基于BP神经网络的氯离子扩散系数预测模型

氯离子扩散系数是表征混凝土渗透性的重要指标。传统的氯离子扩散系数测试方法各有缺陷,文中尝试通过建立改进BP网络模型,对混凝土氯离子氯离子扩散系数进行预测,对该模型进行训练和仿真后,其所得到的结果与实际测量值相差较小,能够达到模型预测的要求,有较好的工程实际意义。     

基于深度学习的氯盐环境下高性能混凝土氯离子扩散系数的预测

氯盐的扩散系数是一个控制混凝土内部氯离子迁移状况的关键参数,为了评估氯盐在混凝土中的扩散情况,经常需要对其进行有效的预测。由于时间和成本的限制,实际工程中该系数很难从试验中获得。为了评估氯盐在混凝土中扩散的情况,基于深度学习卷积神经网络方法研究了氯盐在高性能混凝土中的扩散系数。收集了掺粉煤灰(FA)和粒化高炉矿渣(GGBFS)300种不同的数据,针对两种类型的高性能混凝土建立了卷积神经网络模型(CNN)。CNN模型包括4个输入参数,分别是W/B比、水泥含量、粉煤灰或矿渣粉掺量和养护龄期,输出参数为氯盐的扩散系数。与传统的神经网络相比,基于深度学习的卷积神经网络预测模型具有高精度、高效率和高泛化能力的优点,可以作为氯盐环境下混凝土氯离子扩散预测的新方法。     

W-RBF神经网络模型在中药材价格预测中的应用

中药材作为一种特殊的农产品,其价格态变化过程呈现出高度复杂的非线性特征,增加了中药材价格预测的难度.通过研究影响中药材价格的主要因素,并在分析传统价格预测方法的基础上,针对中药材价格变化具有随机性、突变性和非线性的特点,通过小波和RBF神经网络结合构建一个中药材价格预测模型(W-RBF).采用W-RBF神经网络模型对白芍价格进行预测,并将预测结果与RBF神经网络模型预测结果做了比较.实验结果说明,W-RBF神经网络模型预测准确率明显提高,比RBF神经网络模型更具优越性.     

氯盐环境条件下预应力混凝土氯离子侵蚀模型研究

文章总结了国内外有关混凝土中氯离子侵蚀模型的研究现状,并对国内外几种典型的扩散方程进行了分析评价;针对氯盐侵蚀的预应力混凝土结构,讨论了氯离子扩散系数的计算。氯离子扩散系数对于预应力混凝土来说是一个重要的因素,因此合理确定氯离子扩散系数,对预测氯离子环境条件下预应力结构的耐久性具有重要意义。对于预应力混凝土,计算氯离子扩散系数除了要考虑混凝土与氯离子之间的结合能力、环境温度、湿度影响外,还要考虑混凝土的应力水平,氯离子有效扩散系数是变化的,且氯离子扩散系数对PC结构耐久性的影响很大。本文对预应力混凝土氯离子侵蚀模型进行了改进,并根据试验结果对改进后模型进行了评价。     

基于RBF神经网络的钢筋锈蚀程度预测

通过分析钢筋锈蚀机理及其影响因素,建立了钢筋锈蚀程度预测的RBF网络模型.通过实例数据进行了分析预测,并与BP网络预测模型进行比较.测试结果表明:应用RBF网络模型对钢筋锈蚀程度进行预测,预测效果好,识别精度高.可见,径向基函数神经网络方法是一种可综合考虑各种影响因素、行之有效的钢筋锈蚀度预测分析方法.     

径向基网络在结构设计与分析中的应用

详细地介绍了径向基(RBF)神经网络的结构和基本原理。基于RBF神经网络能够逼近任意非线性函数的特点,提出了一种基于RBF神经网络建立结构分析模型的方法。与BP网络的仿真结果对比表明,所建立RBF神经网络模型收敛速度快,拟合精度高,适用于复杂结构的建模问题。     

三种神经网络在混凝土强度预测中的应用

通过建立改进的BP和RBF两种神经网络模型，对混凝土的强度进行预测，将预测值与常规BP神经网络模型预测结果进行了比较，研究表明，改进的BP和RBF的神经网络模型能够充分考虑影响混凝土强度的各种因素，在强度预测中具有广泛的应用前景。     

基于RBF神经网络的时延预测模型与仿真

网络控制系统中时延普遍存在,时延的有效预测对控制系统非常重要。为准确对时延进行预测,文章建立一个基于RBF神经网络的时延预测模型,运用Matlab软件对该模型进行仿真,采用归一化的方法对用于测试的数据集进行预处理,利用这些处理过的数据集对该仿真模型进行训练和测试,结果证明RBF神经网络能很好的预测网络时延。     

基于RBF神经网络的时延预测模型与仿真

网络控制系统中时延普遍存在,时延的有效预测对控制系统非常重要。为准确对时延进行预测,文章建立一个基于RBF神经网络的时延预测模型,运用Matlab软件对该模型进行仿真,采用归一化的方法对用于测试的数据集进行预处理,利用这些处理过的数据集对该仿真模型进行训练和测试,结果证明RBF神经网络能很好的预测网络时延。     

混凝土氯离子扩散系数预测的格构模型

提出了混凝土氯离子扩散系数预测的格构模型;应用能量等效原理,导出了格构梁和连续体氯离子扩散系数之间的解析关系式.基于模拟所得的骨料分布和格构梁与骨料之间的相对位置,确定了每一个格构梁单元的刚度矩阵.通过有限单元分析,获得了混凝土氯离子扩散系数;定量评价了最大骨料直径、界面氯离子扩散系数和骨料级配对混凝土氯离子扩散系数的影响.基于数值结果,发现混凝土氯离子扩散系数随着最大骨料直径的增大而减小;随着界面氯离子扩散系数的增大而增大;骨料级配对混凝土氯离子扩散系数有较大影响.     

基于级联神经网络的年降雨量预测

降雨量是农业生产的一个重要影响因素,如何准确预测降雨量成为指导农业、水利等一项重要的科技指标。从信息利用角度来看,单一预测模型仅能利用降雨量数据部分有效信息,而组合模型将单一模型的优势互补,可获得更佳的预测效果。基于神经网络理论的快速发展及级联神经网络预测模型被广泛应用于各个方面并取得了很好的结果,针对降雨量曲线的特点,深入分析BP神经网络及RBF神经网络发现,BP神经网络可很好的拟合对降雨量有很大影响的气候信息和其它因素,输出同一类型的降雨量影响信息;RBF网络的特点就是可很好地提取同一类信息特征,二者的组合可很大程度的提高降雨量预测精度。鉴于此,将BP-RBF级联神经网络引入降雨量预测研究中,实例计算表明,该方法高于单一神经网络预测精度,证明该方法应用于降雨量预测是合理有效的。     

深基坑开挖位移多点监测模型及径向基函数神经网络计算中心的FCM确定

为建立合理的基坑多测点位移监测模型,采用径向基函数神经网络(RBF)为基本框架,从位移力学机制选择网络输入层,以相关联的多个测点位移为输出层,发挥RBF网络非线性映射功能的同时,根据基坑的开挖进展和位移特征,采用有针对性的预选RBF计算中心与模糊C均值聚类(FCM)算法,共同确定计算中心。实例表明,该计算方法更具合理性,且能获得理想的训练和预测效果。     

基于灰色RBF组合模型的城市用水量预测

为解决城市用水量预测中单一方法预测精度不高的问题,建立了灰色径向基（RBF）神经网络组合模型。对比实验结果表明,灰色GM（1,1）模型、RBF神经网络模型和灰色RBF神经网络组合模型的平均相对误差分别为2．1222％,1．2562％和0．6821％。与灰色GM（1,1）模型和RBF神经网络相比,灰色RBF神经网络组合模型充分发挥了灰色系统的贫乏数据建模和RBF神经网络的高度非线性映射能力的双重优势,具有较高的预测精度,更适合用于城市用水量预测。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

基于时空序列模型的RBF神经网络在河流水位预测中的应用

河流水位预测一直以来都是水文预报中研究的热点。河流水位变化不定,具有时间上和空间上的变化性、多维性、动态性和不确定性等,给水位预测带来了挑战。本文综合考虑河流水位时空信息,建立基于时空序列的RBF神经网络预测模型来预测河流水位。实验中预测了金沙江下游向家坝水文站的水位信息,并将实验结果与其他多种水位预测方法比较,实验结果显示基于时空序列的RBF神经网络模型在河流水位预测中具有较高精度,证明了方法的可行性。     

小波神经网络在软基沉降组合预测中的应用

将小波神经网络组合预测模型引入软土路基沉降预测中。把5组不同形式的s型增长模型单项预测结果作为小波网络的输入向量,将代表相应时刻的实际值作为小波网络的输出,对软基沉降序列进行非线性组合预测。预测结果表明,小波网络组合预测的结果比各单项模型预测的结果都好,与BP神经网络相比,小波网络的收敛速度更快,预测精度更高,模型的泛化能力更强。     

基于LS-SVM对耐高温滤料过滤效率的预测研究

本文主要研究利用最小二乘支持向量机的方法预测耐高温高效滤料在不同测试条件下过滤效率的变化。笔者采用最小二乘支持向量机的方法,以Matlab作为软件平台,利用lssvmlab工具箱对于滤料测试的实验数据进行学习,以气体温度、气体流速,上游发尘浓度为输入,滤料过滤效率为输出训练算法,预测不同测试条件下滤料的过滤效率,并且与RBF神经网络的预测结果进行比较。实例分析表明,与基于RBF神经网络的耐高温滤料过滤效率模型相比,基于最小二乘支持向量机的过滤效率模型具有更高的精度,更强的鲁棒性,并且速度更快。     

CAST工艺的BP和RBF人工神经网络仿真模型

将误差反向传播前馈(BP)神经网络模型和径向基函数(RBF)神经网络模型应用到CAST工艺中,并采用多输入、双输出神经网络模拟处理过程中各变量之间的关系和预测出水水质.误差分析结果表明,训练阶段RBF神经网络模型的拟合精度比BP神经网络模型的高,但两者的预测精度相差不大;测试阶段BP神经网络模型和RBF神经网络模型预测出水COD的平均相对误差分别为6.35%、6.80%,预测出水TN的平均相对误差分别为7.19%、5.49%,均在8%以下,这说明两种神经网络模型均可用于模拟CAST污水处理工艺各变量之间的关系和预测出水水质,为污水厂的运行管理提供了理论依据.     

RBF神经网络预测土的物理力学指标初探

在分析土的物理指标与力学指标关系的基础上,利用RBF神经网络,采用土的含水率、密度、孔隙比与塑性指数来预测土的压缩系数.通过实例说明RBF神经网络预测土的物理力学指标是可行的.