基于神经网络的城市交通流预测研究

衡量交通发展水平的主要标准便是交通流,然而如今常常忽略对交通流的预测,由此更容易造成交通堵塞等常见的交通问题。因此城市交通流的预测能力便显得尤其重要,本文不仅提出了影响交通流的主要原因,而且还提出了一种基于神经网络的城市交通流的预测方法和模型,其模型是由径向基网络(RBF)和BP神经网络共同建立的,本文也对这两种网络的特点进行了分析,在此理论基础上实行了仿真试验,最后发现这种基于神经网络的城市交通流预测模型相比于其他方法,有着更高的准确度。     

城市给排水管网优化措施

随着近些年来我国城市化进程的不断加快,我国城市建设速度不断提升,城市建设取得了重大的进展,在这个过程中城市给排水管网作为城市建设的基础设施也对整个城市的生态建设发挥了非常重要的作用,极大地提高了居民的生活水平,改善了地区的生态环境,但是随着给排水管网的不断铺设,官网越来越密集,暴露出许多问题,需要相关部门根据目前我国城市给排水管网存在的问题有针对性的进行优化,提高给排水管网的运行效率,使其作用得到最大化。本文主要从城市给排水管网优化原则出发,分别探讨我国城市给水管网以及排水管网的优化具体措施。     

基于群智能算法优化LSTM的催化裂化预测研究

针对长短期记忆神经网络(LSTM)预测模型中许多网络参数过分依赖于经验设置，人工参数设置导致模型的精度低、泛化能力弱等问题，采用搜索范围广、收敛速度快的粒子群算法(PSO)和布谷鸟算法(CS)对LSTM的一些超参数进行优化，构建PSO-LSTM模型和CS-LSTM模型，寻找到LSTM的最优参数集，从而更好地提高了模型预测精度。将优化后的模型应用于催化裂化吸收稳定系统主要控制变量解吸塔再沸器返塔温度预测中，验证了模型的有效性。     

基于GA-SVM的城市天然气中长期负荷预测

随着天然气工业的发展,城市面临着储气设施建设、燃气管网规划等一系列问题。分析城市天然气中长期负荷预测影响指标,从内部环境、外部环境及用户消费3个角度出发,提取其中9个参数作为城市中长期负荷的影响因子,并采用遗传算法优化支持向量机的惩罚因子及核参数,建立了基于GA(遗传算法)-SVM(支持向量机)的城市天然气中长期负荷预测模型。利用该模型对北京燃气用气量进行中长期负荷预测,并与SVM回归预测相比。结果表明:GA-SVM模型有比较快速训练速度、较高的预测精度,所提出的GA-SVM优化模型在中长期天然气负荷预测上具有更优的泛化能力和学习能力,能够为城市燃气管网规划、储气设施建设等提供指导作用。     

基于改进WOA-LSTM的焦炭质量预测

“双碳”背景下，提升焦炭质量是保证钢铁行业高质量发展的研究重点之一，而炼焦行业存在着在线实时监测难、焦炭质量预测模型泛化能力差等问题。为此，提出一种通过自适应全局搜索算法，即改进鲸鱼优化算法（WOA）与长短期记忆（LSTM）循环神经网络综合建模的方法来解决这一问题。首先选取出配合煤中可反映焦炭质量的可测参数，再运用主成分分析（PCA）去除变异性小的冗余因子后，得到预测因子，将其作为LSTM网络的外部输入；通过加入自适应惯性权重以及最佳扰动更新改进WOA，从而训练LSTM网络的超参数，采用均方根误差（RMSE）和R-squared 进行算法检验；最后将改进后的AGWOA-LSTM模型与典型的LSTM、WOA-LSTM模型进行对比，以验证本方法的优越性。结果表明AGWOA-LSTM模型预测焦炭质量具有精度高、运行速度快等特点。研究对焦炭生产具有一定的理论指导意义。     

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比试验。试验结果表明,SVR误差补偿模型可有效提高模型预测的精度,且模型性能优于马尔科夫补偿模型。     

BP神经网络在城市燃气管道剩余寿命预测优化

针对城市燃气管道布局复杂、影响因素众多的特点,作者提出基于BP神经网络模型的统计模型对城市燃气管道进行剩余寿命预测,用差值模型修正BP神经网络模型预测值。实验结果表明:针对城市燃气管道剩余寿命的预测,BP神经网络模型的统计模型具有很好的预测能力和较佳的推广能力,验证了构建的基于BP神经网络的时间序列预测模型的有效性和普遍适用性。     

某大学校园内涝改造工程研究

随着广州市改革开放几十年的持续发展,广州市已经成长为全国多年GDP排名第三名、国家5个国家中心城市之一(唯一的非直辖市)。"十三五"时期是广州市国家中心城市建设全面提速,率先加快转型升级,建设幸福广东的关键时期。但广州市中心城区的部分雨水排水管网修建年代早、设计标准低、管径不符合现行标准、有的地区地势低洼,暴雨季节,排水不畅,导致内涝。城市内涝已影响到市民的正常生活,造成较大的财产损失。这样的排水系统与广州市国家中心城市的要求极不适应。在广州市内进行城市内涝治理和排水设施改造,是广州市可持续发展的需要。本文通过对广州某大学校园的内涝改造工程设计,通过具体的设计案例分析研究内涝成因,提出高水高排、低水低排的解决方案,并从海绵城市的观点出发,探寻先进的内涝点改造措施,通过内涝改造工程竣工后的实测参数验证该内涝改造设计的效果。通过对本工程设计进行数据的统计与分析,探寻市政管网内涝整治的规律,总结海绵城市在内涝改造中的应用心得,并针对工程竣工后实际应用时存在的问题加以分析研究,进一步提出一些优化和改进的措施。     

钢铁企业蒸汽管网压力预测

为解决钢铁企业中蒸汽管网压力变化无规律很难对蒸汽系统进行实时有效调度的问题,提出一种基于小波变换-贝叶斯神经网络预测方法。首先利用小波变换对原始数据进行降噪处理,以降低数据中的误差干扰;然后利用贝叶斯正则化算法结合BP神经网络,在训练优化过程中降低网络结构的复杂性,避免网络过拟合,提高了网络的泛化能力同时改善了预测效果。实验结果表明:基于小波变换-贝叶斯神经网络预测方法的钢铁生产蒸汽管网压力的预测精度高、性能好,具有良好的实用性,可提高企业蒸汽管网的运行管理水平,为蒸汽的合理调度提供了科学的理论依据。     

基于改进差分进化算法的神经网络管道泄漏检测

提出了一种基于神经网络与差分进化算法的天然气泄漏预测方法,该方法采用RBF神经网络作为泄漏预测模型,引入改进的差分算法对网络的初始连接权值进行优化。为了在全局搜索和局部搜索之间取得最佳平衡,提出了一种自适应变异因子和交叉概率的改进算法,并将其应用于泄漏预测神经网络模型优化。将所提出的方法与原始算法的前向网络预测方法进行了比较。结果表明:所提出的方法收敛速度快,所得模型的预测误差小、准确率较高、迭代次数少、泛化能力强,对天然气的泄漏预测有很好的参考作用。     

基于LSTM神经网络的流化床干燥器内生物质颗粒湿度预测

生物质作为一种储量丰富、环境友好且易于获取的可再生能源,日渐成为能源研究利用领域的热点。生物质湿度是影响生物质利用效率的关键因素,因此干燥是生物质利用之前的必要步骤。流化床由于其良好的传热传质特性,在干燥过程中得到了广泛的应用。为了实时监测生物质颗粒的干燥过程,利用弧形静电传感器阵列,结合用于时间序列建模的长短期记忆（LSTM）神经网络,实现了流化床干燥器内生物质颗粒湿度的预测。在实验室规模的流化床干燥器上进行了多工况实验获取训练和测试数据,通过模型参数优化确定了LSTM模型。通过与标准循环神经网络（RNN）模型的预测结果的对比表明,LSTM神经网络模型的平均相对误差较小,能够较为准确地预测流化床干燥器内生物质颗粒的湿度。     

基于MIKE URBAN模型的管道排水能力评估

雨水管道是城市排水系统重要环节,其排水能力关乎城市内涝严重程度,因此,快速而准确地对雨水的管道疏水能力进行评估,精确定位溢水节点、超载管网,掌握内涝风险情况显得尤为重要。文中通过建立MIKE URBAN一维管网模型,在不同重现期下模拟,利用模拟结果对研究区进行排水能力评估。结果表明,研究区雨水管网整体排水能力较弱,绝大部分管段不能满足1 a暴雨重现期要求,难以抵御强降雨威胁,易形成内涝点,城市雨水管网亟待改造。该评估结果为后期雨水管网改造等工程提供理论基础。     

基于BP神经网络的不凝性气体对脉动热管传热影响的分析

不凝性气体的存在会影响脉动热管的传热性能。本文以去离子水和聚丙烯酰胺（PAM）溶液为工质,搭建了脉动热管半可视化传热性能实验系统,研究了不凝性气体的存在对脉动热管传热特性和运行特性的影响;通过建立BP神经网络模型,在不同不凝性气体压力条件下,对脉动热管传热热阻做出了回归预测,并进行了验证。结果表明：不凝性气体的存在会恶化脉动热管的传热性能。随着加热功率的增加,在不同不凝性气体分压力条件下的热阻呈现下降趋势。而随着不凝性气体分压力的增大,工质的蒸发段平均温度明显增大。通过BP神经网络可以对不同不凝气体分压力下脉动热管热阻作出可靠的回归预测,可为脉动热管运行状态的优劣提供判定思路。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

重力热管振荡传热特性RBF神经网络动态建模

The work address the problem of modeling the dynamical oscillating behavior during both unstable and stable operations, of an experimental thermosyphon. A standard RBF artificial neural network-based prediction model was developed for predicting the oscillating heat transfer of thermosyphon by means of input-output experimental measurements with the characteristics of time series. A comparison of prediction values between the RBF network and the MLP network was giving. The precision of RBF network was higher than that of the other neural networks such as BP-MLP network etc. The dynamical model of RBF network could be used to describe, predict and control the heat transfer process of a thermosyphon or a heat pipe system.     

用BP神经网络模型预测密炼机主要性能参数

以转子转速、填充因数、压砣压力和冷却水温度作为输入参数，用BP神经网络模型预测密炼机消耗的最大功率、单位能耗、混炼时间、生产能力和排胶温度等性能参数。实验值与预测值比较表明，BP神经网络模型预测精度能满足定量计算的要求，为分析密炼机复杂的混炼过程提供了一条新途径。     

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。     

Machine learning-based distributed model predictive control of nonlinear processes

This work explores the design of distributed model predictive control (DMPC) systems for nonlinear processes using machine learning models to predict nonlinear dynamic behavior. Specifically, sequential and iterative DMPC systems are designed and analyzed with respect to closed-loop stability and performance properties. Extensive open-loop data within a desired operating region are used to develop long short-term memory (LSTM) recurrent neural network models with a sufficiently small modeling error from the actual nonlinear process model. Subsequently, these LSTM models are utilized in Lyapunov-based DMPC to achieve efficient real-time computation time while ensuring closed-loop state boundedness and convergence to the origin. Using a nonlinear chemical process network example, the simulation results demonstrate the improved computational efficiency when the process is operated under sequential and iterative DMPCs while the closed-loop performance is very close to the one of a centralized MPC system.     

基于BP神经网络算法的聚乙烯管材寿命预测

通过分析聚乙烯管材在实际应用中寿命的影响因素,选取其中可控因素加以分析及相关性预测。以MATLAB计算软件为平台,根据具体试验建立寿命预测模型,参考试验变量设计模型可变因素。实验设计部分,以静液压实验为基础,选取实验温度、实验用水有效氯含量以及实验压力作为3因素变量进行静液压实验,共进行实验192组次,试验样品384个,模拟聚乙烯管材在输配水系统中的实际使用。在建模过程中,进行神经网络学习后,对所建模网络进行训练,然后对其中所选择的3因素变量BP神经网络疲劳方程模型进行寿命预测。结果表明,BP神经网络计算出聚乙烯管材的使用寿命具有科学性,运行后的网络模型概率学上拟合优度R2为0.87;预测结果相对于聚乙烯管材的通常算法具有计算简洁、样本可扩充、模型阀值及权重可自行更改等一系列优势。