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。     

利用人工神经网络技术优化钛合金微弧氧化工艺

在正交试验基础上,利用MATLAB软件建立BP神经网络膜层耐蚀性能预测模型,通过网络模型对样本实验数据的学习,确定最佳网络结构,对钛合金微弧氧化膜耐蚀性能进行预测,并对微弧氧化工艺参数进行了优化。分析确定BP神经网络结构为4-7-1三层结构,该网络结构能够较好地掌握输入参数(电流密度、脉冲频率、占空比和氧化时间)与输出数据间(膜层腐蚀电位)的内在规律,网络的平均训练误差与平均预测误差分别为0.101%和0.596%,BP网络优化后,所得最佳参数Ja为15A/dm2、脉冲频率600Hz、占空比10%、氧化t为12min。     

基于BP神经网络的挤出型材线径预测模型的开发及应用

分析了小型单螺杆挤出机耗材生产线工艺因素与三维（3D）打印耗材线径间的相互关系,建立了一个基于反向传播（BP）神经网络的预测模型,将生产线的定径模头温度（三段）、机筒温度、螺杆转速、牵引机转速作为输入变量,耗材线径作为输出变量。结果表明,该BP神经网络预测模型能获得较精确的结果,预测模型性能较好,并基于所开发的网络模型设计开发生产线预测软件,该软件对高效地合理安排加工工艺具有一定指导意义。     

基于神经网络-遗传算法优化生物柴油制备工艺

根据生物柴油制备的实验数据,用人工神经网络(ANN)的反向传播(BP)算法建立了生物柴油转化率神经网络预测模型,提出了适宜的人工神经网络拓扑结构,讨论了BP算法中学习速率、动量系数及过拟合现象对网络的影响。实验数据检验表明,ANN方法能准确地关联生物柴油制备工艺条件与转化率的关系,转化率预测平均相对误差为1.917%,复相关系数R为0.9996;该神经网络预测模型用遗传算法优化,得到了最佳生物柴油制备条件。     

超滤膜分离工艺处理大豆乳清蛋白废水的效能

为考察膜分离技术处理大豆乳清蛋白废水的效能及其运行特征,采用再生纤维膜（RC）和聚醚砜膜（PES）进行试验,每种膜的截留分子量（MWCO）分别选定为5000、10000和30000。试验考察了各种膜的渗透通量、膜衰减系数、蛋白截留率、总糖透过率随时间的变化情况,结果表明：截留分子量为10000的RC超滤膜,在渗透通量、蛋白截留率、总糖透过率、膜衰减系数等方面皆优于其他超滤膜。超滤的最佳工艺条件为压力30kPa、pH值9、浓缩比3∶1、温度20℃,膜渗透通量31.2 L·m^-2·h^-1,蛋白截留率78.46%,蛋白含量51.37%。在曲线拟合和BP神经网络的基础上,建立了不同条件下膜渗透通量随时间变化的数学模型,模型模拟结果与试验结果基本一致,这说明基于曲线拟合和BP神经网络建立模型是可行的。     

基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。     

基于遗传BP神经网络预测硫在高含硫气体中溶解度

为更精确地关联预测硫在高含硫气体中的溶解度,提出将遗传算法(GA)和LM-反向传播神经网络(LM-BP ANN)相结合的预测模型。设计了该模型的计算过程,讨论了模型参数的设置。以温度、压力和气体组分作为BP神经网络预测模型的输入变量,利用GA优化了BP神经网络的初始权值和阈值,采用遗传算法优化后的BP神经网络计算了元素硫在高含硫气体中的溶解度。结果表明,该模型训练结果与实测值之间的平均相对误差为5.90%,测试结果与实测值的平均相对误差为5.54%;该方法较BP神经网络模型具有预测精度高、收敛速度快的优点;该模型具有较好的模拟及内推、外推功能。     

基于BP神经网络的镀镍层表面粗糙度预测及验证

以镀镍层的表面粗糙度为研究对象,应用BP神经网络构建预测模型,并对预测结果进行验证。结果显示:预测结果与测定结果较为接近,基本呈线性相关,偏差介于0.005~0.015μm范围内,最大误差为2.01%。这表明构建的BP神经网络模型能较为准确地反映电镀工艺条件与镀镍层表面粗糙度间的映射关系,凸显出应用价值。     

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。     

基于不同神经网络模型的橡胶减振器性能预测的应用研究

利用BP和GRNN神经网络建立胶料性能和减振器性能之间的预测模型,并对预测结果的误差进行对比分析。结果表明,利用BP神经网络建立的预测模型预测平均相对误差在16%以内,利用GRNN神经网络建立的预测模型预测平均相对误差在5%以内,说明使用GRNN神经网络进行减振器性能预测精度更高、效果更好。     

超临界二氧化碳流体萃取大黄蒽醌动力学模型

通过对萃取固定床层进行质量衡算建立了超临界CO₂流体萃取动力学模型.然后采用BP神经网络拟合实验条件下的萃取动力学曲线,并将之与动力学模型试差法求解所得的萃出曲线进行对照确定模型参数k_La.结果表明,BP神经网络能很好地模拟大黄蒽醌的萃取动力学曲线,网络训练误差和预测误差分别为1.5%和3.5%.确定参数后的动力学模型可用于对萃取床层作较为精确的定量描述：模拟所得萃取穿透曲线与大黄蒽醌萃取实验结果相比AARD误差在10%左右.与前人模型相比,该模型具有精度好,获取参数时的实验条件相对宽松等优点.     

基于SVR误差补偿技术的神经网络城市污水厂水质预测

城市污水处理是一个复杂的生化处理过程,现在的神经网络技术无法做到对此过程精准建模.为了解决该问题,提出了一种基于SVR误差补偿技术的神经网络水质预测算法.该算法先利用BP神经网络对水质处理过程进行映射,再利用SVR误差补偿模型获得BP网络的预测补偿,进行预测数据校正.为了验证补偿模型的性能,还组织了马尔科夫补偿模型的对...     

Modeling the Flux Decline during Protein Microfiltration: A Comparison between Feed-Forward Back Propagation and Radial Basis Function Neural Networks

Flux decline under various operating parameters in cross-flow microfiltration of BSA (bovine serum albumin) has been studied. A hydrophobic PES (polyethersulfone) membrane with an average pore diameter of 0.2 µm was used in all experiments. The experiments were carried out to investigate the effect of protein solution concentration and pH, trans-membrane pressure (TMP), cross-flow velocity (CFV), and membrane pore size on the flux decline trend and membrane rejection at constant trans-membrane pressure and ambient temperature. Subsequently, the experimental data, as a relatively large data set, have been subjected to a modeling study using both feed-forward back-propagation (BP) and radial basis function (RBF) artificial neural network (ANN) models. It is shown that through appropriate selection of parameters, it is possible to model the process accurately. Furthermore, it is concluded that the prediction capacity of RBFNN is superior to the BPNN, especially in the case of membrane rejection prediction.     

质子交换膜燃料电池冷启动堆栈温度预测模型

为了快速准确地预测出质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)在冷启动过程中的启动时长及启动方法的应用效果,提出了以堆栈温度和温度增量分别作为BP(back propagation)神经网络预测目标的堆栈温度实时预测模型,分别为模型T和模型K,并采用四个不同的预测精度评估标准来评估预测结果的准确性。基于文献中三种冷启动工况实验数据对预测模型进行验证,结果表明,模型K的平均相对误差在三种工况下均低于模型T,分别为0.4553、0.9537和1.0844。模型T在早期预测阶段缺乏训练样本,预测结果的堆栈温度变化趋势为零,因而模型K在早期预测阶段具有更大优势。堆栈温度变化趋势预测方法能够为用户当前的PEMFC冷启动实现效果提供参考。     

基于神经网络-遗传算法优化制氢工艺水碳比

根据某炼油厂制氢车间的生产数据,用人工神经网络(ANN)的反向传播(BP)算法建立了制氢装置转化生产中的水碳比神经网络预测模型,生产数据的检验表明,ANN方法能准确地关联和预报制氢装置转化生产中的水碳比,水碳比预测平均相对误差为2．83％;该神经网络预测模型用遗传算法优化并得到了最佳制氢工艺操作条件。     

基于BP神经网络方法的热管中冷器热工性能分析

基于BP神经网络建立了热管中冷器的传热性能和阻力性能预测模型,采用基于Levenberg Marquardt的trainlm训练算法,对热管中冷器的传热性能和阻力性能进行了预测,经试验数据的验证,预测值与试验值吻合较好,传热性能网络预测最大相对误差为8.0%,平均相对误差为3.5%,阻力性能网络预测最大相对误差为13....     

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。     

基于BP神经网络紫外可见光度法测定苏丹红混合组分

应用人工神经网络,以BP算法对混合样品中苏丹红系列的三种组分(苏丹红Ⅰ、苏丹红Ⅲ、苏丹红Ⅳ)的浓度进行测定。在MATLAB 7.0中建立BP神经网络,优化网络条件,对训练样本进行训练,然后对检测样本进行检测。预测结果的误差范围在0.03%~9.20%之间。当样品浓度<0.1×10-4mol/L时,预测误差较大,均在5%以上;当浓度>0.1×10-4mol/L时,预测的相对误差较小,均在5%以下。该方法已用于模拟水样中微量苏丹红的检测。