GA-BP神经网络在钛合金微弧氧化膜厚度预测上的应用

采用微弧氧化技术制备钛合金微弧氧化膜。通过正交试验得到了不同电解液组成下的膜层厚度,借助Matlab软件建立4-11-1的BP神经网络模型,利用遗传算法对网络的权值与阈值进行优化。优化后的网络能够较好地反映电解液参数与膜层厚度间的内在规律。与BP神经网络模型相比,GA-BP神经网络模型的预测精度更高。     

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。     

基于遗传算法优化的BP神经网络气化用煤灰流动温度预测模型

采用遗传算法优化的BP神经网络建立煤灰流动温度预测模型，模型以灰成分及酸碱质量比、硅铝质量比等组合参数作为输入变量，以煤灰流动温度作为输出量，对126组来自中国北部地区的煤灰样数据进行训练与测试，并建立常规BP神经网络模型，研究了各输入变量对网络模型预测精度的影响并对比与常规BP神经网络模型的预测能力。结果表明：不同输入层变量的GA-BP神经网络模型对训练集和测试集样本数据都具有较好的学习和泛化能力，所有预测结果相对平均预测误差均不超过4%。酸碱质量比和硅铝质量比参数作为神经网络输入层的添加，虽略微提高模型对训练样本的拟合程度，但也导致验证时过拟合现象的发生，模型对新样本的拟合优度下降。采用SiO₂,Al₂O₃,Fe₂O₃,CaO,MgO和Na₂O+K₂O的质量分数6个参数作为输入变量的GA-BP模型最为适合，其对测试集数据的预测相对平均误差为3.45%,低于常规BP神经网络模型3.79%的误差。     

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。     

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RBF神经网络的挤出吹塑中型坯尺寸的预测

在利用BP神经网络预测挤出吹塑中型坯尺寸工作的基础上,采用径向基神经网络(RBF)来预测挤出吹塑中型坯尺寸,并与BP神经网络的预测结果进行了比较。结果表明,虽然RBF与BP神经网络均能较好地预测挤出吹塑中型坯尺寸,RBF网络的训练时间比BP少很多,只是BP的0.7%。     

基于BP、RBF神经网络的含蜡原油蜡沉积预测

基于冷蜡沉积实验装置所得实验数据,在分析BP、RBF神经网络结构原理的基础上,采用BP神经网络和RBF神经网络分别建立蜡沉积速率模型,计算预测蜡沉积速率,并且对比相同实验数据下两类神经网络模型对蜡沉积预测的精度。结果表明,BP神经网络和RBF神经网络预测精度均满足要求。BP神经网络预测时间要比RBF神经网络更长,而且当神经网络维数增加时预测值的精度不一定会增加;在模拟时要反复尝试隐含层节点个数和其他参数,而RBF神经网络在数据的训练过程中就已给出隐含层节点个数,学习速度更优于BP神经网络,对新数据的适应性更好,在满足精度条件下更易得到最优解。     

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GA-BP网络混凝投药系统预测模型的研究

针对BP网络建模易陷入局部极小、收敛速度慢等缺点,建立GA-BP网络预测模型,为混凝投药系统生产指导提供决策依据。利用遗传学习算法具有全局寻优的特点,同时优化BP网络的初始权值和网络结构,建立GA-BPNN混凝投药的预测控制模型。通过算法比较和模型仿真结果分析,GA-BP混合模型较BP模型收敛速度快,其平均预测相对误差仅为9.94%,预测精度远高于BP模型。表明GA-BP模型可以有效、可靠地用于混凝剂投加量预测控制系统的生产指导中。     

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。     

应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率

焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。     

Predictive control of SCR denitrification system in thermal power plants based on GA-BP and PSO

Aiming at the characteristics of strong non-linearity and large inertia in the reaction process of a selective catalytic reduction (SCR) denitrification system, a predictive control algorithm based on a back propagation neural network optimized by genetic algorithm (GA-BP) and particle swarm optimization (PSO) is proposed. First, the prediction model of a SCR denitrification system is established by GA-BP. Second, output feedback and bias correction are used to reduce the prediction error. Third, the optimal inlet ammonia concentration is obtained by PSO. At the same time, in order to solve the problems of high dimension, large noise, and strong coupling in the original data of the SCR system in the process of establishing the prediction model, the least absolute shrinkage selection operator (LASSO) algorithm and the local outlier factor (LOF) detection algorithm are used to screen important variables and samples in the original data set of the SCR system to remove redundant variables and outliers. Finally, the simulation results show that the prediction model has good prediction accuracy and that the proposed predictive control method can achieve accurate control of ammonia injection concentration. This method improves the denitrification efficiency and reduces the NO_x emission concentration, which can provide good guidance for on-site production.     

Melt index prediction by RBF neural network with an ICO‐VSA hybrid optimization algorithm

Melt index (MI) is considered as one of the most significant parameter to determine the quality and the grade of the practical polypropylene polymerization products. A novel ICO‐VSA‐RNN (RBF neural network with ICO‐VSA algorithm) MI prediction model is proposed based on radial basis function (RBF) neural network and improved chaos optimization (ICO), and variable‐scale analysis (VSA), where the ICO is first added and then combined with the VSA to overcome the defects of ICO and VSA, then the parameters of the RBF neural network are optimized with them. At last, the RBF neural network model for MI prediction model is developed. Further researches on the optimal RBF neural network model of MI prediction are carried out with the data from a real industrial plant, and the prediction results show that the performance of this prediction model is much better than the RBF neural network model without optimization. © 2012 Wiley Periodicals, Inc. J Appl Polym Sci, 2012     

多级库存集成模型优化预测研究

以供应链多级库存为研究背景,建立以生产为中心的供应、生产和销售3个环节的多级库存集成化动态模型,并对模型进行仿真优化。结合训练神经网络的混合算法GA-BP算法,提出了基于遗传算法与人工神经网络相结合的优化预测模型。最后给出实例说明GA-BP算法优化预测模型的求解过程,验证了模型的可行性。     

基于径向基函数网络的MH/Ni电池建模及容量预测

引　言近年来 ,随着汽车的迅速发展和大量普及 ,它所造成的尾气污染问题也日益突出 .电动车的发展可以有效地解决燃油汽车的污染排放问题 .MH/Ni电池是一种无污染的“绿色能源” ,它具有高比能量、高比功率、长寿命及安全性好等特点 ,是电动车用动力型电池的首选 .在动力型电池     

基于RBF神经网络和遗传算法的注塑成型质量控制与预测

针对注塑产品容易产生翘曲和缩痕的问题,以某检测仪外壳为研究对象,运用RBF神经网络模型和遗传算法,对注塑成型质量进行控制与预测。基于正交试验方案,运用Moldflow有限元分析软件获得试验结果;利用样本数据建立试验因素与响应值之间的RBF神经网络模型,并用最优拉丁超立方抽样技术,获得样本点对模型精度进行检验;运用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)对注塑成型工艺参数进行多目标优化,达到有效控制和预测翘曲变形、体积收缩率和缩痕指数的目的,并经模拟和试模验证误差较小。结果表明,运用RBF神经网络模型和遗传算法对注塑成型质量进行控制与预测,生产出检测仪外壳最大翘曲变形量为0.394 mm,外观无缩痕。     

基于互信息和自组织RBF神经网络的出水BOD软测量方法

针对污水处理过程出水生化需氧量（biochemical oxygen demand，BOD）难以实时准确测量的问题，提出了一种基于互信息和自组织RBF神经网络的软测量方法对出水BOD进行预测。首先，使用基于互信息的方法提取相关特征参量作为软测量模型的输入变量；其次，设计一种基于误差校正-敏感度分析的自组织RBF神经网络，使用改进的Levenberg-Marquardt（LM）算法对网络进行训练以提高训练速度；最后将软测量模型应用于UCI公开数据集及实际的污水处理过程，实验结果表明该软测量模型结构紧凑，训练时间相对较短，预测精度有所提高，能够对出水BOD实现快速准确预测。     

基于GA-BP神经网络的超临界CO2传热特性预测研究

超临界二氧化碳（S-CO₂）动力循环在能源利用领域中拥有广阔的应用前景,其中超临界CO₂的传热特性对其能量转换效率至关重要。开展了超临界CO₂在水平小圆管内对流传热实验研究,并通过建立遗传算法优化的BP神经网络模型（GA-BP）,对其在不同工况下的传热特性进行预测分析。实验参数范围：系统压力7.5~9.5 MPa,质量流速1100~2100 kg/（m²?s）,热通量120~560 kW/m²。实验结果表明,超临界CO₂传热系数随流体温度的升高先增大后减小,在拟临界温度附近达到最大值。GA-BP神经网络模型能有效地预测超临界CO₂的传热系数,预测数据的决定系数R²为0.99662,超过95%的数据误差位于±10%范围内,平均误差为3.55%,为超临界流体传热预测提供新的思路。     

Flow regime recognition in the spouted bed based on Hilbert-Huang transformation

Empirical mode decomposition has been used to decompose the pressure fluctuation signals in the spouted bed into several intrinsic mode functions, and these modes were transformed from the time domain into the frequency domain by Hilbert transformation. According to the characteristic parameters extracted from these modes, flow regimes were recognized by RBF neural network, and parameters in RBF neural network were optimized by adaptive genetic algorithm. The recognition accuracy of packed bed, spouted bed, bubbly fluidized bed and slugging bed can reach 90%, 85%, 85%, 95%, respectively.     

Kohonen-RBF网络用于废水中钴镍钒的同时测定

将Kohonen神经网络与RBF网络相结合,对废水中吸收光谱严重重叠的钴、镍、钒三组分体系进行解析。利用Kohonen神经网络选择全谱特征波长,优化确定了RBF网络的结构和参数,使光度分析计算的校正模型的优化问题得到有效解决。分析结果表明,经Kohonen神经网络方法进行波长选择后,优化了RBF网络的输入并提高了其预测能力。