人工神经网络预测供热系统供水温度

建立供热试验系统,试验数据为供水温度、室内温度、室外温度、太阳辐照度,数据采集时间间隔设定为0. 5 h。选取BP神经网络、Elman神经网络,将室内温度、室外温度、太阳辐照度作为输入数据,对供水温度进行预测。选用500组试验数据,对神经网络进行优化训练,确定输入层输入数据组数量以及其他参数。选用50组试验数据,对两种神经网络预测供水温度的准确性进行验证。在2018年2月4日、5日分别进行BP神经网络、Elman神经网络预测能力评价(室内温度设定为16℃)。两种神经网络的输入数据组数量均为7组(即为实现供水温度的预测,除当前时刻试验数据组外,还应输入前6个时刻的数据组)。由BP神经网络、Elman神经网络预测的供水温度与实际供水温度变化趋势基本一致,最大相对误差分别为-5. 66%、4. 32%。由BP神经网络、Elman神经网络预测的供水温度,可以维持室内温度,与设定的室内温度相比,波动范围分别为±1℃、-0. 8～0. 9℃,Elman神经网络的预测能力更强。     

蓄能空调需求响应时段负荷和储释能时长预测

空调参与需求响应能够提高电力系统的稳定性。考虑主动储能的需求响应是通过准确预测蓄能罐的储能、释能时长以及系统的运行负荷来保障策略的合理性和高效性。为此,搭建TRNSYS仿真实验平台获取数据,采用相关性分析和主成分分析,选择输入变量并对其降维,比较5种机器学习算法(BP神经网络、RBF神经网络、广义回归神经网络、Elman神经网络和支持向量回归)对空调系统未来1 h和24 h的静态负荷预测。选择Elman神经网络预测蓄能罐的储、释能时长并利用改进的粒子群优化算法进一步优化,对未来1 h和24 h负荷进行滚动预测。结果表明:相关性分析+主成分分析能提高模型的预测精度,Elman神经网络预测精度最高,利用改进的粒子群算法优化后,该模型对未来1 h和24 h负荷预测的拟合优度R~2值分别从0.790和0.972提高到0.845和0.975;利用Elman神经网络预测储、释能时长R~2值分别为0.993和0.984。     

Elman网络预测燃气小时负荷

简要介绍了BP网络与Elman网络，建立了燃气负荷模型，并利用Matlab软件采用两种神经网络分别对燃气小时负荷进行预测，仿真结果表明在采样点较少，不考虑外部干扰时，在精度上Elman网络明显优于BP网络。     

基于Elman神经网络算法的型钢再生混凝土结构粘结强度预测方法研究

为研究型钢再生混凝土结构的粘结破坏规律及利用Elman神经网络算法预测其粘结强度的方法,选取再生混凝土取代率、再生混凝土强度、再生混凝土埋置长度、型钢保护层厚度、箍筋直径及箍筋间距作为影响因素,设计并制作了36个型钢再生混凝土推出试件.通过推出试验获得了型钢再生混凝土结构的粘结破坏规律并定义了3个平均特征粘结强度.其次,基于试验结果将取代率为0,50％和100％的30个试件作为训练样本建立了型钢再生混凝土构件粘结强度的Elman神经网络模型,最后利用该模型对取代率为30％的9个试件的粘结强度进行了预测.与试验结果对比表明,建立的Elman神经网络模型能够准确地预测型钢再生混凝土结构的粘结强度,神经网络在结构工程领域具有较大的应用前景.     

基于Elman神经网络的排水管网液位预测

建立了排水管网液位的Elman神经网络预测模型,以液位和雨量的监测数据为输入,未来的液位值为输出。提前5、15、45和60 min的预测平均绝对误差分别为2.07%、3.75%、8.39%和9.49%。与BP神经网络对比,Elman神经网络的拟合和预测效果分别提升约23%和21%。结果表明,基于Elman神经网络的管网预测模型具有良好的预测效果,可以为建立排水管网的在线预测预警系统提供有效的方法支持。     

BP神经网络在混凝土性能预测中的研究进展

随着人工智能技术的快速发展,BP神经网络在混凝土性能预测研究中的应用愈加广泛。文章在介绍BP神经网络设计原理的基础上,对BP神经网络在混凝土强度和混凝土耐久性方面的研究现状进行分析,总结BP神经网络在混凝土性能预测研究中的主要特征并提出未来展望,以期为混凝土性能预测相关研究提供理论参考。     

基于神经网络的混凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型:BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射。通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度。另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力。     

基于神经网络的混凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型：BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射。通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度。另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力。     

再生混凝土抗压强度预测方法研究

以BP神经网络在解决非线性问题方面的优越性为指导思想,建立了再生混凝土28 d抗压强度预测模型。利用具有全局搜索优势的遗传算法对BP神经网络进行优化,提高BP神经网络的预测精度。经过查阅相关文献,筛选出较为合适的L-M算法作为训练函数,把收集到的再生混凝土配合比数据代入网络进行训练与预测。结果表明,GA-BP神经网络预测精度较BP神经网络有了进一步提高。     

基于神经网络的温凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型:BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射.通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度.另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力.     

SPSBS,P神经网络及ANFIS在透水性混凝土性能预测中的应用

利用SPSS统计分析软件及建立BP和ANFIS两种神经网络模型,对透水性混凝土的性能进行预测,将3种模型的预测结果进行了比较,研究表明,BP和ANFIS神经网络模型由于综合考虑了影响混凝土强度的各种因素,能够实现非线性关系,具有较高的预测精度,在透水性混凝土性能预测中具有广阔的应用前景。     

SPSS,BP神经网络及ANFIS在透水性混凝土性能预测中的应用

利用SPSS统计分析软件及建立BP和ANFIS两种神经网络模型,对透水性混凝土的性能进行预测,将3种模型的预测结果进行了比较,研究表明,BP和ANFIS神经网络模型由于综合考虑了影响混凝土强度的各种因素,能够实现非线性关系,具有较高的预测精度,在透水性混凝土性能预测中具有广阔的应用前景.     

基于BP神经网络的既有建筑混凝土强度预测

在分析检测数据的基础上,提取了结构服役时间、结构建造时间、结构检测时间、混凝土设计强度和混凝土碳化深度等特征参数,建立了预测既有建筑混凝土强度退化的人工神经网络模型。采用动量法和自适应调整法改进了BP算法;采用训练好的BP神经网络对既有混凝土强度最小值和混凝土强度最大值进行了预测,并与实测值进行了对比。结果表明:利用BP神经网络对既有建筑混凝土强度退化进行预测是可行的,该研究成果可为既有建筑大面积的抗震性能普查提供参考。     

三种神经网络在混凝土强度预测中的应用

通过建立改进的BP和RBF两种神经网络模型，对混凝土的强度进行预测，将预测值与常规BP神经网络模型预测结果进行了比较，研究表明，改进的BP和RBF的神经网络模型能够充分考虑影响混凝土强度的各种因素，在强度预测中具有广泛的应用前景。     

基于拌和生产数据的BP神经网络混凝土抗压强度预测

为解决混凝土生产中抗压强度试验周期长及工程管理存在滞后性的问题,提出了一种基于混凝土拌和生产实时监控数据的BP神经网络混凝土抗压强度预测模型。以混凝土拌和生产中的8项物料生产称重数据和5项生产配比数据作为预测输入变量,建立200组混凝土拌和站生产监控数据和对应的抗压强度试验数据样本集,按照6∶2∶2比例划分为训练集、验证集和测试集;分别以C40配比混凝土拌和生产的8项物料称重数据和全部13项数据作为输入变量,进行混凝土28 d抗压强度预测,将预测结果与实际试验结果进行比较,验证所提出BP神经网络模型的预测效果。结果表明：所提出的BP神经网络混凝土强度预测模型能较好地实时预测混凝土28 d抗压强度,且相对误差优于利用7 d抗压强度试验数据估算值;8项物料称重数据作为输入变量的BP神经网络预测模型预测精度更好,平均绝对百分比误差为0.82%,均方根误差为0.52 MPa;利用不同拌和站C20配比、C30配比混凝土拌和生产监控数据对8项输入变量BP神经网络混凝土抗压强度预测模型进行适应性验证可知,其预测平均绝对误差均在0.5 MPa之内,平均绝对百分比误差均小于2%,与C40配比预测误差一致...     

自密实混凝土工作性能和强度的BP神经网络预测

如何在进行自密实混凝土配合比设计前对其工作性能和强度进行有效预测,为配合比设计提供指导,是一大难点。利用BP神经网络,对自密实混凝土的工作性能(坍落度和扩展度)和28 d强度进行预测。结果表明,利用大量试验数据样本训练的BP网络可以预测不同情况下的自密实混凝土的坍落度、扩展度和28 d强度,预测精度高。     

自密实混凝土工作性能和强度的BP神经网络预测

如何在进行自密实混凝土配合比设计前对其工作性能和强度进行有效预测,为配合比设计提供指导,是一大难点。本文利用BP神经网络,对自密实混凝土的工作性能(坍落度和扩展度)和28d强度进行预测。结果表明,利用大量试验数据样本训练的BP网络可以预测不同情况下的自密实混凝土的坍落度、扩展度和28d强度,预测精度高。     

基于智能算法的河港码头混凝土碳化深度预测

由于混凝土碳化所引起的河港码头构件材料性能劣化是导致其整体结构发生耐久性失效破坏的主要原因之一,混凝土碳化深度的预测以及结构物服役寿命的评估是河港码头运行维护过程中的关键。然而,基于Fick第一定律的传统碳化深度预测方法所得结果的精度与实测样本容量的大小呈正相关,当实测样本值有限时,其预测精度难以保证。为此,针对有限样本支撑下河港码头混凝土碳化深度预测难、精度低等问题,提出了一种基于人工智能的计算方法,用以更加精确地预测河港码头混凝土的碳化深度。该智能算法包括BP神经网络模块与樽海鞘群算法(SSA)模块,SSA模块负责修正BP神经网络模块的设置参数,完成BP神经网络设置参数的自适应优化;BP神经网络模块主要负责利用SSA模块得到的设置参数对样本进行训练及测试,两者交叉融合,实现对河港码头混凝土碳化深度的精确预测。对融合BP神经网络和SSA的算法流程及实施步骤进行了详细描述,并通过试验实测数据验证了智能算法预测混凝土碳化深度结果的精度及可行性。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。