基于BP神经网络的砂土地震液化分析

基于已有的砂土地震液化资料，利用3层BP神经网络模型，对国外7个地震现场实例进行了预测，网络输出结果与实际情况十分吻合。实例研究表明，神经网络用于预测砂土地震液化是有效而可行的。     

基于实码加速遗传算法的投影寻踪方法在砂土液化势评价中的应用

探讨了利用实码加速遗传算法的投影寻踪方法建立的地震砂土液化势评价模型，并给出了相应算法和流程。实例表明，应用投影寻踪方法来评价砂土液化势是有效可行的，且取得了理想的结果，也为地震液化可视化评价提供可能。     

路基砂土液化等级的BP网络预测研究

提出了一种基于BP神经网络模型的路基砂土液化等级的预测方法。提出用MATLAB7自带的神经网络工具箱编程来实现这个系统,并给出工程实例和程序,训练数据和预测数据来自相距甚远的河北唐山和广东三水两个地区,而预测效果和准确度均较好,说明利用BP网络预测砂土液化等级是完全可行的。     

基于径向基函数神经网络模型的砂土液化概率判别方法

以国内外25次大地震中的344组场地液化实测资料为基础,通过径向基函数神经网络模型的训练和检验,分析了修正标准贯入击数N1与饱和砂土抗液化强度之间的非线性关系,建立了饱和砂土液化极限状态曲线或抗液化强度临界曲线经验公式。经统计分析,给出了液化和非液化的概率密度函数以及抗液化安全系数与液化概率之间的经验公式,最后导出了具有概率意义的饱和砂土抗液化强度经验公式。当液化概率水平为50%时,即等价于传统的确定性砂土液化判别,该方法预测液化和非液化的可靠性分别为90.4%和81.2%,具有较高的可靠性。本文提出的砂土液化概率判别方法,使工程场地的砂土液化概率判别如同确定性砂土液化判别一样简单、方便,从而使砂土液化概率判别方法用于工程实践和纳入有关规范成为可能。     

GA优化BP神经网络在多参量火灾探测中的应用

针对BP神经网络的随机权重和阈值稳定性不高的问题,运用遗传算法(GA)对BP神经网络的初始权重和阈值进行优化,提出了一种基于GA优化BP神经网络的多参量数据融合方法以实现火灾探测,提高火灾探测准确率和模型泛化性能,并利用该模型对标准明火和阴燃火中的温度、烟雾浓度和CO浓度进行数据融合实现火灾探测.研究显示,相较单纯BP...     

基于循环神经网络的砂土液化预测模型

为快速准确地预测砂土地震液化,选取贯入深度、标准击数、细粒含量、地下水位、总垂向应力、有效垂向应力、地震震级和地表归一化峰值水平加速度等8个参数作为液化判别因素,提出了一种基于改进自适应算法(Rectified Ad-am)和循环神经网络模型(RNN)的地震液化预测模型(RA-RNN模型).通过对Hanna等建立的SP...     

基于GA—BP神经网络的大型公共建筑能耗预测研究

针对大型公共建筑高能耗问题,将影响能耗的因素进行定量与定性分析,提出了遗传算法和神经网络相结合的大型公共建筑能耗预测模型。采用GA算法优化BP神经网络的权值和阈值的方法对大型公建能耗预测模型进行分析,并结合实例验证了该模型的有效性。结果表明：较传统的BP神经网络,该模型能更准确地预测大型公共建筑能耗,并且为其确保用能定额和节能工作的开展提供了科学依据。     

基于GA改进BP神经网络的建设工程投标报价研究

在建设工程项目投标报价过程中,如何来确定标高金直接关系到承包商能否中标和盈利以及施工企业今后的生存与发展。提出基于遗传算法(GA)优化BP神经网络的标高金预测方法。在分析BP神经网络基本原理的基础上,主要阐述了如何应用遗传算法来改进BP神经网络收敛速度慢和易于陷入极小值等缺点。对BP神经网络模型隐含层节点数进行优选后,建立起GA改进BP神经网络的标高金预测模型;最后应用该模型和一般BP神经网络模型对20个典型国际工程实例的标高金进行计算和预测。计算结果对比发现,经遗传算法改进后的BP神经网络模型在降低计算和预测平均误差的同时,迭代次数比一般BP神经网络模型也大大减少了。因此,该模型适用于求解如建设工程投标报价等非线性问题。     

突变理论在砂土液化分析中的应用

突变理论主要研究事物的突变及不连续性态，目前在井巷围岩位移的判定及利用坡脚隆起位移研究滑坡方面得到了应用。砂土在振动作用下，从稳定状态到液化，具有突变性。基于突变理论对砂土液化安全系数的分析，建立了基于砂土液化安全系数法的突变模型，并针对历史场地砂土进行了分析计算，其结果与抗液化剪应力法和现场液化情况较吻合，表明突变理论应用于砂土液化分析是有效、可行的。     

岩质边坡稳定性判别和砂土液化预测的CP神经网络法

本论文采用人工神经网络的一个模型－ＣＰ网络来进行岩质边坡稳定性判别和砂土液化预测。本论文有ＣＰ网络成功地建立本的各影响因素与判别之间的高度非线性映射。应用结果表明,ＣＰ网络为木工结构模式分类提供了良好的应用前景,使模式分类过程更为直观、简化和精确。     

基于遗传算法的BP神经网络模型在地下水动态预测中的应用研究

地下水系统是一个复杂的非线性动力系统,地下水系统的输出(地下水位)与输入(降水入渗、蒸发、人工开采等)具有非常复杂的非线性关系。神经网络以其强大的处理非线性系统的能力而在地下水水位预测中得到了广泛的应用,它与传统的统计分析模型相比,具有更好的持久性和适时预报性,且能用于解决同时存在多个自变量和多个因变量的地下水系统预报问题。但是由于网络输入存在多重共线性,导致网络泛化能力不高,降低了网络的预测性能;并且在求解时易陷入局部极小,且收敛速度慢。针对以上问题提出了基于遗传算法的BP神经网络地下水动态预测模型。先用遗传算法优化确定BP网络的初始权阀值,然后应用LMBP算法在这个解空间里对网络进行精调,搜索出最优解或近似最优解。这样既实现了两者的优势互补,发挥了神经网络广泛的映射能力和遗传算法的全局搜索能力,也加快了网络的学习速度,综合提高了整个学习过程中的逼近能力和泛化能力。本文以Matlab7为平台设计了计算过程和具体的实现方式,还以分布于元宝露天矿区的6眼监测并为例,分别采用基于遗传算法的BP神经网络模型和BP神经网络模型对研究区的地下水位进行了短期预测,从对比分析的结果来看基于遗传算法的BP神经网络模型明显优于BP神经网络模型,是一种预测短期地下水位比较理想的预测模型。     

遗传-BP神经网络法预测叶绿素a浓度变化

基于2009年—2010年对临江河回水区水质指标的监测数据,采用遗传算法结合BP神经网络的方法对回水区的叶绿素a(Chl-a)浓度变化进行动态模拟预测。通过灰色关联法确定了对Chl-a浓度有显著影响的指标与网络输入变量,即水温、DO、流速、透明度(SD)、TP、CODMn及Chl-a。模拟结果表明,遗传-BP神经网络的预测值和实测值吻合较好,其相对误差约为9.8%,模型可良好地用于次级河流回水区叶绿素a浓度的短期预测。预测结果表明,在春末夏初季节,当水库蓄水位为150～160 m时,临江河回水区富营养化潜势较高,尤其应注重临江河该时段富营养化的防控工作。     

遗传算法优化管网神经元网络模型

拟利用BP神经元网络建立杭州市供水管网宏现状态模型。针对传统BP网络学习速度慢、网络结构难以确定等问题，引进遗传算法来优化改进算法的BP神经元网络的拓扑结构，模型预测结果较为理想。     

基于遗传算法和BP网络的岩爆预测

选取影响岩爆的一些关键指标,例如脆性系数、弹性应变能指数、应力强度比等作为输入参数,采用经遗传算法优化过的BP网络,对岩爆的发生及其烈度进行了预测.针对国内外一些地下工程的实例进行了分析计算,预测结果与实际情况是符合的,说明这种方法有一定的实际意义.     

神经网络遗传算法与混合波阻抗反演

神经网络算法可以建立属性参数与预测目标之间的高度非线性映射,遗传算法有选择适者生存的特点,神经网络算法与遗传算法构成的混合波阻抗反演具有精度更高,收敛速度更快的优势。本文简述了BP神经网络算法和遗传算法的基本原理,用理论模型比较了BP人工神经网络、遗传算法与混合波阻抗反演各自的特点,用实际地震资料检验了混合波阻抗反演的实用性。     

基于小生境等维BP神经网络的沉降预报

针对传统BP神经网络全局优化能力低、无法学习的缺陷,引入遗传算法中的小生境技术,研究了基于小生境等维BP神经网络模型,同时利用MATLAB进行编程实现。该模型的核心思想是借助小生境遗传算法优化神经网络的连接权和阈值,进而提高了等维BP神经网络模型的全局优化能力,改善了模型的收敛性。结合宁波某大楼沉降监测实例,利用小生境等维BP神经网络、GM(1,1)模型、等维BP神经网络模型分别对沉降数据建模预测,结果表明,小生境等维BP神经网络模型更加符合实际情况、预测效果更佳。     

BP神经网络模型在地下水质量评价中的应用

介绍了BP神经网络的基本原理和计算方法。采用6-11-5三层拓扑结构的BP神经网络模型对伊通河下游地下水质进行评价,并与内美罗指数法、模糊综合评判法和物元可拓法评价结果比较。结果表明BP神经网络计算简便、评价结果客观准确,很好地反映了地下水质量的总体状况。     

基于BP神经网络对BT项目风险的评价

BT融资模式是加快城镇化发展过程中,大型基础设施项目建设的主要融资方式,准确地对BT工程项目的风险等级进行评价,有助于降低投资人的风险损失。为了更好地评价BT工程项目的风险等级,克服传统风险分析方法的不足,建立BP神经网络模型。本文以A市地铁BT工程项目为例,首先建立该项目的风险评价指标体系,然后确定合适的BP神经网络模型参数。在大量经验数据的基础上,对BP神经网络模型进行了训练与检测,通过试验发现构建18-17-1三层BP神经网络模型对风险等级的评价结果精度最高。最后通过此模型对A市地铁BT工程项目的风险等级进行了评价,取得较好的效果。     

BP神经网络算法对建筑保温材料性能的预测

针对建筑保温材料性能表征十分复杂、困难的情况,利用人工神经网络BP算法,建立了复合保温材料性能预测模型,模型由3层神经元组成,分别为输入层、隐含层和输出层。以炉渣复合材料性能与成分的关系为研究对象,采取108组实验数据对神经网络进行8 000次训练,神经网络输出值的平方平均误差为0.000 12。然后,选用18组实验数据对训练成熟的试验神经网络模型进行检测,并把检测样本的神经网络输出值和试验值进行比较。结果表明:所建立的网络能反映炉渣复合保温材料与材料性能之间的关系,为实验设计提供了新的思想,节省了时间和劳动力。     

基于遗传神经网络沥青混合料体积指标的预估

介绍了BP、遗传算法（GA）优化BP两种神经网络,并以此分别对沥青混合料的体积指标（VMA和VV）进行预测,实验结果表明,基于遗传算法（GA）优化BP神经网络的沥青混合料体积指标预测方法,能够使网络收敛速度加快并避免局部极小。GA-BP神经网络在收敛速度和预测精度方面均优于BP神经网络,从而为沥青混合料体积指标的预测提供了一种新思路。