基于改进GA-BP网络算法的边坡力学参数反演分析

针对BP神经网络收敛速度慢和易陷入局部极小值等不足,通过改进遗传算法,显著提升遗传算法的全局寻优能力,进而优化BP神经网络初始权值和阈值。结合工程算例,采用正交法设计参数样本,利用边坡工程的有限元正分析模型计算出反演分析所需的样本,建立基于改进的GA-BP网络算法反分析模型,经过网络训练,得到符合实测效应量值的反演参数值,对比GA-BP网络算法和改进GA-BP网络算法的反分析模型结果可知,改进GA-BP网络算法反分析模型在解的稳定性和求解精度上均得到了较大提高。研究成果可供类似工程参考。     

大型地下厂房围岩参数反演及位移监测分析

基于卸荷岩体力学分析方法建立了考虑岩体强、弱卸荷区地下洞室二维ADINA有限元模型,建立了BP神经网络模型,采用搜索算法确定了训练误差最小网络训练参数,将训练好的网络保存并用于仿真,利用工程监测的位移资料反演了岩体主要参数,参考卸荷岩体力学参数折减方法确定了卸荷区岩体参数,并将反演的参数代入有限元模型计算,计算位移值与监测位移值的对比结果表明,二者吻合较好,反演的参数可靠性较大.     

石英云母片岩时效特性及流变参数反分析

某水电站引水隧洞围岩主要为石英云母片岩,具有显著的蠕变特性。结合该水电站试验洞洞壁位移监测结果,分析了洞室开挖后围岩的时空效应,基于位移反分析法,利用自编神经网络计算程序对幂律型流变模型参数A、n、m进行反演,并将获得的测线位移计算值与实测值相对比,以分析参数的合理性。结果表明,洞壁两侧变形最大,边墙次之,顶拱变形最小;反演得到A为6.687 6×10-17、n为1.967 1、m为-0.918 5,且位移计算值与实测值具有较高的吻合度,表明反演参数合理可靠。最后结合流变参数的反演结果,对该工程调压井开挖后支护时间进行探究,研究发现在洞室开挖15d后进行支护是合理的。     

岩质边坡开挖卸荷弹性模量弱化及其反分析

利用FLAC3D软件及内嵌的FISH程序语言编制相应程序,实现每个单元弱化弹性模量的自动计算及计算模型力学参数的自动更新。根据各级开挖卸荷结束后的弹性模量计算值分析弱化弹性模量的分布规律,进而划分弱化弹性模量的等效分布区域。结合PSO改进的BP神经网络算法进行反分析计算,建立各区域等效弹性模量与监测点水平位移关系的网络模型,输入此级边坡开挖卸荷监测点水平位移值到训练好的网络中反演得到区域等效弹性模量。实例应用结果表明,本文方法的计算结果合理,且具有较高的精度,适用于卸荷岩体弹性模量的弱化研究。     

基于灰色关联分析-GA-BP模型的叶绿素a含量预测

为提高水体叶绿素a预测精度和收敛速率,提出一种基于灰色关联度分析和遗传算法优化BP神经网络预测水体叶绿素a的方法。即先采用灰色关联度分析法选取合适的水质指标作为输入因子,然后优化网络隐含层的结构参数,引入遗传算法优化BP神经网络的初始权值和阈值,最后以预测太湖叶绿素a为例进行比较分析。结果表明,优化神经网络隐含层数能进一步提高网络的预测精度、缩短训练时间;灰色关联分析-GA-BP模型相较于BP、GA-BP模型具有更高的预测精度和收敛速度,可为控制水环境监测和决策平台提供科学依据。     

基于灰色关联分析的GA-BP网络需水预测模型研究

针对城市需水预测涉及因素众多、不同地区影响因子不尽相同且多寡不一及影响因子的选择直接决定需水量预测的结果与实际是否相符等问题,提出了灰色关联分析法、遗传算法和BP神经网络相结合的需水预测模型,并以南京市为例,通过灰色关联分析法筛选出主要影响因素,采用遗传算法优化BP神经网络,构建基于灰色关联分析的GA-BP神经网络需水预测模型。实例应用结果表明,该模型用于需水预测能够比较全面地考虑需水量影响因子,与传统BP网络相比,GA-BP网络预测精度更高,训练速度更快,可作为资料时间序列较短情况下一种较好的需水预测方法。     

基于卸荷及BP神经网络的地下洞室岩体力学参数反演

实时准确地获得地下洞室岩体的力学参数对地下工程的设计和施工具有重要影响。以某软岩区的水电站引水隧洞为例,基于卸荷岩体力学理论,以大型有限差分程序FLAC3D为计算软件,建立BP神经网络模型对开挖后围岩的力学参数进行反分析,并根据现场实测位移资料对反演所得参数进行工程校核,以保证参数取值的准确性。结果表明,该反演方法合理、有效;得到的参数能满足工程要求,可为隧洞围岩的长期稳定和位移变化预测提供理论依据。     

地下厂房洞室群岩体参数的增量位移反分析

考虑大岗山水电站地下厂房洞室群围岩参数获取的复杂性和不确定性,提出针对大型地下洞室群分层开挖的岩体参数增量位移反演分析法,采用粘弹性（H-K）本构模型,基于地下厂房分层开挖实测位移,通过合理选择待反演参数,以每层开挖引起的增量位移计算值与实测值残差平方和为目标函数,利用遗传模拟退火算法优化目标函数,实现各向同性粘弹性参数的增量位移反分析。对反演得到的等效岩体参数进行正演分析,再对后续厂房开挖引起的围岩增量位移进行预测,可进一步判断围岩稳定性。     

基于粒子群算法的神经网络在冰凌预报中的应用

为提高神经网络预报模型的泛化能力和预测精度,将粒子群算法与BP神经网络相结合,建立了粒子与神经网络参数的映射关系,利用粒子群算法全局搜索网络的最优权值,赋值于神经网络进行训练,从而建立了PSO-BP预报模型,并将模型应用于黄河宁蒙河段的冰凌预报中。结果表明,该模型预报合格率较高,属于甲等预报,且与GA-BP模型相比偏差更小、精度更高。     

基于BP神经网络预测的附加质量法密度反演

针对附加质量法堆石体密度反演存在参数获取困难、计算过程复杂等问题,以堆石体刚度和参振质量为影响因素,构建基于BP神经网络的密度预测模型,通过分析基于梨园堆石坝实测资料训练下的网络的训练性能,选取最优预测模型实现密度的反演输出。结果表明,BP神经网络对于附加质量法的密度反演预测具有较高的适应性和精度;与相关法相比,BP神经网络法可避免复杂密度函数的推导,且其反演结果的相对误差保持在局部稳定区间。研究成果为快速解决非线性密度反演问题提供了参考。     

基于思维进化算法优化BP神经网络的渗透参数反演研究

针对传统BP神经网络反演渗透参数的准确性很大程度依赖于初始权值和阈值的选择的问题,引入全局寻优能力极强、待调参数较少、收敛速度快的思维进化算法优化BP神经网络,以弥补传统BP神经网络在解决该问题时拟合能力有限、容易陷入局部最优、收敛速度慢的缺陷,进而提出了思维进化算法优化BP神经网络反演渗透参数的新方法。对某混凝土面板堆石坝进行渗透参数反演结果表明,与传统BP神经网络相比,思维进化算法优化BP神经网络具有更好的泛化能力,反演得到的渗压测点水头与实际值吻合更好,渗透参数符合实际。     

基于遗传神经网络的坝区初始渗流场反分析

为尝试采用遗传神经网络法解决无渗漏量资料的多目标渗流反分析问题,根据遗传神经网络的非线性映射特性,提出了基于遗传神经网络的初始渗流场反演方法,采用正交设计法设计渗流场参数样本,通过有限元分析获得钻孔水位样本,并利用遗传神经网络学习钻孔水位与渗流场各参数的非线性关系得到各参数的反演值。以卡拉水电站右岸坝区为例,反演了岩体和结构面的渗透系数和右岸边界水头,验证表明该方法在渗流场反演中具有较高的精度。     

基于GA-BP的电站锅炉NOx排放特性建模研究

NOx排放模型是电站锅炉实时控制系统的基础。针对普通BP神经网络建模方法收敛速度慢和易陷于局部极值点的问题,提出基于遗传算法（GA）优化BP神经网络的建模方法。通过电站锅炉热态试验获取样本数据,对BP网络隐节点数进行优化后,建立了GA-BP模型。相比BP神经网络模型,该模型训练时间短,拟合误差大大降低。仿真试验表明：GA-BP模型性能得到改善,泛化能力明显提高,能准确预测NOx排放。GA-BP模型可为运行人员提供指导,也可作为电站锅炉实时控制系统的基础模型。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

基于遗传算法:BP网络的空调水系统优化控制研究

针对BP神经网络收敛速度慢和易于陷入极小值的问题,采用将遗传算法全局寻优和BP神经网络局部寻优相结合的方法,提高了BP神经网络的计算精度和收敛速度.应用该模型对空调水系统进行了辨识,并以冷水机组和水泵能耗最小为目标进行优化,取得了满意的效果.     

Modeling a SOFC stack based on GA-RBF neural networks identification

In this paper, a nonlinear offline model of the solid oxide fuel cell (SOFC) is built by using a radial basis function (RBF) neural network based on a genetic algorithm (GA). During the process of modeling, the GA aims to optimize the parameters of RBF neural networks and the optimum values are regarded as the initial values of the RBF neural network parameters. Furthermore, we utilize the gradient descent learning algorithm to adjust the parameters. The validity and accuracy of modeling are tested by simulations. Besides, compared with the BP neural network approach, the simulation results show that the GA-RBF approach is superior to the conventional BP neural network in predicting the stack voltage with different temperature. So it is feasible to establish the model of SOFC stack by using RBF neural networks identification based on the GA.