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。     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。     

基于离散灰色和BP神经网络的储罐不均匀沉降预测研究

介绍了离散灰色理论的建模机理,提出Levenberg-Marquardt算法改进的B P神经网络,分析两种预测模型单独使用时的优缺点。将离散灰色模型与改进的BP神经网络进行有机结合,给出利用BP神经网络对离散灰色模型残差进行修正的综合预测方法。接着利用该预测模型对大连储备库某罐体不均匀沉降进行预测。结果表明,综合预测模型弥补了单一预测模型的缺点具有更高的预测精度。     

改进BP神经网络在胎面挤出参数预测中的应用

采用隐含层数为4,每个隐含层单元数为10的改进BP神经网络预测销钉机筒冷喂料挤出机的胎面挤出参数.与传统BP神经网络相比,改进算法采用惯性冲量校正、限幅输出和步长自适应解决传统算法学习速度慢且易于陷入局部最小值的问题.Matlab仿真表明,改进算法的收敛速度和收敛效果均明显比传统BP神经网络算法好.训练好的神经网络对胎面挤出过程的参数预测和试验结果间的最大误差为1%,大部分误差小于0.5%.     

Traingd算法模型在油田储层损害中的应用

通过研究Traingd算法从而建立了预测油田储层损害的神经网络模型.研制了一套油田储层损害预测软件,主要用于预测油气层的损害程度,为保护油气层提供有力帮助.该预测软件在油田中的应用表明,对油气储层损害的预测精度达到了98%以上,为防止油气生产中的储层损害起到了很好的预估防备作用.     

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。     

BP神经网络在炼油污水回用于循环水系统中腐蚀率的预测

介绍了BP神经网络的构造及基本原理,阐述了利用MATLAB的GUI建立BP模型的方法和步骤,并将其应用于炼油污水回用于循环冷却水系统腐蚀率的预测,建立一个以电导率和p H为输入向量、腐蚀率为输出向量的BP神经网络预测模型。结果表明,采用GUI建立的三层结构的BP神经网络模型,对炼油污水循环冷却水系统的腐蚀率的预测具有较高的预测精度。说明人工神经网络在循环水腐蚀预测中的应用是可行的,具有一定的应用价值。     

基于组合预测模型的变压器油中溶解气体浓度预测

结合BP神经网络和灰色理论两种单项预测模型算法,提出组合优化预测模型算法,实现对变压器油中溶解气体浓度更为精确的预测。该组合模型算法机理是根据预测误差平方和最小化的原则,首先计算各单项预测模型的权重,然后将各单项模型的权重进行加权综合计算,建立组合最优预测模型。以变压器中溶解的H_2为例验证了该组合算法汲取了两种单项算法的优点,不仅使各单项预测算法的预报误差降低,也有效提高了预测模型的预报性能。     

小波神经网络在原油含水率预测中的应用研究

通过对原油含水率测量方法,以及原油含水率与影响其因素之间存在的非线性映射关系的研究,提出基于小波分解与神经网络相结合的小波神经网络原油含水率预测模型,给出具体的网络学习算法,并结合算法对原油含水率进行预测.实例分析表明,小波神经网络模型比传统的BP神经网络模型收敛速度快、预测精度高,且具有较强的学习能力和推广能力.     

BP神经网络在优化配煤预测模型中的研究

由于掺配煤种煤质的波动 ,配煤是一个在不确定的条件下的优化问题 .传统的线性规划模型已不能解决这种非线性问题 ,而 BP神经网络这一非线性优化工具已成功地应用于混煤煤质特性的预测模型 .本文详细地分析了不同 BP神经网络模型的预测效果以及制约其预测效果的主要因素 (网络结构、学习样本数量、隐层节点数、学习精度 ) ,并发现学习样本数是影响 BP神经网络性能的关键