基于BP神经网络的大跨软岩隧道地表沉降预测

基于金盆湾隧道地表沉降监测数据,结合BP神经网络预测模型,分析了隧道施工对地表沉降的影响,研究了在不同的样本下预测结果的可信度,结果表明,BP神经网络预测的地表沉降精度与监测数据的准确度、预测的长度与隧道施工方案相关,隧道开挖工艺发生改变时,应及时分析实时监测数据,建立新的BP神经网络预测模型进行地表沉降预测,以保障预测结果的可靠。     

支持向量机在地铁隧道地表沉降预测中的应用

针对北京地铁区间浅埋暗挖隧道，分析了施工导致的地表沉降的影响因素，提出了影响地表变形的主要因素，建立了支持向量机的统计回归预测模型，并用该模型预测的地表沉降，将SVM预测值和BP神经网络预测值与现场量测值进行了对照。结果表明，支持向量机比BP神经网络有较高的预测精度，并且具有小样本、高维数及非线性等优点。     

基于多因素的建筑安全GA-BP神经网络事故预测模型研究

传统的建筑安全事故预测模型一般是在历史事故的相关数据上建立的预测模型,但是它们普遍没有分析事故的成因.而本文建立的结合事故成因分析的BP神经网络预测模型是先分析近十来年的建筑安全事故成因,并采用专家评分法对事故成因指标进行量化处理,将量化处理后的因素指标作为网络的输入,将事故的死亡人数作为网络的输出,建立基于多因素的BP神经网络事故预测模型.结果 发现基于多因素的BP神经网络事故预测模型比未结合事故成因分析的BP神经网络模型预测的平均相对误差降低了1.75％.为了进一步提高预测模型的精度,采用遗传算法对基于多因素的BP神经网络预测模型进行优化,优化后的预测模型平均相对误差降低了3.49％.     

基于遗传算法优化BP神经网络的短期热负荷预测方法研究

本文以集中供热系统为研究对象,利用遗传算法优化神经网络,对该系统的短期热负荷预测方法进行研究。首先采暖热负荷受气象因素、系统因素、建筑因素、随机因素等多种非线性因素的影响,针对以上问题,先确定输入、输出样本,建立BP神经网络模型;然后利用遗传算法对BP网络的不足进行优化,建立GA-BP预测模型;最后,以MATLAB软件为平台,用遗传算法优化BP神经网络结构的权值和阈值,实验结果表明,经过遗传算法优化的BP神经网络预测模型的平均相对误差减少5%,对短期热负荷的预测精度有一定的提高。     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。     

粗糙集-磷虾觅食神经网络在孔隙度预测中的应用

针对复杂岩性碳酸盐岩储层孔隙度预测精度不高的问题,首先利用邻域粗糙集选取孔隙度敏感曲线,将选取后的曲线作为BP神经网络的输入,建立BP神经网络孔隙度预测模型;针对BP神经网络存在的易陷入局部最小等问题,对网络拓扑结构参数进行调整实验,用磷虾觅食算法对BP神经网络初始权值阈值优化,建立基于粗糙集-磷虾觅食算法的神经网络孔隙度预测模型。将此模型应用于某油田A井中,与改进前BP神经网络、体积模型等模型精度对比,证明了新网络模型的优越性。结果表明新模型回判将预测精度从26.5%减小到7.05%,具有更强的学习能力,更适用于复杂岩性储层总孔隙度的测井评价。     

遗传优化的BP网络预测路基沉降

针对传统的BP神经网络存在收敛速度慢、易陷入局部极小点的缺点,提出了基于遗传优化的BP神经网络预测方法并建立了路基沉降预测模型。将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统的BP神经网络预测模型对比,结果表明遗传优化的BP神经网络在路基沉降预测中精度最高,适宜广泛采用。     

基于模糊神经网络的供热负荷预测

为了克服传统BP神经网络预测精度差,易陷入局部极值的缺陷,提出了模糊神经网络系统。利用模糊粗糙集通过历史负荷数据信息的模糊化替代负荷变化的离散化,快速寻找出样本数据间的连续属性的信息,将其与传统BP神经网络结合组成模糊神经网络对热负荷进行预测。实验结果表明:该模糊神经网络预测结果的相对误差很小不超过2%,在短期负荷预测方面具有的优越性。     

基于改进BP网络的盾构隧道开挖地表沉降预测

盾构隧道施工中引起的地表沉降是衡量开挖方式是否合适的关键指标。文中在介绍BP神经网络及盾构施工引起变形情况的基础上,对基于BP神经网络的盾构隧道开挖引起的地表沉降预测进行了研究,考虑了训练样本中奇异数据的剔除,采用变步长的方法,并选取适当的动量项系数,综合考虑各种影响因素,建立了盾构隧道开挖引起的地表沉降预测的BP网络模型,并对广州地铁二号线进行了具体的预测分析。分析结果表明:理论计算结果与工程实际情况一致,误差小于5%,所建立的预测模型是令人满意的。     

新息自适应混合卡尔曼滤波算法构建地表沉降预测模型

为解决矿区地表沉降变形预测的问题,提高预测模型的精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的新息自适应卡尔曼滤波(Innovation Adaptive Kalman Filter,IAKF)与组合神经网络相结合的混合预测模型。首先,针对沉降变形监测序列的非平稳性与复杂性等特点,ARIMA模型能够将原始数列平稳化,以此构建地表下沉的预测模型,并作为新息自适应卡尔曼滤波的状态方程。然后,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、粒子群优化算法(Particle Swarm Optimization,PSO)和BP神经网络结合,构建EEMD-PSO-BP神经网络的组合网络模型,将组合神经网络的沉降预测结果作为观测值引入到卡尔曼滤波观测方程中,以建立混合预测模型。最后针对噪声方差Q与R选取的问题,利用新息自适应卡尔曼滤波估计出噪声方差的协方差阵。混合预测模型能有效减小单一预测机制造成的同一性质误差的累积,将基于ARIMA的新息自适应卡尔曼滤波、EEMD-PSO-BP神经网络模型与混合滤波模型的精度进行对比,新息自适应混合卡尔曼滤波预测模型的均方根误差降低至0. 3194mm,相对百分误差降到1. 42%。实验结果表明,混合滤波模型的各项预测结果要优于传统预测模型,精度相比较传统的预测模型有较大的改善。     

基于GM-BP神经网络的校园建筑能耗预测

针对季节更迭、教学活动等因素对校园公共建筑能耗的影响,通过建立GM-BP神经网络组合预测模型,借助MATLAB软件完成建模和仿真环节,对建筑能耗开展预测分析研究。同时,引入最大相对误差绝对值Emax、平均相对误差Eave和均方根误差RMSE 3个性能指标对各预测模型性能进行评价。结果表明,组合模型较单一的GM(1,1)模型和BP神经网络模型预测精度更高,拟合性能更好。研究成果对能源管理部门制定用能政策及科研院校从事建筑节能研究具有一定的借鉴意义。     

基于遗传算法改进BP神经网络的页岩气产量递减预测模型

页岩气藏储层孔隙特征复杂、渗透率不高,导致页岩气产量递减规律与常规气藏不同,常规递减模型对页岩气藏适应性较差。根据遗传算法改进的BP神经网络,建立以时间、累计产量、地层压力作为输入层,页岩气日产量作为输出层,遗传算法优化神经网络权值和阈值的页岩气产量递减预测模型。将改进的BP神经网络、常规的BP神经网络和Arps递减模型的预测结果进行比较,遗传算法优化的BP神经网络的最大相对误差为8.184%,常规BP模型的最大相对误差为17.821%,Arps递减模型最大相对误差为19.950%。遗传算法优化的BP神经网络预测精度最高,可见,此方法对页岩气产量递减预测具有较好的适用性,为预测页岩气产量递减提供了1个有效、可行的方法。     

改进灰色BP神经网络模型在建筑物沉降监测中的应用

建筑物的变形是由于多种复杂因素的影响,文章针对该影响以及单一预测模型精度不高的问题,建立了基于灰色模型和BP神经网络模型的组合预测模型。并采用复化梯形求积法对灰色模型的背景值改进,构建基于改进的组合预测模型。结合改进的灰色GM(1,1)BP神经网络组合模型对马鞍山市的某建筑物的沉降进行预测。通过对比可以看出,改进的灰色BP神经网络预测精度最高,其拟合程度更加接于实测值,可更好地适用于实际工程的中长期预测。     

基于遗传算法优化BP神经网络的钛合金旋转超声磨削力预测

为预测钛合金旋转超声磨削过程中磨削力的大小,提出了使用遗传算法优化BP神经网络模型来预测磨削力的方法,首先建立磨削力与加工参数(超声频率、超声功率、进给速度、主轴转速)和磨具参数(磨料浓度、磨料粒度)之间的BP神经网络预测模型,采用遗传算法(GA)优化BP神经网络的阈值和初始权值,依据"六因素三水平"的正交试验结果对神经网络模型进行训练。然后对旋转超声磨削力进行仿真预测,神经网络模型预测值与试验值的误差较小,平均相对误差仅为5.97%,结果表明,使用所提模型预测钛合金旋转超声加工的磨削力具有较高的预测精度。     

一种基于t分布变异粒子群神经网络的路基沉降预测模型

针对已有的路基沉降预测模型精度较低的问题,在BP神经网络及粒子群算法的基础上,提出一种自适应t分布粒子群BP神经网络预测模型,提高路基沉降预测精度。     

基于PSO-BP的明挖法地铁车站施工工期预测

为了有效处理明挖法地铁车站工程建设的复杂性以及工期与其影响因素之间的非线性关系等问题,采用粗糙集理论、粒子群算法(PSO)与BP神经网络相结合的方法预测明挖法地铁车站施工工期.首先,识别得出24个工期影响因素,采用粗糙集理论根据样本数据对影响因素进行约简,确定了11个工期预测指标作为预测模型的输入变量;然后,针对BP神...     

冷却塔出塔水温预测方法的对比分析及应用

针对传统的BP神经网络预测方法存在的缺陷,提出了一种经遗传算法优化的BP神经网络预测方法。基于实测数据,比较分析了焓差法、传统BP神经网络法、优化BP神经网络法3种预测方法,并分析了循环水流量、进塔水温、湿球温度、干球温度对冷却塔出塔水温的影响。结果表明,运用优化BP神经网络法得到的出塔水温均方误差为0.000 787℃~2,平均相对误差为0.079 9%,均方根误差为0.028 069℃,明显小于其他预测方法。使用改进后的预测模型对某公司的开式冷却塔全年运行数据进行分析,发现出塔水温与循环水流量、进塔水温、湿球温度呈正相关关系,与干球温度呈负相关关系。     

基于极限学习机算法的大坝沉降预测模型研究

变形分析是大坝安全监测的主要工作。为解决单一预测模型难以考虑影响坝体位移的多个因素进行预测,BP神经网络参数难以确定,本文将极限学习机算法运用到某土石坝异常测点沉降量预测中,通过对比训练期模拟值与实测值,确定了模型参数。预测期模拟值较实测值基本一致,预测效果良好。并与BP神经网络、支持向量机模型就预测精度与稳定性做了对比。     

超大直径隧道施工引起地表沉降预测研究

在盾构施工过程中进行地表沉降预测对盾构安全开挖具有重要参考意义.由于地下施工地表沉降受众多因素影响,论文重点从监测点位距隧道中心距、隧道埋深与直径比、盾构掘进推力、隧道注浆量、盾构刀盘转速、刀盘扭矩6个影响因子综合研究,利用灰色关联分析法进行关联度分析,确定最终影响因子.利用GA遗传算法改进BP神经网络建立预测模型,对...     

解淀粉芽孢杆菌Q-426培养基优化及抑菌活性的预测

为了提高解淀粉芽孢杆菌Q-426发酵生产的抑菌活性,运用响应面法优化解淀粉芽孢杆菌Q-426发酵培养基组分,并利用BP神经网络对抑菌活性进行了预测。优化后培养基配方(g/L)为:葡萄糖3.92、氯化铵0.19、氯化镁3.83、牛肉膏5.00,并以此作为输入数据,将抑菌活性即抑菌圈直径作为输出数据,建立了BP神经网络预测模型。结果表明:优化后抑菌圈直径由24 mm提高到29mm。训练BP神经网络的抑菌圈直径的拟合值与实际值之间的相对误差为-2.962 9%².857 1%,相对误差的绝对值的平均值为1.197 9%;测试BP神经网络的抑菌圈直径的预测值与实际值的相对误差为-1.111 1%2.857 1%,相对误差的绝对值的平均值为1.197 9%;测试BP神经网络的抑菌圈直径的预测值与实际值的相对误差为-1.111 1%¹.153 8%,相对误差的绝对值的平均值为0.993 1%,说明建立的基于4个培养基成份的抑菌圈直径BP神经网络预测模型是可行的。