人工神经网络在深基坑变形预测中的应用

以 BP人工神经网络为基础 ,利用其强大的非线性映射能力 ,建立深基坑支护结构最大侧向位移的预测模型。在利用实测数据进行网络训练的基础上 ,对悬臂支护结构最大侧向位移进行预测 ,结果表明预测值与实测值吻合较好 ,显示了该方法进行深基坑变形预测的有效性。     

基于时间序列ARMA模型的拱桥施工变形预测

为了促进时间序列分析方法在桥梁施工监测中的应用,利用时间序列ARMA模型对某特大桥主桥施工监控过程中主拱肋控制点变形数据进行分析,预测了后续主拱肋施工阶段的变形情况,并与实测数据进行比较。结果表明,时间序列ARMA模型在桥梁施工中预测拱肋变形具有较高的精度和可靠性,为桥梁施工的控制和监测提供了有效的手段。该研究成果说明时间序列分析方法可大大地改善参数的估计精度,提高模型的预测效果。     

基于灰色理论的露天矿边坡位移预测预警研究

为监测预警露天矿边坡的变形位移,提出了基于灰色理论的位移变形预测模型。通过采集有效数据,首先对时间序列数据进行平滑处理,然后建立灰色系统模型对处理后的位移变形数据进行预测分析。将该理论模型应用到某露天矿边坡的监测系统中,与回归预测、一次指数平滑法等进行对比,得到了更为准确的预测结果,表明该理论模型充分利用了边坡变形数据的灰色模型特性,精度和预测能力都得到了明显提高,可用于露天矿边坡监测系统的预警分析。     

BP神经网络在城市燃气管道剩余寿命预测优化

针对城市燃气管道布局复杂、影响因素众多的特点,作者提出基于BP神经网络模型的统计模型对城市燃气管道进行剩余寿命预测,用差值模型修正BP神经网络模型预测值。实验结果表明:针对城市燃气管道剩余寿命的预测,BP神经网络模型的统计模型具有很好的预测能力和较佳的推广能力,验证了构建的基于BP神经网络的时间序列预测模型的有效性和普遍适用性。     

基于BP神经网络的双色塑件翘曲变形量预测

以某遥控器前壳双色塑件注塑成型为例,以该塑件在注塑成型过程中的翘曲变形量为研究目标,提出了一种结合AMI数值模拟、正交试验和BP神经网络的双色塑件翘曲变形量快速、准确的预测方法。首先建立了基于AMI数值模拟的CAE模流分析模型,并对注塑成型工艺参数及翘曲变形量进行数值模拟分析;之后结合正交试验设计法使AMI软件数值模拟结果在指定的工艺参数范围内实现了离散分布;最后以正交试验数据为基础建立BP神经网络预测模型,通过Matlab训练网络使其满足误差精度要求,从而达到准确预测新工艺参数下翘曲变形量的目的。结果表明:训练出的BP神经网络模型具有很高的预测精度,能够满足对该双色塑件翘曲变形量准确、快速的预测要求。     

软土地区地下连续墙变形分析

依托珠海横琴杧洲隧道工程，分析沿海软土地基中支撑式-悬臂地下连续墙的支护设计方案及其变形特点，并对基坑施工进行数值模拟，通过现场试验数据与模拟结果对比验证数值模型的可靠性；通过改变数值模型参数，分析支护结构嵌固深度和预应力锚杆对基坑变形的影响。研究表明，该超深基坑的变形特征与常规基坑不同。超深基坑对周围土体的影响范围较小，对支护结构的最大侧向变形影响也小；影响软土地基超深基坑侧向位移的最主要因素是预应力；PLAXIS软件计算基坑变形具有很高的精度，本构模型和模型参数取值合理，并证明了悬臂式连续墙支护方法的可靠性。     

基于灰色神经网络模型玻璃钢锚杆支护巷道变形预测研究

建立了用灰色系统预测GM(1,1)模型耦合BP神经网络预测模型组合形成的并联型灰色神经网络预测模型(PGNN)和串联型灰色神经网络预测模型(SGNN),对大冶铁矿矿岩接触带玻璃钢锚杆支护巷道围岩变形监测的结果应用两种灰色神经网络预测模型进行预测。预测结果与实测值的对比分析表明串联型灰色神经网络预测模型的预测精度高于并联型灰色神经网络预测模型、灰色系统预测GM(1,1)模型和BP神经网络预测模型,适合矿岩接触带玻璃钢锚杆支护巷道围岩的变形预测,且具有一定的合理性和准确性。研究结果表明玻璃杆锚杆对矿岩接触带巷道的支护效果良好,巷道变形在安全生产的范围内,为在此类矿岩接触带巷道中推行玻璃钢锚杆支护提供了理论依据。     

基于BP、RBF神经网络的含蜡原油蜡沉积预测

基于冷蜡沉积实验装置所得实验数据,在分析BP、RBF神经网络结构原理的基础上,采用BP神经网络和RBF神经网络分别建立蜡沉积速率模型,计算预测蜡沉积速率,并且对比相同实验数据下两类神经网络模型对蜡沉积预测的精度。结果表明,BP神经网络和RBF神经网络预测精度均满足要求。BP神经网络预测时间要比RBF神经网络更长,而且当神经网络维数增加时预测值的精度不一定会增加;在模拟时要反复尝试隐含层节点个数和其他参数,而RBF神经网络在数据的训练过程中就已给出隐含层节点个数,学习速度更优于BP神经网络,对新数据的适应性更好,在满足精度条件下更易得到最优解。     

基于BP人工神经网络的异形透盖注塑件翘曲变形分析

首先采用CAE软件Moldflow MPI 6.0和正交试验,对异形透盖塑件在不同注射成型工艺参数下的翘曲变形量进行了模拟,然后利用BP人工神经网络建立了主要工艺参数和塑件翘曲变形量之间的数学模型,并通过模型对塑件翘曲变形量进行了预测,结果表明,所建立的模型具有较高的预测精度。     

注塑制品翘曲变形的数值模拟优化与预测

以电池后盖板为CAE模拟分析模型,利用正交试验设计方法,将减小制品翘曲变形量作为优化目标,得到各工艺参数对制品翘曲变形量的影响程度及最优化工艺参数组合。利用径向基函数RBF神经网络对制品翘曲量进行预测,建立了各工艺参数与制品翘曲变形之间非线性映射关系模型,并与BP神经网络进行了对比。结果表明:RBF神经网络模型,可以较准备地预测制品的翘曲变形,并且在精度、训练速度等方面优于BP网络。     

山体偏压影响下地铁基坑开挖变形规律研究

为了研究山体偏压对地铁基坑开挖过程中变形的影响,本文利用FLAC 3D 5.0数值软件建立了考虑山体偏压的基坑开挖数值计算模型,分4步开挖了地铁深基坑,分析了山体偏压影响下的地铁深基坑变形规律,研究山体偏压作用对地铁深基坑变形特性的影响.研究结果表明:地铁深基坑周边土体的沉降值、水平位移值和剪应变均随基坑开挖深度的增大...     

基于长短时神经网络的城市需水量预测应用

在分析影响居民用水量相关性因素的基础上,采用长短时神经网络结合Encoder-Decoder方法建立城市需水量预测模型。长短时神经网络可以自动从时间序列的历史数据中抽取数据特征,避免了手动设计输入变量特征的繁琐,且可以采用更长时间的历史数据进行训练,充分考虑长期条件下不同天气、节假日的城市居民用水特征。Encoder-Decoder的网络结构模拟大脑对数据处理和做出决策的过程,适合多小时水量预测模型的构建。该模型应用于某地区需水量预测,取得了较高的预测精度,模型的适用性得到了有效验证。     

基于极限学习理论的爆破块度预测

通过爆破试验,获得9组爆破参数,采用照片法统计了相应的爆破块度,采用极限学习机ELM(Extreme Learning Machine)预测模型,对最后3组爆破参数下的大块率进行预测,同时采用BP预测模型进行预测。两种预测对比可知:ELM模型可以较好地预测爆破块度,且比传统神经网络有较好的适用性和精确性,可用于爆破块度预测,为爆破参数设计提供可靠的依据。     

主成分分析结合BP神经网络在橡胶材料磨耗性能预测中的应用

采用基于灵敏度分析的BP神经网络模型,将丁苯橡胶(SBR)复合材料的8种力学性能数据经过主成分分析(PCA)降维后作为神经网络的输入向量,耐磨性能数据作为输出向量,对SBR复合材料的耐磨性能进行预测,并计算各输入向量的灵敏度矩阵,从而分析输入量对耐磨性能的影响程度。结果表明:通过PCA降维处理,可以消除神经网络输入向量之间的共线性,简化网络,提高网络的预测性能;预测误差在允许范围内,说明BP网络适用于橡胶材料的耐磨性能预测;灵敏度分析显示定伸应力、拉断伸长率和拉断永久变形对SBR橡胶复合材料的耐磨性能影响最大。     

主成分分析结合BP神经网络在橡胶材料磨耗性能预测中的应用

采用基于灵敏度分析的BP神经网络模型,将丁苯橡胶（SBR）复合材料的8种力学性能数据经过主成分分析（PCA）降维后作为神经网络的输入向量,耐磨性能数据作为输出向量,对SBR复合材料的耐磨性能进行预测,并计算各输入向量的灵敏度矩阵,从而分析输入量对耐磨性能的影响程度。结果表明：通过PCA降维处理,可以消除神经网络输入向量之间的共线性,简化网络,提高网络的预测性能;预测误差在允许范围内,说明BP网络适用于橡胶材料的耐磨性能预测;灵敏度分析显示定伸应力、拉断伸长率和拉断永久变形对SBR橡胶复合材料的耐磨性能影响最大。     

高分子除湿转轮建模与除湿性能预测

为有效预测高分子除湿转轮的除湿性能,采用效率法模型、BP神经网络模型2种方式对基于高分子除湿转轮实验台的47组实验数据进行建模。通过构建的除湿转轮模型,对20组不同实验工况条件下的转轮除湿性能进行预测,并与实验数据进行对比。根据预测结果得出,2种模型均能对用于建模的47组实验数据进行有效回归,且能对非建模实验数据以外的20组实验工况进行较好的预测。效率法模型对于处理空气出口温度的预测精度优于BP神经网络模型,但对于处理空气出口含湿量的预测,BP神经网络模型的预测精度优于效率法模型。选择广州、上海、武汉、北京4个典型气候条件城市,使用所建模型研究其在不同气候分区下供冷季的除湿性能,结果表明高分子除湿转轮在这4个城市中的除湿性能由高到低依次为广州、上海、武汉、北京。     

基于ASO-BP神经网络的海底油气管道腐蚀速率预测

随着我国海洋油气管网的发展与建设,管道数据采集量随之增大,优秀的预测模型可以应对大量数据,准确预测管道腐蚀速率,对保障管道安全健康运行具有重大意义。将原子搜索优化算法（ASO）思想引入BP （Back propagation）神经网络,构建ASO-BP神经网络用于海底油气管道腐蚀速率的预测。以50组现场数据为例,使用Matlab进行模拟仿真计算,分别构建具有代表性的BP、GA-BP和ACO-BP模型作为对比,对海底油气管道腐蚀速率数据进行训练和预测,结果表明ASO-BP模型预测精度较高,其平均绝对百分比误差（MAPE）为3.16%,预测结果优于BP、GA-BP和ACO-BP,验证了其可靠性以及良好的预测性能,为海底管道腐蚀速率预测研究提供了新的方法和思路。     

基于协同训练的半监督异构自适应软测量建模方法的研究

软测量技术被广泛应用到工业过程中重要且难以在线测量变量的预测。然而，由于工业过程的复杂性,非线性和高昂的数据获取成本，使得建模所需的输入和输出变量数据比例严重不平衡。因此，本文在已有的co-training模型的基础上，将协同训练算法与前馈神经网络（BP）算法相结合，提出了针对非线性问题的co-training BP模型。然而，由于软测量模型应用过程的时变性和不确定性，以及外部环境等因素的影响，会造成数据突变、延迟和波动性大等情况，导致模型预测性能的衰减。因此，本文提出了一种半监督异构的自适应co-training RPLS-RBP模型。一方面，该模型使用奇偶分组的方法将标记数据进行两部分均分。另一方面，递归PLS（RPLS）与递归BP（RBP）同时用于标记数据的建模和预测。为了验证模型的预测性能，所提出模型在一个污水处理的仿真基准平台(BSM1)和一个实际污水厂(UCI)的数据中得到了验证。结果表明，所提模型具有较好的预测性能。     

基于灰色BP神经网络的水泥强度预测模型研究

水泥强度的预测具有多变量、非线性和大时滞特性,因此传统线性回归方法的结果不准确。除此之外,传统的神经网络预测可能对少量样本不够精确。本文建立灰色BP模型,以此来预测水泥的强度。建立一个多因素灰色模型GM(1,N)用于水泥化学成分的样本数据进行预处理,得到新的数据来作为建立预测模型的样本数据,通过BP神经网络建立预测模型。最终通过建立的灰色BP神经网络预测模型来预测28天水泥强度。仿真结果表明:灰色BP预测模型的效果比BP预测的要准确。     

Verhulst模型在巷道围岩变形预测中的应用

为准确预测巷道围岩变形的发展规律,对Verhulst模型用于巷道围岩变形预测的适应性进行了分析,基于文献[9]中对翟镇某矿山巷道的实测数据建立了Verhulst模型,并将由Verhulst模型得到的预测结果与运用GM(1,1)模型所得到的结果进行比较,结果表明将Verhulst模型用于巷道围岩变形的预测是可行的,并具有更高的预测精度。