内衬对高炉炉壳受力影响的参数化分析

在冶金中,高炉是一种常用的结构形式,它们的构造较为复杂,但基本组成是高炉钢炉壳和内衬.文章通过大型有限元软件三维建模,对高炉炉缸部分进行三维建模分析,采用参数化计算的方式分析内衬对高炉炉壳的受力影响,为设计者提供参考,也为研究者提供一种新的计算思路.     

改进的PSOGA-SVM模型应用于露天矿区空气质量预测

为掌握露天矿区开采所造成的空气污染情况,必须对露天矿区空气质量进行准确预测。选取PM_(10)质量浓度与平均温度、相对湿度、光照时间、风力作为影响空气质量的主要因素;基于收集到的露天矿区环境数据,采用支持向量机(support vector machine,SVM)建立模型,同时引入改进型惯性权重的粒子群优化(particle swarm optimization,PSO)算法作为变异算子来优化遗传算法,最终将该模型应用于实际场景。基于MATLAB建立了改进型惯性权重的粒子群遗传算法优化支持向量机(improve inertia weighted particle swarm optimization and genetic algorithm based optimize support vector machine,PSOGA-SVM)网络预测模型。结果分析表明,所提模型的预测精度优于交叉算法验证算法优化支持向量机(cross-validation support vector machine,SV-SVM)模型和粒子群算法优化支持向量机(particle swarm optimization for parameter optimization of support vector machine,PSO-SVM)模型,且预测精度可达到98.5%以上。     

基于非线性优化理论的混凝土材料配合比研究

建立了高强混凝土的强度预测的非线性优化模型。并将该模型计算结果与实测混凝土28 d抗压强度进行比较。改用十进制遗传算法在训练过程中搜索最优超参数,形成遗传-组合核函数高斯过程回归算法,并编制了相应的计算程序,研究结果表明:与单一核函数高斯过程回归算法和支持向量回归(SVR)算法相比,提出的遗传-组合核函数高斯过程回归算法显著提高了预测精度,预测结果与实测结果吻合较好,具有较高的预测精度,为高强混凝土的强度预测提供了一条新途径。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

复杂地质条件下的隧道大变形组合预测研究

隧道大变形是隧道工程中的常见病害之一,严重威胁施工安全及工程进度,对其研究具有重要意义。以BP神经网络和支持向量机为基础,利用遗传算法和粒子群算法优化其结构参数,以实现单项预测模型优化,再构建线性组合模型和非线性组合模型,实现了隧道大变形的组合预测。实例分析表明:组合预测模型较单项预测模型具有更高的预测精度和稳定性,且以BP神经网络权值法的组合效果最优。通过研究,为大变形防治及变形规律评价提供了借鉴和参考,具有一定的实用价值。     

基于地表移动矢量的概率积分法参数反演方法

为解决概率积分法参数反演时计算不稳定、初值依赖、优化指标难以选取、非矩形工作面,多工作面影响下难以反演的问题,提出采用地表空间移动矢量反演概率积分法参数的遗传算法模型。该模型采用地表移动矢量的误差平方和最小作为计算指标,以遗传算法作为参数优化的核心算法进行概率积分法参数反演。用空间移动矢量指标可以解决分别采用下沉、水平移动监测值反演结果不相同、精度难以估算的难题。矢量反演模型对观测站设置没有特别严格的要求,降低了设站不当引起的计算误差。为解决遗传算法多次计算结果不同的问题,建立了组合预测计算方法,依据中误差加权均值得到唯一的计算结果。基于矢量移动值的反演模型,避免了传统计算方法的多个缺陷,计算效率高、易于与已有开采沉陷预计程序结合,为解决非矩形、多工作面地表移动观测站参数反演的工程应用问题提供了新的解决思路和计算方法。     

基向量引导的支持向量机RC框架抗震韧性评估

机器学习方法能通过建立以建筑信息、地震动参数为输入,韧性指标为输出的非线性映射关系,对建筑结构进行抗震韧性评估,但当训练数据规模较大时,其训练过程由于涉及求解大规模逆矩阵致使计算效率低下且极其占用计算机内存。为此,提出基向量引导的支持向量机(basis vectors-guided support vector machines for regression, BVLS-SVMR)模型,从大规模训练样本中提取小规模子样本,并将其映射到高维特征空间里作为基向量,替代大规模原基向量用于建立预测模型。为了验证BVLS-SVMR模型的准确性和高效性,基于9 356个钢筋混凝土(RC)框架(教学楼)抗震韧性的数据,分别与支持向量机(least squares support vector machines for regression, LS-SVMR)模型和传统有限元法(FEM)进行对比。结果表明：BVLS-SVMR模型的测试集预测精度与LS-SVMR模型的测试集预测精度(决定系数R²)相差0.011,但计算时间是LS-SVMR模型的1/10,是传统FEM的1/21 70...     

GA-SVR模型用于日供水量预测的研究

针对日供水量预测问题,提出一种基于遗传算法的支持回归向量机(GA-SVR)模型。以H市为例,采用GA-SVR模型对日供水量进行了预测,并与BP模型和SVR模型的预测值进行了比较。结果表明,H市日供水量预测值与实际值的误差均小于5%,且GA-SVR模型的预测精度高于BP模型和SVR模型。由此可见,GA-SVR模型是一种有效的预测日供水量的方法。     

基于改进GA-SVR算法的隧道工程三维弹塑性模型参数的智能辨识

将支持向量回归（SVR）算法引入岩土工程数值计算模型参数的辨识中可以充分发挥SVR算法的小样本、泛化性好和全局最优化的优点。但现阶段标准的SVR算法只能解决一维输出变量的回归问题，这就使其在反分析领域的应用受到限制。引入一种改进的SVR算法，这种算法通过将多维输出变量回归转化为多层标准一维输出变量回归来解决这个问题，并与十进制编码的遗传算法相结合，形成改进的GA-SVR算法，用遗传算法搜索最优的SVR模型参数以建立最优的待辨识参数与位移之间的非线性映射关系，然后用遗传算法进行待辨识参数的最优辨识。为对比这种改进GA-SVR算法的效果，将遗传算法与BP神经网络相结合，形成GA-BP算法且编制相应的计算程序。将这两种算法运用于同样的隧道工程三维弹塑性模型参数的智能辨识，数值算例表明改进的GA-SVR算法较GA-BP算法可以取得更高的辨识精度和更好的计算效率，可运用于类似岩土工程计算参数的辨识。     

基于遗传–组合核函数高斯过程回归算法的边坡非线性变形时序分析智能模型

 与支持向量机相比,高斯过程有着容易实现、灵活的非参数推断及预测输出具有概率意义等优点。将高斯过程回归引入边坡非线性变形时序分析,采用单一核函数之和作为高斯过程回归的组合核函数以提高其泛化性能。目前通常采用共轭梯度法求取训练样本对数似然函数的极大值以自适应地获得最优超参数,但共轭梯度法存在优化效果初值依赖性强、迭代次数难以确定、易陷入局部最优解的缺陷。改用十进制遗传算法在训练过程中搜索最优超参数,形成遗传–组合核函数高斯过程回归算法,并编制了相应的计算程序。卧龙寺新滑坡变形时序分析结果表明,与遗传–单一核函数高斯过程回归算法和遗传–支持向量回归算法相比,所提出的遗传–组合核函数高斯过程回归算法显著提高预测精度,可以应用于边坡变形的时序分析,并为类似工程提供借鉴。