应用人工神经网络预测建筑物空调负荷

用VB编制了人工神经网络的通用BP算法程序。根据西安参考年气象参数，采用动态模拟程序计算了菜办公楼4月至9月逐时冷负荷，结果显示利用神经网络的预测值与计算值吻合。     

人工神经网络在空调系统负荷预测中的应用

采用理论分析的方法,通过分析国内外在该方面的研究成果,剖析了人工神经网络在空调系统负荷预测中的应用,指出了利用人工神经网络（ANN）具有的高度的并行处理和可完成复杂的输入输出的非线性映射能力,进行空调系统负荷预测精度高、准确度好。ANN是一种有效的空调负荷预测手段。     

人工神经网络在天然气负荷预测中的应用

提出了一种基于BP神经网络的天然气负荷预测模型，模型中考虑了影响负荷变化的各种因素。采用Levenberg-Marquardt优化方法，并利用Visual C 和Matlab软件进行计算机仿真，已用于实例。仿真结果表明该方法具有较好的准确性。     

基于人工神经网络的城市煤气短期负荷预测

应用人工神经网络误差反应传播模型对城市煤气管网的短期负荷进行了预测。根据城市煤气短期负荷变化的特性建立了既反映煤气负荷连续性,周期性及其变化趋势,又包含天气,气温,节假日等因素影响的短期负荷预测模型,并介绍了方法在实际中的应用。     

大中型商场空调冷负荷问题

本文分析了大中型商场空调冷负荷特点、影响商场客流密度取值的因素以及新风冷负荷等问题，并根据我国暖通规范提供的气象参数，给出了在一定条件下商场空调冷负荷指标及各项冷负荷在总冷负荷中所占的比例。本文的内容可供商场空调设计参考。     

基于小波神经网络冰蓄冷空调负荷预测

为了节省冰蓄冷中央空调系统的运行费用,准确地预测空调冷负荷是必不可少的。采用db1小波对冰蓄冷空调冷负荷序列进行分解,分别对低频和高频序列采用BP网络进行预测,将预测结果进行叠加得到最终预测值。结合实例进行了空调逐时冷负荷预测,通过小波-BP网络与BP网络预测结果的对比,可知小波-BP网络预测的效果更好。     

基于运行数据人工神经网络的空调系统逐时负荷预测

本文以南京市某地源热泵空调系统为实测对象,根据实测的逐时负荷数据建立了人工神经网络负荷预测模型,并进行了预测。结果表明,该模型能够精确地预测一个单元未来24小时的逐时负荷,预测误差为5.20%左右。     

综合商场冷负荷问题探讨

分析了综合商场空调冷负荷特点，影响商场客流密度取值的因素以及新风冷负荷等问题，并根据我国暖通规范提供的气象参数，给出了在一定条件下商场空调冷负荷指标及各项冷负荷在总冷负荷中所占的比例。     

基于人工神经网络的建筑物沉降预测

根据建筑物实测沉降利用人工神经网络理论 ,建立了前馈网络预测模型并提出新的学习算法 ,结合某建筑物纠偏工程实例对建筑物沉降进行了预测。预测结果表明神经网络方法是可行且有效的     

Prediction of bed load sediments using different artificial neural network models

Modeling and prediction of bed loads is an important but difficult issue in river engineering. The introduced empirical equations due to restricted applicability even in similar conditions provide different accuracies with each other and measured data. In this paper, three different artificial neural networks (ANNs) including multilayer percepterons, radial based function (RBF), and generalized feed forward neural network using five dominant parameters of bed load transport formulas for the Main Fork Red River in Idaho-USA were developed. The optimum models were found through 102 data sets of flow discharge, flow velocity, water surface slopes, flow depth, and mean grain size. The deficiency of empirical equations for this river by conducted comparison between measured and predicted values was approved where the ANN models presented more consistence and closer estimation to observed data. The coefficient of determination between measured and predicted values for empirical equations varied from 0.10 to 0.21 against the 0.93 to 0.98 in ANN models. The accuracy performance of all models was evaluated and interpreted using different statistical error criteria, analytical graphs and confusion matrixes. Although the ANN models predicted compatible outputs but the RBF with 79% correct classification rate corresponding to 0.191 network error was outperform than others.     

大跨度煤棚主体结构设计风荷载的神经网络建模研究及应用

风荷载是大跨度煤棚结构设计中的主要控制荷载。随着结构抗风研究尤其是风洞试验数据的积累,结合数据挖掘进行结构智能化抗风设计是一种趋势。基于701组工况4581个柱面及球面屋盖风洞试验样本进行数据挖掘和统计分析,建立了脉动风荷载参数的广义回归神经网络预测模型;通过对12480个工况的单、双层柱面及球面网壳结构进行参数化风振响应分析,总结了等效静风荷载的经验表达式;建立了基于人工神经网络预测气动风荷载的主体结构等效静风荷载的抗风设计基本框架,并通过国内某超大跨度干煤棚张弦结构进行了有效性验证。结果表明：采用本文提出的风荷载数据库预测与等效静风荷载方法效率较高,且能够在一定程度包络风振响应分析结果,可用于结构初步设计阶段对主体结构设计风荷载快速预估。     

BP人工神经网络模型在建筑物沉降预测中应用

以BP人工神经网络模型为基础,建立预测模型,以小区某栋建筑物l期～8期的沉降观测数据为输入数据和输出数据,对网络模型进行训练,并对9期～12期实际观测值与预测值进行了比较,结果比较理想,从而验证了采用BP人工神经网络模型进行建筑物沉降的预测是可行的。     

人工神经网络在岩质边坡稳定性预测中的应用

针对岩质边坡稳定性分析中存在的问题，提出了运用人工神经网络（ANN）预测岩质边坡稳定性的新方法，并构造了相应的BP神经网络模型。预测结果表明，该模型具有很高的预测精度，能够满足实际工程需要。     

基于人工神经网络的复合地基沉降预测

利用人工神经网络强大的非线性映射和学习能力,提出了基于人工神经网络的复合地基沉降预测新方法.该方法利用实测资料直接建模,避免了传统方法计算过程中各种人为因素的干扰,所建立的模型预测精度高、简便易行,因此具有广泛的工程实用价值.     

BP人工神经网络在混凝土耐久性评价上的应用

混凝土耐久性评价与预测一直是学术界与工程界的研究热点,常规的预测模型主要基于某几项指标,形式因个人的理解不同而各异.一种仿生模型--人工神经网络则能很好地解决这个难题,试验尝试用BP人工神经网络对多种配后比的混凝土进行耐久性评价与预测,结果表明此模型的可靠度很高,可以用以优化混凝土的配合比设计.     

用人工神经网络方法预测分析直接蒸发冷却空调机的性能参数

针对填料表面不规则造成的数学模型无法求解的情况,利用人工神经网络优良的非线性映射能力和GLASdek填料直接蒸发冷却空调机实验测试数据,建立了三层前馈式神经网络来预测直接蒸发冷却空调机在不同工况下处理空气的能力,预测结果与实测结果吻合较好。     

Interaction behavior and load sharing pattern of piled raft using nonlinear regression and LM algorithm-based artificial neural network

In the recent era, piled raft foundation (PRF) has been considered an emergent technology for offshore and onshore structures. In previous studies, there is a lack of illustration regarding the load sharing and interaction behavior which are considered the main intents in the present study. Finite element (FE) models are prepared with various design variables in a double-layer soil system, and the load sharing and interaction factors of piled rafts are estimated. The obtained results are then checked statistically with nonlinear multiple regression (NMR) and artificial neural network (ANN) modeling, and some prediction models are proposed. ANN models are prepared with Levenberg–Marquardt (LM) algorithm for load sharing and interaction factors through backpropagation technique. The factor of safety (FS) of PRF is also estimated using the proposed NMR and ANN models, which can be used for developing the design strategy of PRF.