基于ABC-BP模型的基坑地表沉降预测

目前基坑工程普遍仅关心地表沉降值是否超出监测预警值,缺乏对基坑地表沉降短期实时预测的有效方法,降低了基坑安全性。利用人工蜂群算法优化BP神经网络的组合模型可合理预测基坑地表沉降。首先,结合灰色相关度理论,对输入变量进行筛选,提高网络结构的高效性;接着,利用人工蜂群算法优化BP神经网络初始值,实现对地表沉降累计最大值及位置的预测;最后,将ABC-BP模型与其他常见神经网络预测模型对比,验证模型有效性。从预测和对比结果中可知,ABC-BP模型训练及预测结果的平均相对误差为3.27%,均方根误差为3.87,验证模型有效。     

死端微滤牛血清白蛋白溶液膜通量的预测

为实现对不同操作条件(操作压力、料液质量浓度和温度)下的牛血清白蛋白溶液死端微滤膜通量的预测,以训练步数、绝对相对误差和相关系数作为预测的衡量指标,并对所建立的3层BP神经网络和RBF神经网络基本模型的内部参数进行了优化.优化的BP神经网络模型的拓朴结构为3-9-1,学习率为0.05,学习/训练函数为traingdx,隐层到输出层的传递函数为logsig,该网络对牛血清白蛋白(BSA)溶液膜通量预测的平均绝对相对误差为2.37%,相关系数为0.9960;优化的RBF神经网络的网络设计函数为newrbe,散布常数为400,该网络对BSA溶液膜通量预测的平均绝对相对误差为4.83%,相关系数为0.987 0.结果表明,BP神经网络优于RBF神经网络.     

基于IABC-RBF神经网络的地下水埋深预测模型

为了验证基于改进人工蜂群算法的径向基函数（RBF）神经网络模型在地下水埋深预测中的可行性和优越性,在基本人工蜂群算法中引入高斯变异算子,优化初始蜜源位置,设计建立基于改进人工蜂群算法的RBF神经网络模型（IABC-RBF）. 通过输入泾惠渠灌区的年降雨量、年渠首引水量、年田间灌溉用水量、年地下水开采量和前一年的地下水埋深共5个相关影响因子的数据,对地下水埋深进行预测,与实测的地下水埋深数据进行比较,误差很小. 与RBF神经网络模型和基于基本人工蜂群算法训练的RBF神经网络模型（ABC-RBF）的预测结果进行比较,结果表明,基于改进人工蜂群算法的RBF神经网络模型收敛速度更快,预测结果误差最小,精度最高.     

BP神经网络算法在页岩气饱和度评价的应用

页岩气储层中高含量的有机质和黏土矿物会对饱和度的计算会产生影响,常规油气储层建立的饱和度计算模型在页岩气储层饱和度评价中存在较大误差,亟需寻求新的途径与思路.本文分析总结了页岩气储层性质及其与含水饱和度的关系机理.利用井中地层密度和铀含量与岩心分析含水饱和度有较好的相关性,通过BP神经网络训练建立新的非电性测井饱和度评...     

基于ELM算法的短时交通流预测研究

针对前馈神经网络(如BP)大多采用梯度速降的方法进行多次迭代,在训练过程存在耗时长,训练速度慢,容易陷入局部极小点等问题,本文根据极限学习机神经网络(extreme learning machine,ELM)算法,对青岛某一路口建立了短时交通流预测模型,同时对采集到的数据用Matlab进行仿真,并与传统的BP神经网络预测结果进行对比分析。分析结果表明,当仿真时间为0.67s时,ELM神经网络算法的最大相对误差为7.45%,平均相对误差为15.95%,均方根误差为28.16,说明采用ELM算法预测的数据和实际数据拟合度更好,并且运算速度更快。因此,本模型相对于传统的BP神经网络具有更好的预测精度和更快的学习能力。该研究适用于市区交通流预测。     

基于孔隙曲折度与等效岩石元素理论的致密砂砾岩导电模型

徐家围子地区深层致密砂砾岩储层岩性成分复杂、储层物性差、分选性差、非均质性强、孔隙结构复杂,给求取储层饱和度参数带来困难.为求取致密砂砾岩储层的含气饱和度,建立孔隙结构复杂的致密砂砾岩储层的导电模型.利用等效岩石元素理论,描述岩石孔隙中孔腔和吼道比对岩石导电性的影响,并引入孔隙曲折度阐述岩石孔隙弯曲程度对岩石导电性的影响;利用串并联导电理论,建立研究区基于孔隙曲折度与等效岩石元素理论的致密砂砾岩储层导电模型.利用徐家围子地区深层致密砂砾岩储层岩电实验数据分析模型精度.结果表明:该模型计算的岩样电阻率值与实验测量值平均相对误差为6.2%,表明该模型能够较好地描述致密砂砾岩储层的导电规律.利用建立的模型及确定的模型参数值对研究区2口试油井进行实际资料处理,2口井含气饱和度大于60%,表明该模型适用于徐家围子地区深层致密砂砾岩储层评价.     

一类改进的人工蜂群算法

对2005年Karaboga提出的模仿蜜蜂觅食行为的人工蜂群算法进行了研究,将粒子群算法中的惯性权重引入到人工蜂群算法中,提出了带惯性权重的改进的人工蜂群算法(Improved artificial bee colony algorithm with inertia weight,ABCIW)的方法.将ABCIW算法应用于求解基准函数的最小值问题,进而应用于优化BP神经网络的参数,对中国手足口病发病人数进行预测.与基本人工蜂群算法、快速人工蜂群算法和带记忆的人工蜂群算法相比较,ABCIW算法更适合解决函数的优化问题.对中国手足口病发病人数的预测说明了ABCIW算法具有较好的预测结果和较高的稳定性.     

基于GA-BP神经网络的柴油机NO_x瞬态排放预测

开发了一种柴油机NOx瞬态排放预测研究的方法,该方法采用BP神经网络进行建模,并加入遗算法优化网络权值弥补BP网络缺陷。模型选取影响NOx排放的控制参数作为输入量。网络训练中采用早停止策略防止训练网络过拟合,保证网络泛化能力。模型总排放预测相对误差为3.63%,尤其对加减速等瞬态变化工况的预测效果更优,相对误差小于3%,可以用于NOx瞬态排放预测,并且模型输入参数多为控制参数,有利于对模型进行深入研究。     

基于微粒群算法的神经网络储层物性参数预测

建立了一个具有自适应、复杂非线性储层预测模型,在计算方法上,由于多层前向型神经网络BP算法存在易陷入局部最优的缺点,而微粒群算法具有较强鲁棒性和全局收敛的优点.结合二者长处,利用基于微粒群算法的神经网络计算方法,对神经网络结构进行了改进.利用四川洛带地区气田的测井资料,用所设计的算法对储层的物性参数(孔隙度、渗透率)进行预测,并对其预测精度与用常规基于BP算法和基于LMBP算法得到的预测结果进行了比较分析,发现地质效果明显,有效地克服了基于BP算法和基于LMBP算法的缺点.     

清漂无人船船体轻量化研究

以清漂无人船质量最轻为设计目标,将船舶设计规范要求的板厚尺寸及最大等效应力、剪应力作为约束条件,通过灵敏度分析筛选确定设计变量。将设计变量进行正交试验,得到神经网络训练和测试样本。构建双隐含层的BP神经网络模型替代耗时的有限元模型,确定应力与设计变量之间的关系,并与不同隐含层的神经网络进行比较,得出双隐含层BP神经网络模型性能更好的结论,从而用其对清漂无人船进行轻量化优化。优化后的船体质量降低10.3%。优化后的船体经有限元分析,满足船舶设计规范要求,说明双隐含层BP神经网络模型在船舶结构设计优化上具有可行性。     

基于WOA优化Elman神经网络的露天矿边坡位移预测

露天矿边坡变形、失稳严重威胁矿山安全生产。为提高露天矿边坡变形预测精度及可靠性,采用鲸鱼算法(WOA)优化Elman神经网络的预测模型,对露天矿边坡位移进行预测。根据Elman神经网络的特点,通过优选输入层节点数、隐含层节点数、传递函数参数,构建最优的Elman神经网络拓扑结构,并通过WOA优化Elman神经网络的权重和阈值,增强Elman神经网络的训练速度及全局寻优能力。以抚顺西露天矿边坡监测数据为例,利用该预测模型进行动态预测,并与经典的BP、Elman神经网络进行比较。结果表明：WOA-Elman模型预测结果的最大相对误差和平均绝对误差分别为0.018%和0.146 mm,模型收敛速度快,稳定性强,为矿区边坡变形预测提供了一种有效途径。     

基于改进遗传算法的BP网络在降雨量预测中的应用

提出了一种改进遗传算法(GA)和BP算法结合的神经网络模型优化方案。首先采用自适应交叉概率和变异概率的遗传算法优化BP网络的权值,在进化结束时,能够寻到全局最优点附近的点;在遗传算法搜索结果的基础上,利用局部寻优能力较强的动量BP算法,从此点出发,进行局部搜索,进而达到网络的训练目标。仿真实验结果表明,在大庆市2000年到2004年6月降雨量的预测方面,遗传算法与BP算法结合的模型预测误差平均为39.13%,标准BP算法的模型预测误差平均为194.66%。说明GA-BP算法模型预报精度较高,预测能力得到了改进。     

基于混沌优化BP神经网络的地面沉降模型

为了合理指导地下水资源开采,有效控制区域性地面沉降,结合混沌优化算法和BP算法设计了一种混沌BP混合算法,并基于混沌优化BP神经网络建立了地面沉降模型．该模型克服了传统BP神经网络模型存在的收敛速度慢、收敛精度低、易陷入局部极小点等缺点,具有较高的拟合精度．为探求各含水组的地下水位值对地面沉降的影响,以华北某沿海城市连续14a的各含水组的年均地下水位值作为输入变量,以4个水准监测点年地面沉降值作为输出变量,训练混沌优化BP神经网络模型,应用训练好的模型对地下水位影响强度进行了分析．结果表明：地面沉降与地下水位存在较一致的响应趋势,各含水组对地面沉降的影响强度依含水组Ⅳ,Ⅲ,Ⅴ,Ⅱ的顺序逐渐减弱．     

基于神经网络算法的人工蜂群算法在地层岩性识别中的应用

合理确定地层岩性对合理选择钻头类型、快速建立岩性剖面、及时发现油气层和卡准取心层位有着重要意义。以录井资料为基础,结合已钻井的测井资料,根据BP神经网络和人工蜂群算法,建立基于BP神经网络算法的人工蜂群算法模型。应用该模型在青海油田某区块进行地层岩性随钻识别试验,试验结果与测井资料解释结果相比,符合率可达91．35％。     

基于电性参数和GA-BP神经网络的砂岩孔渗预测

以地表岩性复杂的四川盆地为采样区,基于神经网络可解决电性参数与储层物性参数之间非 线性映射问题的优势性能,讨论低孔低渗致密储层的砂岩孔渗预测方法。 以密度、电阻率和极化率 等电性参数作为网络模型的输入参数,利用遗传算法(GA)对 BP 神经网络(BPNN)的权值和阈值进 行优化,进而建立并训练 GA-BP 神经网络模型。 与传统的多元回归法相比,GA-BP 神经网络模型 的孔渗预测实验结果更优。     

改进的BP神经网络模型预测充填体强度

为了准确评价和预测充填体强度,采用改进的BP神经网络算法,利用实验室做的18组充填体单轴抗压强度试验结果,建立了充填体强度与影响因素之间的5-7-1网络模型结构(输入层为5个神经元,隐含层为7个神经元,输出层为1个神经元,输入为胶砂比及各胶凝材料掺量,输出为充填体28 d单轴抗压强度).结果表明,改进的BP神经网络对于充填体的强度具有良好的预测能力,建立的网络模型不仅收敛速度快而且训练精度高,对充填体强度的预测结果与训练数据和测试数据的最大相对误差仅为4.23％.     

一种神经网络模型在混凝土配比设计中的应用

本文描述了人工神经网络的模型和算法，给出了BP神经网络模型和算法的相关变量的处理方法。用这种方法，对混凝土配合比试验数据进行分析预测，效果良好。说明BP神经网络模型可用于混凝土混合比强度预测中。     

基于BP神经网络的土壤热导率预测算法研究

在大量实测样本的基础上,通过分析土壤孔隙度和饱和度对其热导率的影响,提出了基于改进学习算法的BP神经网络的土壤热导率预测模型,采用该算法分别对粘土、粉粘、粉土、粉砂4种土壤的热导率进行了预测分析,并与传统回归计算模型进行了比较.实验结果表明,采用的BP神经网络模型能够较精确的预测各种土壤热导率,而且由于神经网络的结构和隐层神经元数固定,因而降低了待设置参数的数目,提高了BP神经网络模型进行土壤预测的适用性.     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法（PSO）,对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明：组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于分布估计算法的对角递归神经网络短期负荷预测模型研究

针对传统的BP算法易陷入局部极小点,收敛速度慢,编程复杂等缺点,本文提出基于分布估计算法的对角递归神经网络的短期负荷预测模型。该模型采用分布估计算法对对角递归神经网络进行优化,仿真结果表明,该预测模型平均绝对误差降低1.097%,最大相对误差降低2.55%,该模型获得较满意的预测精度,具有较高的预测稳定性和较好的适应能力。