灭火中对房屋倒塌的一般预测

在火灾条件下,建筑物随着燃烧猛烈、建筑材料和构件的燃烧与破坏、建筑物随之失去强度,就出现局部或整体的房屋倒塌.房屋倒塌会加强火场空气对流,加剧室内可燃物质的燃烧程度,使室内防火分隔物遭到破坏,火势蔓延加速,给实施灭火增加了困难.另外,会因为事先估计不足,没有采取防护措施,而发生人员伤亡.因此在火场上,对房屋倒塌做一般预测,及时采取有效措施,对保证灭火顺利进行和防止伤亡事故是很有必要的.首先,通过对建筑物外部观察,根据建材质量及受火情况进行预测.建筑物发生火灾后,由于建筑构件的材料不同,受火作用和构件     

基于模糊神经网络的供热负荷预测

为了克服传统BP神经网络预测精度差,易陷入局部极值的缺陷,提出了模糊神经网络系统。利用模糊粗糙集通过历史负荷数据信息的模糊化替代负荷变化的离散化,快速寻找出样本数据间的连续属性的信息,将其与传统BP神经网络结合组成模糊神经网络对热负荷进行预测。实验结果表明:该模糊神经网络预测结果的相对误差很小不超过2%,在短期负荷预测方面具有的优越性。     

燃气小时负荷的模糊神经网络预测

分析了燃气负荷运行变化规律，研究了负荷模型分类模式，采用改进模糊神经网络进行小时燃气负荷预测。     

用模糊神经网络对建筑物变形进行短期预测

提出采用模糊处理与人工神经网络相结合的方法，有效地实现对建筑物变形的短期预测，并用实例加以验证说明。     

基于模糊-RBF BP神经网络的天然气负荷预测

针对天然气负荷变化的特点,综合考虑各种影响因素,提出一种基于模糊-RBF P神经网络的天然气负荷预测模型,并编制了负荷预测软件。在RBF网络模型中采用了最新邻聚类算法,实现了网络结构和参数的双重调节,提高了训练的速度和预测的精度。将该软件应用于实例计算,并与相关模型结果比较,证明该模型可以更加快速准确地预测天然气的负荷值。     

大跨屋盖结构风压分布特性的模糊神经网络预测

针对影响大跨屋盖结构风荷载分布特征的诸多复杂因素,并结合深圳会议展览中心风洞试验项目的研究,本文应用模糊神经网络方法,成功地预测了大跨屋盖结构的风压分布特性。研究结果表明,采用该方法可以综合考虑各种因素的影响,并十分有效、简捷地处理常规方法难以解决的问题,进一步的应用表明这种方法可以用于其它类型建筑物风洞试验的数据处理和风压分布预测。     

一种基于补偿模糊神经网络的水质预测方法

在污水处理系统过程控制中,对水质变化规律进行预测是控制系统可靠、稳定运行的重要环节。介绍了基于模糊逻揖和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点,建立污水处理厂CFNN的水质预测模型。实例预测结果表明该模型对初始值的选择不敏感,具有很好的收敛性和预测精度,适合实际工程应用。     

模糊神经网络在粉煤灰混凝土强度预测中的应用

粉煤灰混凝土强度预测是一个典型的多变量,非线性系统。现在预测的方法准确性较差,难以在实际中被普遍应用。本文将模糊理论与神经网络相结合,综合利用二者的优点,进行粉煤灰混凝土强度的建模与预测。     

基于模糊神经网络变风量空调系统风量预测研究

总风量控制法自提出后,由于其末端动作频繁、通信量大、控制复杂而一直处于研究完善阶段。在空调室的神经网络预测控制系统得出满意的动、静态性能的基础上,将模糊控制与BP神经网络结合,建立了模糊神经网络,对变风量空调系统的风量进行预测,使它们有效地发挥各自的优势并弥补各自的不足,提高了预测的精度。预测结果表明这种改进的控制方式在空调系统的负荷预测方面是有效的、可行的。     

基于BP神经网络的建筑工程承发包价格预测

通过分析已有的承发包价格预测方法,选取BP神经网络对承发包价格发展变化进行预测,并建立基于BP神经网络的建筑工程承发包价格预测模型,以西安市砖混结构住宅为例,证明了该模型具有很好的实用性和可操作性。     

Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption

There are several ways to attempt to model a building and its heat gains from external sources as well as internal ones in order to evaluate a proper operation, audit retrofit actions, and forecast energy consumption. Different techniques, varying from simple regression to models that are based on physical principles, can be used for simulation. A frequent hypothesis for all these models is that the input variables should be based on realistic data when they are available, otherwise the evaluation of energy consumption might be highly under or over estimated.In this paper, a comparison is made between a simple model based on artificial neural network (ANN) and a model that is based on physical principles (EnergyPlus) as an auditing and predicting tool in order to forecast building energy consumption. The Administration Building of the University of São Paulo is used as a case study. The building energy consumption profiles are collected as well as the campus meteorological data.Results show that both models are suitable for energy consumption forecast. Additionally, a parametric analysis is carried out for the considered building on EnergyPlus in order to evaluate the influence of several parameters such as the building profile occupation and weather data on such forecasting.     

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。     

基于RBF神经网络方法的混凝土强度预测

在分析普通混凝土强度各影响因素的基础上,选取6个影响因素组成输入层,以混凝土28 d强度作为输出,建立径向基函数网络,经网络训练和仿真结果对比,表明所建网络结构合理、收敛速度快、精度高,可以满足普通混凝土强度预测要求,具有广泛的应用前景。     

应用人工神经网络预测建筑物空调负荷

用VB编制了人工神经网络的通用BP算法程序。根据西安参考年气象参数，采用动态模拟程序计算了菜办公楼4月至9月逐时冷负荷，结果显示利用神经网络的预测值与计算值吻合。     

关于湿陷性黄土地区建筑规范几个问题的探讨

针对<规范>中对自重湿陷性黄土自重湿陷量△s计算公式中修正系数β0 的取值以及饱和湿陷黄土地基湿陷量的计算方法提出了问题,指出参数的不确定性,提出在工程实践中,应尽量采用现场实测数据参数,以确保工程质量.     

BP神经网络在路面材料抗压强度预测中的应用

应用MATLAB提供的神经网络工具箱作为BP神经网络训练和仿真的平台,并进行语言编程,通过采用不同隐函数节点数进行对比试验,采用精度与误差都合适的节点数进行训练与预测,观察预测的精度,并分析神经网络对抗压强度结果预测的可应用性,从而得出一些有益的结论。     

BP神经网络方法在大坝基岩变形监测中的应用

结合工程实例,利用上游水位,下游水位和气温建立BP神经网络预报模型,应用Matlab神经网络工具箱,采用traingdx算法进行模型训练,对大坝基岩变形进行预测,结果表明,建立的BP神经网络预测大坝基岩变形的模拟值具有较高的精度。     

BP人工神经网络模型在建筑物沉降预测中应用

以BP人工神经网络模型为基础,建立预测模型,以小区某栋建筑物l期～8期的沉降观测数据为输入数据和输出数据,对网络模型进行训练,并对9期～12期实际观测值与预测值进行了比较,结果比较理想,从而验证了采用BP人工神经网络模型进行建筑物沉降的预测是可行的。     

Multiscale computation on feedforward neural network and recurrent neural network

Homogenization methods can be used to predict the effective macroscopic properties of materials that are heterogenous at micro- or fine-scale. Among existing methods for homogenization, computational homogenization is widely used in multiscale analyses of structures and materials. Conventional computational homogenization suffers from long computing times, which substantially limits its application in analyzing engineering problems. The neural networks can be used to construct fully decoupled approaches in nonlinear multiscale methods by mapping macroscopic loading and microscopic response. Computational homogenization methods for nonlinear material and implementation of offline multiscale computation are studied to generate data set. This article intends to model the multiscale constitution using feedforward neural network (FNN) and recurrent neural network (RNN), and appropriate set of loading paths are selected to effectively predict the materials behavior along unknown paths. Applications to two-dimensional multiscale analysis are tested and discussed in detail.