基于人工神经网络的强夯有效加固深度预估

当粘性土地基用强夯进行处理时对其处理效果的影响因素进行了总结，并利用神经网络对强夯加固效果进行了预估，证明了由于神经网络能处理高度非线性问题而能够较好地预估强夯的加固效果，它在预估强夯加固效果的同时还可以进行施工参数的优化设计。     

用BP网络预估强夯有效加固深度

鉴于现有各种计算强夯有效加固深度的理论存在的多缺点，本文提出了一种基于人工神经网络的强夯有效加固深度预估方法并以湿陷性黄土地区为介绍了它的建模方法和应用实例，计算结果表明该方法不仅有效，而且能定量预估，计算精度较高，具有较好的应用前景。     

简单信息分配法预估强夯有效加固深度

本文将简单信息分配法用于强夯有效加固深度的预估,以拓宽研究此类问题的途径,推动强夯法的合理运用和发展。     

基于网络拟合的强夯加固深度分析

在分析强夯加固深度研究现状和影响因素的基础上,利用神经网络对强夯加固有效深度效果进行了预估,神经网络仿真拟合计算证明,神经网络能较好地预估强夯的加固效果。     

简单信息分配法预估强夯有效加固深度

本文将简单信息分配法用于强夯有效加固深度的预估,以拓宽研究此类问题的途径,推动强夯法的合理运用和发展.     

强夯有效加固深度的夯坑预估法

山区填土地基多为土石混填,具有颗粒大小不均、孔隙率大、含水率低等特点。采用强夯法加固此类地基时,夯坑形状接近于倒圆台体。文中从夯坑的形状出发,以现场实测夯坑数据为基本参数,考虑夯点间距、夯锤半径及地基土性质等因素的影响,建立模型预估强夯有效加固深度,证明了该方法的有效性和实用性。     

强夯法有效加固深度分析

本文统计收集了国内外近年来有关强夯处理地基的有效加固深度公式和测试结果,对有效加固深度公式进行了分析比较,并针对北方北京市城镇铁路回龙观车辆段高回填粉质粘土强夯处理加固深度进行了计算,同时对强夯有效加固深度公式应考虑的因素进行了综述,对工程应用具有一定的参考价值。     

强夯的有效加固深度分析及计算

阐述有效加固深度的定义以及判别标准,并分析影响有效加固深度的主要因素,在此基础上探讨适合珠三角地区的几种估算方法及其取值问题,通过计算结果的对比分析提出现实估算中的建议。     

强夯加固深度预测的神经网络方法研究

拟用神经网络方法对强夯加固深度进行预测。从国内的若干强夯工程实例中,选取了干重度、孔隙比、主夯击能、夯点间距等强夯加固深度的八个影响因素的相关数据,对相应数据按一定方法分类整理,把这些数据输入到一套基于神经网络方法的FORTRAN程序中对其进行训练,最后用该经过训练程序对两项工程进行加固深度预测。预测结果证明了此种方法不仅有效可行,而且具有工程实用价值和应用前景。     

强夯加固影响深度之探讨

通过一系列典型试验和理论分析,阐明在强夯工法加固地基时,试图以加大夯击能量无限制地提高影响深度是行不通的.在设计强夯加固地基工艺时,应考虑到“极限影响范围”的存在,而该影响范围仅与夯锤底面的尺寸有关.最后介绍了用强夯法加固回填地基的实例.     

软土地基强夯加固效果初探

本文推导了软基强夯加固的夯坑深度、有效加固深度的计算公式,在某机场试验基础上得出经验值;并指出办基强夯所应遵循的一些规律。     

RBF网络的结构动力响应预测

由于结构主动控制对地震反应振动控制的高效性,使主动控制在建筑结构振动控制领域中,具有广阔的应用前景,但是主动控制存在难以建立一个精确的数学模型,存在时滞效应等问题.神经网络不需要建立精确的数学模型,只是通过学习输入输出训练样本数据,就可归纳出隐含在系统输入输出中的关系;应用神经网络预测结构响应可以解决主动控制中的时滞问题,为控制决策提供依据.用RBF神经网络对结构响应进行预测,以期能为结构主动控制提供一种新的思路.     

强夯法加固地基主要参数的分析和研究

强夯法作为一种经济、简便、可靠的地基加固方法,在国内外获得了广泛的应用。但目前还没有一套成熟、完善的理论和设计计算方法,其施工参数主要是通过试夯或经验确定。通过对影响地基加固效果的加固深度、夯点布置、夯点间距与夯击分遍等因素的分析研究,结合工程实例,探讨了强夯法处理地基的主要参数。     

强夯法适用范围的研究

从强夯法的产生出发,归纳了强夯法的发展阶段,总结了强夯法的施工特点,分析了强夯法在地基处理中的作用机理,结合当前国家经济建设的实际条件和需要,提出强夯法在加固杂填土路基中的适用性。     

某化工厂液体罐地基固结灌浆加固处理

某化工厂液体罐地基施工存在质量问题,注水试验时液体罐不诱钢底板因沉降过大而显著变形.文章主要介绍固结灌浆处理方法在该液体罐地基加固中的应用,为以后类似问题的处理提供参考.     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

遗传-BP神经网络法预测叶绿素a浓度变化

基于2009年—2010年对临江河回水区水质指标的监测数据,采用遗传算法结合BP神经网络的方法对回水区的叶绿素a(Chl-a)浓度变化进行动态模拟预测。通过灰色关联法确定了对Chl-a浓度有显著影响的指标与网络输入变量,即水温、DO、流速、透明度(SD)、TP、CODMn及Chl-a。模拟结果表明,遗传-BP神经网络的预测值和实测值吻合较好,其相对误差约为9.8%,模型可良好地用于次级河流回水区叶绿素a浓度的短期预测。预测结果表明,在春末夏初季节,当水库蓄水位为150～160 m时,临江河回水区富营养化潜势较高,尤其应注重临江河该时段富营养化的防控工作。