改进的BP神经网络在混凝土碳化深度预测中的应用

通过对混凝土碳化深度实测资料的分析,建立了基于 BP 神经网络原理的混凝土碳化深度预测方法.由于传统的 BP 神经网络有收敛慢,易陷入局部极小点的问题,采用改进的 BP 神经网络,通过与混凝土碳化深度的实测值、理论值的对比,证明了该方法在混凝土碳化深度预测方面的有效性并且具有令人满意的精度。     

基于BP-AR的混凝土碳化深度预测算法研究

混凝土碳化深度的影响因素众多又复杂且对时间有较强的依赖性,现有的混凝土碳化深度预测方法不能把所有影响因素充分考虑进去,导致其预测精度不够准确。提出一种BP-AR融合算法,该算法利用BP神经网络预测碳化深度,再通过时间序列方法对预测值进一步修正。通过试验分析,时间序列方法能够通过BP神经网络预测的碳化深度值发现碳化反应随时间变化的规律,BP-AR算法比BP神经网络预测碳化深度精度更高,弥补了因数据量有限而造成较大的预测误差。     

水闸混凝土碳化深度预测研究

在水闸工程病害中,混凝土碳化最为典型,混凝土碳化是造成混凝土裂缝、钢筋锈蚀的最直接因素,因此,对混凝土碳化深度预测研究尤为重要。采用遗传算法优化神经网络,选取混凝土碳化深度的主要影响因素,建立混凝土碳化深度预测模型,并基于VS平台,开发水闸混凝土碳化深度预测系统。收集了盐城市25组水闸数据样本进行预测分析研究,结果表明,采用遗传算法优化BP神经网络模型进行水闸混凝土碳化深度预测是可行的,能够快速、准确识别混凝土碳化深度,为水闸除险加固提供技术支持。     

高性能混凝土碳化试验及人工神经网络碳化深度预测模型

为准确预测混凝土的碳化深度,开展了不同水灰比、粉煤灰掺量、矿渣掺量混凝土的制备与碳化深度测试,进行了数据采集。根据数据及BP算法,建立了3-7-1型三层BP网络,包含三因子网络输入量(水灰比、粉煤灰掺量、矿渣掺量)及单因子网络输出(碳化深度),提出了基于人工神经网络的混凝土碳化深度预测模型。采用最小二乘法建立了线性及伪线性两种预测模型与人工神经网络预测模型进行对比。结果显示：基于BP神经网络建立的混凝土碳化深度预测模型,相比较于常用的最小二乘法线性、伪线性模型更适用于多因素影响条件下的混凝土碳化深度预测,误差仅为线性模型的63.6%,伪线性模型的61.9%,采用BP神经网络能达到理想的预测结果。     

遗传算法-BP神经网络在混凝土碳化深度预测中的应用

通过对混凝土碳化深度实测资料的分析,建立了基于遗传算法-BP神经网络原理的混凝土碳化深度预测方法。应用该方法对两个算例的的混凝土碳化深度进行预测,并与实测值和理论值进行对比,证明该方法对在混凝土碳化深度预测的有效性。     

遗传算法—BP神经网络在混凝土碳化深度预测中的应用

通过对混凝土碳化深度实测资料的分析,建立了基于遗传算法-BP神经网络原理的混凝土碳化深度预测方法。应用该方法对两个算例的的混凝土碳化深度进行预测,并与实测值和理论值进行对比,证明该方法对在混凝土碳化深度预测的有效性。     

珊瑚混凝土碳化深度影响因素及其预测模型研究

通过快速碳化试验研究了水灰比、水泥用量、粉煤灰掺量、碳化龄期四个因素对珊瑚混凝土碳化深度的影响,试验龄期分别为3 d、7 d、14 d、28 d。结果表明:珊瑚混凝土的碳化深度与水灰比、粉煤灰掺量呈正比,与水泥用量呈反比;碳化深度均随碳化龄期增长而增大。基于MATLAB中双隐含层BP神经网络,建立了珊瑚混凝土碳化深度预测模型,编写了循环训练算法程序,经过40次循环近百万次网络训练筛选出了双隐含层最佳神经元节点数,分别为11、5,最小均方根误差为0.67。经验证,该预测模型预测平均误差为5.57%,预测精度良好。     

人工神经网络预测混凝土碳化深度与钢筋锈蚀量

基于混凝土碳化与钢筋锈蚀都是由多因素引起的缘故,运用BP神经网络方法进行混凝土碳化深度及钢筋锈蚀量分析和预测,其结果优于以数学模型为基础的经验公式法,而且若能将BP神经网络模型应用于结构耐久性其它方面(如抗冻),那么结构耐久性的综合评价及结构的剩余使用寿命都可以得到很好的预测.     

基于BAS-SCA-BP模型的高校建筑工程项目投资估算研究

针对标准BP神经网络建筑工程项目投资估算模型收敛速度慢、预测精度低的问题,提出融合改进天牛须和正余弦双重优化算法（BAS-SCA）优化BP神经网络的建筑工程项目投资估算模型。以某市高校建筑工程项目为研究对象,分析相关文献并结合显著性理论初步选择工程造价影响因子,利用粗糙集属性约简算法筛选出关键因素;基于此,通过构建基于BAS-SCA-BP的神经网络估算模型实现快速、准确的建筑工程投资估算。研究结果表明：基于BAS-SCA-BP的估算模型较标准BP神经网络估算模型的估算精度有了大幅提高,与其他智能算法改进的BP神经网络估算模型的性能相比较,该模型在稳定性和预测精度方面表现更佳。     

基于支持向量机的有机成膜涂层混凝土碳化深度预测模型

为研究有机成膜涂层混凝土碳化深度与其影响因素之间的高维非线性问题,采用以水灰比、用水量、水泥用量、涂层类别、老化时间、温度、相对湿度为影响因素进行的有机成膜涂层混凝土碳化试验测得的数据,运用支持向量机算法建立涂层混凝土碳化深度预测模型,将试验值与预测值对比,结果表明,该模型有较好的预测精度。并将预测结果与传统的BP神经网络预测模型对比,结果显示,支持向量机预测模型的误差更小,回归拟合效果更佳,可应用于有机成膜涂层混凝土碳化深度的预测。在此基础上,对影响因素进行敏感性分析,计算影响因素变化率与涂层混凝土碳化深度变化率之间的定量关系,从而找出影响因素敏感性程度排序,为有效防护涂层混凝土碳化提供一定参考。     

应用小波支持向量机的预应力混凝土碳化深度研究

构造了一类小波核函数,并利用小波核函数支持向量机对预应力混凝土碳化深度进行了仿真和预测。将小波函数用于SVM得出一类小波核函数,并将其与径向核函数SVM、神经网络在预应力混凝土碳化深度预测中的应用进行了对比。研究发现,SVM对预应力混凝土碳化深度的预测精度要远远高于神经网络,且小波核函数SVM比径向核函数SVM精度高。小波核函数在一定场合下精度要比径向核函数高,SVM用于预应力混凝土碳化深度的预测是可行的,且具有较高精度。     

基于粗糙集理论BP网络的地铁深基坑监控预测分析与优化

以25个深基坑工程地表沉降实测资料为训练样本,综合考虑多个主要影响因素,应用粗糙集对次要影响因素进行约简,然后建立地表沉降的7-15-1粗糙集BP(RS-BP)神经网络预测模型对5个检验样本进行预测及预测精度分析,并将该模型与传统BP神经网络预测模型进行对比。结果表明:传统BP神经网络预测其平均相对误差达到15.04%;而RS-BP神经网络预测平均相对误差较小,为5.55%,满足精度要求。因此,基于粗糙集BP神经网络预测模型在预测精度上优于传统BP神经网络预测模型。     

基于BP网络的混凝土碳化深度预测

基于用改进的BP算法,建立了3-5-1（输入层为3个神经元,隐含层为5个神经元,输出层为1个神经元）混凝土碳化深度BP网络训练及预测模型,模型以水灰比、单位水泥用量及混凝土暴露时间为输入,训练模型以暴露时间为5年、10年、15年的混凝土碳化深度为输出,预测模型以暴露时间为20年、25年、30年的混凝土碳化深度为输出,训练及预测结果较为理想。     

城市用水量预测的SIMULINK仿真技术研究

为保证城市供水优化运行的安全性和可靠性,提出了基于时间序列和神经网络理论的城市用水量预测的SIMULINK仿真模型。基于时间序列预测法的SIMULINK仿真模型依据回归算法确定模型参数,得到预测结果和误差,可通过调整SIMULINK模块参数提高仿真精度;在基于神经网络的SIMULINK仿真模型中,根据BP神经网络原理分别建立输入层、隐含层和输出层模型,得到预测结果和误差,可通过增加训练样本数提高仿真精度。仿真结果表明:基于时间序列和神经网络的水量预测SIMULINK仿真模型,不仅预测精度达到要求,而且还具有模块直观、参数易调和结果可视化等优点。     

基于BP神经网络的既有建筑混凝土强度预测

在分析检测数据的基础上,提取了结构服役时间、结构建造时间、结构检测时间、混凝土设计强度和混凝土碳化深度等特征参数,建立了预测既有建筑混凝土强度退化的人工神经网络模型。采用动量法和自适应调整法改进了BP算法;采用训练好的BP神经网络对既有混凝土强度最小值和混凝土强度最大值进行了预测,并与实测值进行了对比。结果表明:利用BP神经网络对既有建筑混凝土强度退化进行预测是可行的,该研究成果可为既有建筑大面积的抗震性能普查提供参考。     

应用RBF神经网络的预应力混凝土碳化深度预测研究

在现有混凝土碳化研究成果基础上,建立了预应力混凝土碳化预测模型。随后,运用径向基函数神经网络的基本原理,通过对影响预应力混凝土碳化深度因素的分析,建立了预测碳化深度的RBF和GRNN网络模型。通过实例进行了分析计算和预测,预测结果具有较高的精度。可以说,人工神经网络预测方法是一种可同时考虑各种影响因素组合、行之有效的混凝土碳化预测分析方法。     

基于模拟退火的粒子群算法优化的二次回归在混凝土抗压强度预测中的应用

混凝土抗压强度与其影响因素之间存在着很强的非线性关系,精确预测混凝土抗压强度对提高工程质量和施工进度等具有重要意义。为了提高预测值的精确度,建立了二次回归预测模型,利用基于模拟退火的粒子群算法对模型系数进行了优化和求解。实例仿真表明这种经智能算法优化后的二次回归预测模型优于传统神经网络预测模型,预测精度得到了较大提高。     

BP网络预测再生混凝土性能研究

利用BP神经网络模型,对再生混凝土强度及工作性能的预测方法进行了探讨。根据再生混凝土的特殊性,找出影响其强度和坍落度、保水性的主要因素,对试验中通过主观观察得到的数据进行量化,在此基础上建立预测其强度和工作性能的BP神经网络模型,针对所建模型,输入一定量的实测数据样本,对网络进行训练。为了验证训练好的网络的推广性能,用预留的一组试验数据进行仿真训练的效率和误差及仿真计算的结果表明,采用优化的BP网络模型及合适的样本参数训练出的预测系统对再生混凝土的强度及工作性能进行预测是可行的。     

基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用

神经网络具有结构简单,鲁棒性强,能够逼近任意函数的非线性映射能力,在多个领域得到了广泛应用。但其梯度下降法容易陷入局部最优,训练效率较低。采用粒子群算法(PSO)对BP神经网络进行改进,利用粒子群算法为BP神经网络提供精确的全局搜索能力,提高其训练效率和预测精度。基于建筑物实际沉降观测数据,对BP神经网络和PSO-BP神经网络进行对比分析。结果表明,PSO-BP神经网络的训练效果获得了较大提升,预测精度提升了约61%,预测结果明显优于传统BP神经网络。     

混凝土碳化深度的灰色预测

混凝土碳化是导致钢筋混凝土结构耐久性损伤的主要原因之一。为了预测混凝土碳化深度,本文建议采用一种基于灰色系统理论的预测模型,该模型可以根据已知的混凝土碳化序列,较精确地预测未来时刻的碳化深度。文章最后以实例说明了该模型的应用。