩变形进行预测,结果表明,建立的BP神经网络预测大坝基岩变形的模拟值具有较高的精度。     

基于神经网络的GPS水准方法的研究与分析

分别将BP网络和RBF神经网络应用于GPS水准高程拟合研究,在此基础上,选择某一地区的GPS水准实测数据进行了高程拟合实验,并将得到的最后精度进行了对比分析,得出基于BP神经网络模型在GPS高程异常拟合中具有较高的精度,并提出科学建议。