基于BP神经网络的土体抗剪强度参数的预测

通过BP神经网络方法,利用某高速公路工程黄草坝滑坡体的土工试验数据,建立合适的预测模型,然后利用该模型来预测该滑坡体的抗剪强度指标并与土工实验结果相对比,结果表明,该模型对土体的抗剪强度进行了很好的预测,对土体工程具有重要的应用价值。     

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...     

基于人工神经网络的压弯钢筋混凝土柱侧向承载力的预测

双向压弯钢筋混凝土柱侧向承载力的计算比较复杂,它受截面尺寸、轴压比、混凝土强度、加载角度、剪跨比及配筋等诸多因素影响。基于BP神经网络技术,提出双向压弯钢筋混凝土柱侧向承载力的预测模型。以影响柱侧向承载力的主要因素为参数,用数值模拟结果,建立模型,并验证BP神经网络模型对双向压弯钢筋混凝土柱侧向承载力预测的效果良好。     

基于神经网络的钢筋混凝土剪力墙抗剪承载力研究（英文）

神经网络(ANN)模型作为土木工程领域中一种有效的方法能够用于解决复杂的问题。基于试验数据采用神经网络对钢筋混凝土剪力墙的抗剪承载力进行预测,收集160个钢筋混凝土剪力墙在低周往复荷载下的试验数据,建立数据库,选取140个试验样本对ANN模型进行训练,20个试验样本进行测试验证。ANN1和ANN2有14个输入参数:混凝土抗压强度、剪跨比、轴压比、竖向钢筋强度、横向钢筋强度、墙体竖向分布钢筋配筋率、墙体水平分布钢筋配筋率、边缘构件纵向钢筋配筋率、边缘构件横向钢筋配筋率、边缘构件与截面面积比、截面高厚比、总截面面积、墙高和截面形状,输入数据分别被归一化到区间[0,1]和[0.1,0.9]。两个模型的输出数据均为剪力。对比分析ANN模型预测的钢筋混凝土剪力墙抗剪承载力与采用规范GB 50011和ACI 318-14公式计算的抗剪承载力,结果表明,神经网络模型能够精确地预测钢筋混凝土剪力墙的抗剪承载力,具有较好的预测和泛化能力。     

基于CPTU数据融合技术的黏性土应力历史与强度特性评价研究

超固结比(OCR)和不排水抗剪强度(S_u)是土的基本力学参数,对土体沉降变形分析和稳定性计算具有重要影响。采用数据融合技术,结合孔压静力触探(CPTU)测试数据,提出了江苏典型黏性土超固结比和不排水抗剪强度的预测模型。利用特征级数据融合技术(回归树、模型树)与决策级数据融合技术(自举聚合、堆叠泛化)对预测模型的可行性进行分析。将土的超固结比和不排水抗剪强度的预测值、室内试验所得到的参考值以及CPTU传统方法所得到的估计值进行对比分析。结果表明,模型树预测结果比回归树要好,决策级融合算法可以提高回归树的预测结果,但对模型树的预测结果影响较小;叠加回归树和模型树的预测结果会使其预测的不排水抗剪强度比回归树预测的结果要好,但比模型树预测的结果要差;对于几种数据融合模型,OCR预测值大致相当,回归树模型在预测OCR方面稍优于其他数据融合模型,数据融合技术能更好地预测土的超固结比和不排水抗剪强度。     

基于神经网络的混凝土柱峰值承载力预测

提出了基于人工神经网络预测钢筋混凝土柱峰值承载力的方法。该方法采用5个设计参数作为神经网络的输入:混凝土强度、轴压比、剪跨比、纵筋配筋率和纵筋屈服强度。为验证该方法的可行性与有效性,基于PEER 154组实验数据,利用神经网络模型对矩形混凝土柱的峰值承载力进行预测并与经验模型的预测结果进行比较。比较分析结果表明:神经网络模型预测结果与实验结果吻合度远高于其他经验模型;同时也表明神经网络为精确预测结构在地震作用下的性能提供了一种新方法。     

遗传优化的BP网络预测路基沉降

针对传统的BP神经网络存在收敛速度慢、易陷入局部极小点的缺点,提出了基于遗传优化的BP神经网络预测方法并建立了路基沉降预测模型。将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统的BP神经网络预测模型对比,结果表明遗传优化的BP神经网络在路基沉降预测中精度最高,适宜广泛采用。     

基于序列分解法的城市月需水量预测研究

为更好地满足用水需求,提出一种基于BP神经网络、非线性回归、自适应模糊推理系统(ANFIS)的月需水量组合预测模型。首先通过Daubechies小波将月需水量序列分解为趋势项、周期项、随机项,然后利用BP神经网络、非线性回归及ANFIS模型分别对各分解项进行曲线拟合,最后采用拟合的公式进行预测。针对该模型,采用C市2007年1月至2015年12月的数据进行训练,并应用2016年1至3月的数据进行测试。与单BP神经网络模型预测结果的对比表明,该模型对月需水量预测具有较高的精度。     

无黏性管涌型土的BP神经网络判别法研究

运用基于Matlab的神经网络工具箱(NNT)建立无黏性管涌型土的预测模型,并分别以试验数据为研究对象,运用BP神经网络模型对该段土样的渗透破坏形式进行预测。预测结果与规范及试验所得结果相同,说明了基于Matlab的BP神经网络运用于无黏性管涌型土预测的可行性和应用价值。     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。     

基于CPTu数据的黏性土不排水抗剪强度#br# 神经网络预测

利用人工神经网络模型,建立基于孔压静力触探（CPTu）现场测试数据的黏性土不排水抗剪强度的预测方法。为建立和验证人工神经网络模型,在3个场地开展CPTu和十字板剪切现场测试,共取得33个测孔的CPTu试验数据和相对应的不排水抗剪强度实测值。通过对比分析不同输入向量、不同网络隐层数、不同神经元数及不同改进算法对人工神经网络模型性能的影响,确定人工神经网络模型的具体形式。通过对训练组数据开展机器学习,所建立的人工神经网络模型能够有效地基于CPTu获得的端阻力和孔隙水压力现场测试数据对黏土不排水抗剪强度进行预测,预测结果与十字板剪切试验实测结果非常接近。与传统用于估算不排水强度的经验关系相比,采用人工神经网络模型预测结果与实测结果相关性显著提高、误差明显降低。     

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。     

BP神经网络在水厂预测混凝投药量中的应用研究

建立了一种基于三层结构BP神经网络的混凝投药量前馈控制模型,采用烧杯试验数据进行了仿真验证,同时建立了传统的线性回归混凝投药量前馈控制模型,并采用两种模型基于同一样本数据进行仿真。从投药预测值一实际值的对比图和均方根误差等可以看出,BP模型优于回归模型,它通过学习可以根据原水水质进行投药量的有效预测,有一定的自适应性,实用性较强,但也存在一定的局限性,对某些水质的投药预测值还存在一定误差。     

基于GA-BP神经网络的UHPC抗压强度预测与配合比设计

开展了不同配合比条件下超高性能混凝土(UHPC)的制备与抗压强度试验,并结合已有数据形成了神经网络训练样本;根据UHPC原材料组成和性能需求设计了包含神经网络输入层(7节点)、隐层(8节点)和输出层(1节点)的拓扑结构,并引入遗传算法(GA)优化了UHPC抗压强度预测网络的初始权值和阈值;采用试验样本模拟训练了不同配合比条件下的UHPC抗压强度预测GA-BP神经网络,并以此为基础建立了基于不同性能需求的配合比设计方法.对比试验数据和传统BP神经网络方法计算结果发现,GA-BP神经网络能更好地指导UHPC抗压强度预测和配合比设计.     

型钢高强混凝土框架柱位移延性系数研究

基于80根混凝土设计强度等级为C60—C80的型钢高强混凝土(SRHSC)框架柱的低周反复加载试验结果,对其位移延性系数进行研究。基于MATLAB利用人工神经网络原理建立4-6-1型BP神经网络模型,分析了混凝土强度、轴压比、体积配箍率和剪跨比等试验设计参数对SRHSC框架柱位移延性的影响规律和机理。结合各因素对SRHSC框架柱位移延性的影响规律,建立位移延性系数计算模型。通过对试验数据和网络预测数据进行多元非线性回归分析,得到考虑多影响因素的SRHSC框架柱位移延性系数经验公式。研究成果可为SRHSC框架柱的抗震与优化设计提供参考。     

边坡稳定分析的神经网络方法

论述了BP神经网络的基本原理和算法,研究了MATLAB下的BP神经网络工具箱在边坡稳定性分析中的应用。采用影响边坡稳定性的复合指标,建立了BP预报模型。用收集到的边坡数据样本训练和测试BP神经网络模型,结果表明该BP神经网络预测边坡稳定性是可行的、有效的。     

基于 SVR 的工程建设项目快速投资估算方法研究

在建设项目前期,如何快速而准确地估算工程项目的造价,对项目的投资决策具有很大的意义。针对传统造价估算 方法的不足之处,采用 SPSS 统计分析软件进行工程造价指标的相关性分析及指标体系选取,将之作为输入变量,使用真实 案例训练集样本训练 SVR 模型并进行仿真模拟预测。为了验证提出的 SVR 模型的有效性,引入 BP 人工神经网络来进行预 测结果的对比验证。结果表明,SVR 模型得到的预测值平均绝对百分比误差约为 5%,拟合优度 R2高达 0.97,远小于 BPNN 模型的预测误差 14%,即提出的 SVR 估算模型要比 BP 人工神经网络预测模型具有更良好的泛化能力,预测精度更高,因 此其在工程项目前期投资估算实践中具有一定的现实意义。     

基于性价比优化的混凝土配方设计模型

收集了502组混凝土配方作为训练数据,基于BP神经网络、遗传算法及粒子群算法,构建了一种混凝土配方设计模型,可用于控制混凝土成本和配方优化.所构建的模型考虑了混凝土的原材料成本以及影响混凝土抗压强度的多个关键因素,引入惩罚函数对粒子群算法的目标函数适应度值进行惩罚,解决了混凝土配方设计中非线性约束离散变量问题和连续变量问题,从而达到控制混凝土成本并优化配方的目标.按照构建模型输出27组降低成本后的混凝土配方,并进行抗压强度试验,结果表明：所得配方成本与目标成本的契合度接近97%;降低混凝土单方成本5、10、15元后,所输出的配方均能满足混凝土立方体抗压强度要求.     

粗粒土BP神经网络本构模型研究

为了描述具有应力应变关系非线性和剪胀性的粗粒土本构特性,利用改进的BP神经网络算法,通过优选网络结构和对粗粒土的大型三轴固结排水剪试验数据样本学习,建立了一个以平均主应力p和广义剪应力q作为网络输入向量、以体应变εv和剪应变εs作为网络输出向量的粗粒土BP神经网络本构模型。利用此模型对粗粒土的应力应变关系进行了预测,整体预测结果的最大误差均在10%内。预测表明本神经网络模型具有良好的预测精度和适用性。