架岭地区东三段多属性神经网络砂体预测

针对辽河滩海西部地区钻井资料相对较少,在架岭地区利用多属性神经网络砂体预测技术,该技术将钻井资料与地震资料最大限度的结合,利用地震属性对不同地质体的不同响应,进行自我学习及计算,计算砂岩厚度及百分比,对东三段低位体系域进行了砂体预测,预测结果与钻井资料吻合较好。     

滩坝砂体多参数地震属性神经网络预测技术

针对滩坝砂体单层砂体厚度薄,横向连续性差的特点,采用多参数地震属性神经网络技术进行预测。该方法综合多种属性所包含的地质信息,避免单一属性的局限性,采用交会图、灰关联分析及相关系数组合优化方法优选出对滩坝砂体影响最大的地震属性,经过BP神经网络的学习训练,对官1地区滩坝砂体平面分布进行了预测,预测结果与钻井资料吻合较好。     

RBF神经网络预测焦化企业煤气产量

对焦炉的发生和消耗特性进行分析,找出影响煤气产量的主要影响因素,并建立径向基函数（RBF）神经网络模型进行预测,实验表明：RBF模型具有较强的非线性逼近能力,能较真实地反映煤气产量和影响因素之间的非线性关系,预测效果要优于BP神经网络模型。     

基于神经网络技术的注塑成型注射压力和熔体温度预测

建立了基于径向基函数网络的注塑成型注射压力和熔体温度的预测模型，与BP神经网络模型和CAE结果进行了对比。结果表明，径向基函数网络在精度、训练速度等方面优于BP网络。     

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。     

玻璃钢壳体电子性能预测技术研究

研究目的为通过人工神经网络方法预测玻璃钢天线罩的电子性能.建立具有非线性逼近能力的径向基函数(RBF)神经网络,根据试验得到的不同厚度玻璃钢平板,不同入射角的透波率数据,对神经网络进行训练.按照给定的玻璃钢天线罩内外表面数据计算入射角范围和罩壁厚度,并对玻璃钢壳体进行电子性能预测.计算结果与试验数据十分近似,表明该方法预测精度高,训练速度快,为玻璃钢电子性能设计和分析提供了一种实用有效的方法.     

基于RBF神经网络的挤出吹塑中型坯尺寸的预测

在利用BP神经网络预测挤出吹塑中型坯尺寸工作的基础上,采用径向基神经网络(RBF)来预测挤出吹塑中型坯尺寸,并与BP神经网络的预测结果进行了比较。结果表明,虽然RBF与BP神经网络均能较好地预测挤出吹塑中型坯尺寸,RBF网络的训练时间比BP少很多,只是BP的0.7%。     

人工神经网络光度法同时测定水中Fe(II)、Fe(III)

应用径向基函数人工神经网络(RBF)和误差反向传播神经网络(BP),采用磺基水杨酸-邻菲罗啉双显色剂光度法同时分析了水中Fe(II)和Fe(III)。实验证明,RBF算法在所需神经元个数、训练时间、预测准确度等方面均明显优于BP网络算法。该技术和光度法结合有望成为多组分分析的有效选择方法之一。     

同位协同地震属性进行储层预测的方法及应用

针对鄂尔多斯盆地大牛地气田河道砂体横向变化大,砂体厚度预测难的特点,利用三维地震资料,采取提取优选地震属性,拟和井震数据相关性,变差函数分析,同位协同序贯指示模拟等技术,优选与河道砂体密切相关的地震属性,并结合变差函数进行砂厚数据的空间相关性分析,通过整合地震、测井、地质等信息综合预测河道砂体的展布及砂层厚度的变化,与传统未协同地震信息的预测结果相对比,预测精度得到有效提高。     

人工神经网络光度法同时测定水中Fe(Ⅱ)、Fe(Ⅲ)

应用径向基函数人工神经网络（RBF）和误差反向传播神经网络（BP）,采用磺基水杨酸-邻菲罗啉双显色剂光度法同时分析了水中Fe（Ⅱ）和Fe（Ⅲ）.实验证明,RBF算法在所需神经元个数、训练时间、预测准确度等方面均明显优于BP网络算法.该技术和光度法结合有望成为多组分分析的有效选择方法之一.     

偏高岭土高性能混凝土抗压强度预测研究

以水胶比、用水量、砂率、水泥强度、水泥用量以及偏高岭土、矿粉和粉煤灰用量为输入向量,采用SPSS回归方程分析和基于Levenberg-Marquart算法的BP神经元网络预测模型对偏高岭土高性能混凝土的抗压强度进行了预测研究,并与试验值进行了对比.结果表明:与SPSS回归方程分析预测结果相比,BP神经元网络预测值与实测值线性拟合度高,拟合值为0.997,两者之比的平均值和标准差分别为0.999和0.010,网络预测最大相对误差不超过2.1%,模型预测精度高,结果可靠,为偏高岭土高性能混凝土的抗压强度预测提供了指导依据.     

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。     

人工神经网络在混凝土强度预测中的应用

人工神经网络技术综合考虑了高强度、高性能混凝土强度的各种影响因素,可用于预测混凝土强度。本文选取混凝土配料中7个因素作为输入值,混凝土28d强度作为输出值,建立起混凝土强度预测BP网络模型,进而对混凝土配合比强度实验数据进行分析预测,结果效果良好。表明该方法用于高性能混凝土强度预测方面是可行的。     

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ANN的复合材料变厚度壳体固化变形预测

研究目的是建立基于人工神经网络的复合材料固化变形预测模型。复合材料固化变形的多因素性致使很难得到精确的解析解。应用人工神经网络方法结合实验实测数据,模拟复合材料各项参数与变形间的非线性关系,对相同材料(玻璃钢)在相近固化条件下的固化变形进行预测,计算速度快,精度高,为固化变形的预测控制提供了一种新方法。     

BP神经网络的发展及其在化学化工中的应用

人工神经网络（ANN）由于本身具有极强的非线性映射能力、容错性、自学习能力得到广泛的应用。基于反向传播算法（BP）的神经网络作为ANN重要组成部分,在涉及多种非线性因素建模时,相对于传统的反应机理建模显示出巨大的优势。虽然神经网络的发展几经繁荣与冷落,但目前在不同领域已经获得成功的应用。本文概述了BP神经网络的映射原理、缺点以及相应的改进方法,介绍其在催化剂设计、动力学模拟、理化特性估算、过程控制与优化、化学合成与反应性能预测的应用现状,展示了使用不同优化方法的改进模型在实验设计与优化方面取得的成果。最后指出未来BP神经网络的发展要进一步结合数据深度挖掘与机器学习等技术,为今后化学化工领域的研究提供强有力的工具。     

汽车活塞销表面纳米复合镀层的制备及耐磨性预测

在汽车发动机活塞销表面制备Ni-ZrO_2纳米复合镀层,以期提高活塞销表面的耐磨性。通过正交试验,得到影响纳米复合镀层磨损量的因素主次顺序,并在正交试验基础上建立BP神经网络模型,对纳米复合镀层的磨损量进行预测,进而评价其耐磨性。研究表明:BP神经网络模型能用于预测纳米复合镀层的磨损量,磨损量的预测值与实验值具有较高的拟合度。通过正交试验与运用BP神经网络模型优化的最佳参数组合相同,采用最佳参数组合制备的纳米复合镀层的磨损量较低(仅为4.26mg),其耐磨性良好。     

BP神经网络在膜分离处理废水中的应用

为能更好地预测工艺条件对膜分离过程的影响,运用BP神经网络技术建立输入变量为压差、流速、浓度和温度,输出变量为膜通量的预测模型。通过大量实验数据训练预测模型,得到的网络模型整体误差平方和仅为0.014 5;计算值与模拟值相比,10组不同条件的膜通量平均预测误差仅为1.1,证实了所建立的BP神经网络膜通量预测模型与实验值吻合程度较好,有较好地预测能力。在此基础上进一步考察了工艺参数对膜分离过程的影响。     

基于小波神经网络的循环冷却水腐蚀预测研究

利用某石化企业40个月的循环冷却水实际生产数据,基于小神经网络进行了腐蚀预测研究。经过对比分析,得出了小波神经网络预测精度最高的网络模型为6-7-1结构。在相同输入参数向量下,对含有相同隐层节点个数的小波神经网络和BP神经网络进行腐蚀预测对比,小波神经网络比BP神经网络预测精度高。