基于水厂大数据的混凝投药系统智能模型的构建

为实现混凝投药的精准控制,以大型水厂粗粒度数据和细粒度数据为基础,采用箱线图和滑动均值异常数据识别技术的预处理方法,对长短期记忆网络、支持向量机、随机森林、XGBoost等算法建立混凝投药模型的效果进行了评估.研究发现:基于A、B水厂的大数据,采用XGBoost算法建立的混凝投药模型效果均最优,对聚合氯化铝(PAC)和氯化铁(FeCl3)的建模效果评估MAPE分别为3.42和3.72;采用箱线图结合移动平滑的技术对异常值进行处理对建模效果大幅提升;将一种药剂的投加量作为另一种药剂预测的特征值输入的方法,对双药投加模型的预测效果提升有限;原水时均水量、浑浊度、温度、历史加药数据对混凝剂投加量的准确预测有重要影响.     

GA-BP神经网络的钛合金微弧氧化膜层厚度预测模型的建立

利用正交试验法获得的TC4钛合金微弧氧化实验数据建立了基于4-11-1(即4个输入神经元,11个隐含层节点,1个输出神经元)结构的BP神经网络预测膜层厚度的模型,并引入遗传算法(GA)对其权值和阈值进行优化。以微弧氧化工艺参数中的电流密度、脉冲频率、占空比和氧化时间作为网络的输入向量,氧化膜层厚度作为网络的输出向量,对比和分析了BP与GA-BP模型的预测结果。与BP网络模型相比,GA-BP网络模型稳定性能较好,并能高精度预测膜层的厚度,GA-BP网络模型预测值的平均误差为0.015,最大误差仅为0.036,而BP模型预测结果的平均误差为0.064,最大误差为0.099。     

基于遗传神经网络的冰蓄冷空调系统负荷预测研究

针对现阶段冰蓄冷中央空调系统负荷预测的BP(Back Propagation)模型收敛速度慢和容易陷入局部极小点等缺点,结合遗传算法GA(Genetic Algorithm)和BP神经网络,提出了一种GA-BP算法,并在冰蓄冷中央空调负荷预测系统中应用。     

基于混合遗传算法的选矿生产过程能耗预测分析

针对BP神经网络模型进行预测易出现收敛陷入局部极小点、网络震荡大、预测值可信度不高等问题,以鞍钢集团大孤山选矿厂为研究对象,建立了基于混合遗传算法的能耗预测模型。用MATLAB编写计算程序进行测试,并与纯BP神经网络进行分析比较。结果表明,在预测精度和收敛速度方面均得到了改善。     

GA-BP神经网络在钢铁加热炉建模中的应用

基于现场采集的大量的数据,采用BP神经网络建立现场加热炉炉温的非线性模型,并提出利用遗传算法优化BP神经网络的参数与阈值,有效避免了BP神经网络易陷入局部最小值、收敛速度慢的不足。仿真结果表明:在同样的数据集下,GA-BP神经网络的稳定性更好,预测精度更高。     

基于GA＿BP神经网络的地铁车站深基坑变形预测研究

BP神经网络对复杂和高度非线性序列有良好的适用性而被广泛应用于深基坑变形预测中,针对其算法存在收敛速度慢、容易陷入局部极小值、隐含层神经元不确定等不足,本文运用遗传算法对BP神经模型的初始权值和阈值进行了优化,通过郑州市地铁5号线某车站深基坑变形监测实测数据,验证了GA-BP模型能够提高预测精度,泛化能力更好,在时间序列变形数据预测中有较好的适用性和准确性。     

应用优化的BP神经网络模型预测储层伤害程度

为了快速、准确的预测柴西北区N21～N22储层伤害程度,在收集岩心分析资料的基础上,建立了预测储层敏感性伤害的神经网络模型。该神经网络模型运用遗传算法和Levenberg-Marquardt算法对BP神经网络的权阈值进行搜索,改进了以往神经网络模型容易陷入局部最优以及收敛速度慢的缺点,有效提高了网络的收敛性和预测的准确率。仿真结果表明：优化后的BP神经网络模型的敏感性伤害程度预测结果与岩心流动实验结果符合率高,同时,优化后的BP神经网络模型比以往的BP网络模型预测速度快、精度高。     

腐蚀海洋立管剩余强度预测

利用人工神经网络具有的高度非线性映射功能,对在役腐蚀海洋立管的剩余强度进行预测。综合分析了管径、壁厚、腐蚀缺陷长度、腐蚀缺陷深度和管材极限抗拉强度对腐蚀海洋立管剩余强度的影响,建立了反向传播(BP)神经网络预测模型。利用遗传算法(GA)优化BP神经网络的权值和阈值,构建了GA-BP神经网络预测模型。采用DNV-RP-F101标准计算出来的样本数据分别对以上两种网络模型进行训练和预测。预测结果表明:利用人工神经网络对腐蚀海洋立管剩余强度进行预测是可行的,且GA-BP神经网络能够有效地提高网络的收敛性和预测精度。     

基于回归分析和GA-BP神经网络算法的3D打印件弯曲性能预测

为进一步探究熔融沉积成型(FDM) 3D打印参数和制件弯曲性能之间的关系,创建合理的FDM 3D打印制件弯曲强度预测模型。根据正交试验L16 (45)的设计原则和神经网络算法模型的构建要求,按照不同分层高度、填充密度、打印温度、打印速度以及外壳厚度五种因素,制备25组试验试样,并进行弯曲性能检测。随后通过建立GA-BP神经网络模型、传统BP神经网络模型以及多元回归方程模型,分别对FDM 3D打印制件弯曲性能进行预测,并将预测数据与试验测试数据进行对比。通过对比发现,GA-BP神经网络模型预测数据与试验测试数据更为接近,其平均误差为3.71%,且误差值整体波动最小,BP神经网络模型与多元回归方程模型预测精度相差不大,BP神经网络模型预测平均误差为8.05%,多元回归方程模型预测平均误差为9.07%,但多元回归方程误差值整体波动最大。因此,采用GA遗传算法优化后的BP神经网络模型在进行FDM 3D打印制件弯曲性能预测方面具有更高的精度和更良好的稳定性。     

基于优化神经网络的高拱坝力学参数反演

高拱坝力学性能参数变化规律复杂,使用人工智能算法进行预测已经成为反演参数的重要手段。使用遗传算法对神经网络进行优化来检验优化后算法的性能,并比较不同算法应用于参数反演中预测结果的精度。根据某高拱坝运行期变形监测数据,分别使用RBF神经网络和遗传算法优化的BP(GA-BP)神经网络对不同水位工况下的坝段分区混凝土弹性模量进行反演。基于反演结果进行有限元正分析计算,将所得结果与实测数据进行对比,检验反演精度和效率。结果表明:GA-BP网络的最大预测误差为1.8%,相比于RBF网络预测精度提高了约50%。使用神经网络进行拱坝力学参数反演实用性好,优化后的神经网络比传统BP神经网络在计算精度和效率两方面均有明显改进,且GA-BP神经网络反演比RBF神经网络反演精度更高。     

基于机器学习的海水混凝建模与应用

海水混凝过程的建模对海水淡化的水质控制和加药控制有重要意义.针对海水混凝大滞后的特点,提出一种基于机器学习序列模型的建模方法.采用门控循环单元(Gate Recurrent Unit,GRU)编码器和线性网络解码器等结构化单元,建立出水浊度与入水浊度、流量、絮凝剂及助凝剂用量等因素的关系模型.基于实际运行数据的数值实验...     

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。     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。     

基于BP神经网络的臭氧精确投加控制系统

自来水厂采用臭氧化工艺时臭氧投加量通常由生产经验判断确定,缺乏一定的准确性和时效性。根据浙江省T水厂150组实际运行样本数据,选用BP神经网络构建臭氧投加系统的前馈控制模型,能够在给定的工艺参数条件下较好地预测出水水质情况,也可根据进水水质情况和预期出水水质目标对所需的臭氧投加量进行预测。结果表明:基于BP神经网络的臭氧投加模型可以满足不同的水质变化,模拟精度较高,具有明显的优越性,对进一步提高供水安全性、节约制水成本具有重要的推动作用,也为臭氧-活性炭深度处理运行的自动化控制提出了新的理论思路。     

基于SHPSO-GA-BP的成品汽油调和中加氢汽油组分辛烷值的预测

针对成品汽油调和配方建模中加氢汽油组分辛烷值难以实时获取,考虑遗传算法(genetic algorithm,GA)、粒子群算法(particle swarm optimization,PSO)优化反向传播(back propagation,BP)网络存在的问题,提出了一种串行混合粒子群遗传算法(serial hybrid PSO-GA,SHPSO-GA)优化BP网络,并用于辛烷值的预测建模。该方法首先将PSO算法的输出依据适应度值分为优劣2个种群,弃劣留优;然后对留优种群再进行GA的交叉变异操作,进一步优化种群,经过每一代PSO和GA的交替优化,并将最优种群用于BP网络参数优化;最后基于该方法和工业历史数据,建立了加氢汽油组分辛烷值的预测模型,仿真结果表明,较传统BP,以及改进的GA-BP、PSO-BP、PSO-GA-BP等方法,SHPSO-GA-BP由于将PSO与GA进行更优的深度融合,具有更好的预测性能,可以用于辛烷值的预测。     

Biosorption of Pb(II) using Gundelia tournefortii: Kinetics,equilibrium, and thermodynamics

In this paper, the feasibility of Gundelia tournefortii was studied as a novel, high-capacity biosorbent for removing lead ions from synthetic wastewater in a batch system. The effects of various parameters such as temperature, initial concentration, initial pH, biosorbent dosage, and contact time were investigated. Based on batch results, the optimum operating conditions were found to be pH 5, biosorbent dosage of 25 mg, and temperature of 20°C in the range of lead initial concentrations from 5 to 100 mg/L. The equilibrium contact time was 60 min. The biosorption mechanism can be well described by the Langmuir isotherm with a monolayer maximum adsorption capacity of 144.928 (mg/g) at 20°C and a pseudo-second-order kinetic model. Thermodynamic studies proved that the sorption process was physical, spontaneous, feasible, random, and exothermic. In the second step, the ability of artificial neural network (ANN) to predict the adsorption capacity of Gundelia tournefortii for the removal of Pb(II) from aqueous solution was examined. The model was developed using a three-layer feed-forward back-propagation (BP) network with 5, 12, and 1 neurons in the first, second, and third layers, respectively. The Levenberg–Marquardt BP training algorithm (LMA) was found to be the best BP algorithm with a minimum mean squared error of 0.000867 and a minimum relative squared error of 0.032771. The comparison between the results of ANN and experimental data showed that ANN has a superior performance (R²= of 0.998) in the prediction of the Pb(II) removal process.     

Maximum solid concentrations of coal water slurries predicted by neural network models

The nonlinear back-propagation (BP) neural network models were developed to predict the maximum solid concentration of coal water slurry (CWS) which is a substitute for oil fuel, based on physicochemical properties of 37 typical Chinese coals. The Levenberg-Marquardt algorithm was used to train five BP neural network models with different input factors. The data pretreatment method, learning rate and hidden neuron number were optimized by training models. It is found that the Hardgrove grindability index (HGI), moisture and coalification degree of parent coal are 3 indispensable factors for the prediction of CWS maximum solid concentration. Each BP neural network model gives a more accurate prediction result than the traditional polynomial regression equation. The BP neural network model with 3 input factors of HGI, moisture and oxygen/carbon ratio gives the smallest mean absolute error of 0.40%, which is much lower than that of 1.15% given by the traditional polynomial regression equation.     

基于改进BP网络与MISO模型的污水系统建模

利用共轭梯度学习算法改善了BP神经网络的性能,并提出四层BP网络用于污水处理过程水质指标的建模和模拟,在一定程度上避免了采用负梯度方向学习算法收敛速度慢和易陷于局部极小点的缺点,提高了模型的精度,在处理大量数据和在线控制时显得尤为重要;利用改进后的BP网络对某污水处理厂的进出水水质建立了MIMO和MISO模型,并进行了对比和评价分析。     

基于非等间距GM_GRNN组合模型的转炉应用

建立以终点碳和温度为间距的氧气用量非等间距灰色数列预测模型,并利用广义回归神经网络对灰模预测结果进行非线性组合优化,得到氧气质量的综合预测值.通过采集到的某钢厂实际生产数据,建立氧气质量的组合预测模型,得到平均相对精度达到97.39％的一步预测值.验证结果表明该组合模型是准确而有效的.     

萃取精馏溶剂的选择(Ⅰ)溶剂分子QSPR的人工神经网络模型

在分子模拟的基础上选择萃取精馏溶剂首先要建立描述溶剂分子结构与其性质之间定量关系(QSPR)的数学模型。本文采用分子连接性指数(MCI)表示溶剂分子的二维拓扑结构,它不仅可以表示构成分子的原子或基团的种类与数目,而且还可以反映原子或基团之间相互连接的特征;而溶剂主要的性质指标,如选择性与溶解性,都是无限稀释活度因子γ∞的函数。由于分子结构与γ∞之间的关系十分复杂,所以利用人工神经网络(ANN)模型描述溶剂的QSPR。组建了具有广泛代表性的数据库,并采用BP算法对ANN模型进行训练,证明训练成熟的ANN模型可以更准确地计算γ∞,优于当前普遍使用的UNIFAC方法。