基于BP-AR的混凝土碳化深度预测算法研究

混凝土碳化深度的影响因素众多又复杂且对时间有较强的依赖性,现有的混凝土碳化深度预测方法不能把所有影响因素充分考虑进去,导致其预测精度不够准确。提出一种BP-AR融合算法,该算法利用BP神经网络预测碳化深度,再通过时间序列方法对预测值进一步修正。通过试验分析,时间序列方法能够通过BP神经网络预测的碳化深度值发现碳化反应随时间变化的规律,BP-AR算法比BP神经网络预测碳化深度精度更高,弥补了因数据量有限而造成较大的预测误差。     

基于智能算法的河港码头混凝土碳化深度预测

由于混凝土碳化所引起的河港码头构件材料性能劣化是导致其整体结构发生耐久性失效破坏的主要原因之一,混凝土碳化深度的预测以及结构物服役寿命的评估是河港码头运行维护过程中的关键。然而,基于Fick第一定律的传统碳化深度预测方法所得结果的精度与实测样本容量的大小呈正相关,当实测样本值有限时,其预测精度难以保证。为此,针对有限样本支撑下河港码头混凝土碳化深度预测难、精度低等问题,提出了一种基于人工智能的计算方法,用以更加精确地预测河港码头混凝土的碳化深度。该智能算法包括BP神经网络模块与樽海鞘群算法(SSA)模块,SSA模块负责修正BP神经网络模块的设置参数,完成BP神经网络设置参数的自适应优化;BP神经网络模块主要负责利用SSA模块得到的设置参数对样本进行训练及测试,两者交叉融合,实现对河港码头混凝土碳化深度的精确预测。对融合BP神经网络和SSA的算法流程及实施步骤进行了详细描述,并通过试验实测数据验证了智能算法预测混凝土碳化深度结果的精度及可行性。     

水闸混凝土碳化深度预测研究

在水闸工程病害中,混凝土碳化最为典型,混凝土碳化是造成混凝土裂缝、钢筋锈蚀的最直接因素,因此,对混凝土碳化深度预测研究尤为重要。采用遗传算法优化神经网络,选取混凝土碳化深度的主要影响因素,建立混凝土碳化深度预测模型,并基于VS平台,开发水闸混凝土碳化深度预测系统。收集了盐城市25组水闸数据样本进行预测分析研究,结果表明,采用遗传算法优化BP神经网络模型进行水闸混凝土碳化深度预测是可行的,能够快速、准确识别混凝土碳化深度,为水闸除险加固提供技术支持。     

高性能混凝土碳化试验及人工神经网络碳化深度预测模型

为准确预测混凝土的碳化深度,开展了不同水灰比、粉煤灰掺量、矿渣掺量混凝土的制备与碳化深度测试,进行了数据采集。根据数据及BP算法,建立了3-7-1型三层BP网络,包含三因子网络输入量(水灰比、粉煤灰掺量、矿渣掺量)及单因子网络输出(碳化深度),提出了基于人工神经网络的混凝土碳化深度预测模型。采用最小二乘法建立了线性及伪线性两种预测模型与人工神经网络预测模型进行对比。结果显示：基于BP神经网络建立的混凝土碳化深度预测模型,相比较于常用的最小二乘法线性、伪线性模型更适用于多因素影响条件下的混凝土碳化深度预测,误差仅为线性模型的63.6%,伪线性模型的61.9%,采用BP神经网络能达到理想的预测结果。     

遗传算法-BP神经网络在混凝土碳化深度预测中的应用

通过对混凝土碳化深度实测资料的分析,建立了基于遗传算法-BP神经网络原理的混凝土碳化深度预测方法。应用该方法对两个算例的的混凝土碳化深度进行预测,并与实测值和理论值进行对比,证明该方法对在混凝土碳化深度预测的有效性。     

遗传算法—BP神经网络在混凝土碳化深度预测中的应用

通过对混凝土碳化深度实测资料的分析,建立了基于遗传算法-BP神经网络原理的混凝土碳化深度预测方法。应用该方法对两个算例的的混凝土碳化深度进行预测,并与实测值和理论值进行对比,证明该方法对在混凝土碳化深度预测的有效性。     

人工神经网络预测混凝土碳化深度与钢筋锈蚀量

基于混凝土碳化与钢筋锈蚀都是由多因素引起的缘故,运用BP神经网络方法进行混凝土碳化深度及钢筋锈蚀量分析和预测,其结果优于以数学模型为基础的经验公式法,而且若能将BP神经网络模型应用于结构耐久性其它方面(如抗冻),那么结构耐久性的综合评价及结构的剩余使用寿命都可以得到很好的预测.     

应用RBF神经网络的预应力混凝土碳化深度预测研究

在现有混凝土碳化研究成果基础上,建立了预应力混凝土碳化预测模型。随后,运用径向基函数神经网络的基本原理,通过对影响预应力混凝土碳化深度因素的分析,建立了预测碳化深度的RBF和GRNN网络模型。通过实例进行了分析计算和预测,预测结果具有较高的精度。可以说,人工神经网络预测方法是一种可同时考虑各种影响因素组合、行之有效的混凝土碳化预测分析方法。     

基于BP神经网络的既有建筑混凝土强度预测

在分析检测数据的基础上,提取了结构服役时间、结构建造时间、结构检测时间、混凝土设计强度和混凝土碳化深度等特征参数,建立了预测既有建筑混凝土强度退化的人工神经网络模型。采用动量法和自适应调整法改进了BP算法;采用训练好的BP神经网络对既有混凝土强度最小值和混凝土强度最大值进行了预测,并与实测值进行了对比。结果表明:利用BP神经网络对既有建筑混凝土强度退化进行预测是可行的,该研究成果可为既有建筑大面积的抗震性能普查提供参考。     

珊瑚混凝土碳化深度影响因素及其预测模型研究

通过快速碳化试验研究了水灰比、水泥用量、粉煤灰掺量、碳化龄期四个因素对珊瑚混凝土碳化深度的影响,试验龄期分别为3 d、7 d、14 d、28 d。结果表明:珊瑚混凝土的碳化深度与水灰比、粉煤灰掺量呈正比,与水泥用量呈反比;碳化深度均随碳化龄期增长而增大。基于MATLAB中双隐含层BP神经网络,建立了珊瑚混凝土碳化深度预测模型,编写了循环训练算法程序,经过40次循环近百万次网络训练筛选出了双隐含层最佳神经元节点数,分别为11、5,最小均方根误差为0.67。经验证,该预测模型预测平均误差为5.57%,预测精度良好。     

基于神经网络方法的碳纤维布加固混凝土梁承载力计算

通过试验资料分析 ,建立了基于神经网络方法的碳纤维布加固混凝土梁受弯承载力预测的BP算法结构模型 ,通过模型预测值与试验结果的比较 ,证明了该模型的有效性和精度可以用于预测碳纤维布加固混凝土梁的受弯承载力。最后 ,对其影响因素进行了初步分析     

边坡变形的多因素时变预测模型

在深入分析边坡变形的影响因素及因子模式的基础上，通过融合回归分析和递推模型的优点，结合边坡位移时间序列实测资料，建立了边坡变形的多因素回归时变预测模型，并考虑了降雨和温度变化的影响。通过模型的预测值与实测数据的对比分析，可以监控边坡的变形和稳定性。工程实例表明，该方法具有预测精度较高且实时性强等特点，有较大的应用价值。     

城市道路网节点短时段交通量预测模型研究

准确的短时段交通量预测在良好的道路交通管理中将越来越成为至关紧要的一个步骤。本文应用BP学习算法及进行误差校正的SPDS算法,建立了基于BP网络的城市道路网节点短时段交通量预测模型。并依据哈尔滨市省政府交叉口2001年6月15日15min间隔的交通量调查数据,对中宣街进行了分时段的交通量预测。本文还对交通量神经网络预测模型提出了五种输入层方案,针对不同输入层方案,采用试算法确定最佳隐层单元数,根据各方案的训练时间和误差进行评价,确定了理想的交通量神经网络预测模型,并分析了输入层单元和隐层单元分别与训练时间和误差的关系。最后,采用确定的交通量预测模型进行预测,预测结果证明了本模型在较短时间内具有较高的预测精度。     

基于神经网络方法的钢筋混凝土双筋植筋的锚固性能研究

通过试验资料分析,建立了基于神经网络方法的钢筋混凝土双筋植筋的锚固性能预测的BP算法结构模型,通过模型预测值与试验结果的比较,证明了该模型的有效性和精度可以用于预测钢筋混凝土双筋植筋的锚固性能,最后,对其影响因素进行了初步分析.     

大型地下厂房三种涌水量预测模型分析

在地下工程开挖过程中,地下涌水量对施工人员的安全及工程的安全性有较大的影响。由于地下涌水量的影响因素复杂且呈非线性关系,为了能更准确地预测涌水量,采用某大型厂房地下涌水量的原始数据,通过对地下涌水量建立灰色预测模型、回归预测模型以及时间序列预测模型,预测出地下涌水量的发展趋势,对比分析表格数据、图表特征以及预测精度,得出灰色预测模型预测效果最佳。研究表明,灰色预测模型可以在较少数据的基础上达到合理预测的目的。研究结果可对工程安全提供参考,为类似工程提供借鉴。     

黄茨滑坡预测预报分析

在介绍了黄茨滑坡地质概况的基础上,简要介绍了滑坡预测预报理论与方法,既而引入基于位移信息的Verhulst灰色模型和日本斋藤的蠕变模型两种方法对黄茨滑坡进行了预测预报系统分析。     

基子BP网络预测盐溶液侵蚀混凝土强度

通过建立神经网络模型对盐溶液侵蚀混凝土的强度进行了计算和预测。研究表明，该法不仅可以综合考虑各种因素的影响，而且具有较高的预测精度，在混凝土性能预测中具有广阔的应用前景。     

基于Lyapunov指数的交通量混沌预测方法

交通量预测分析已成为交通工程领域重点研究课题 ,智能运输系统的核心研究内容之一。在判定交通流量存在混沌的前提下 ,对交通量的实测数据进行相空间重构 ,而后在重构相空间上 ,利用基于Lyapunov指数的混沌预测方法预测交通量。苏州某交叉路口的交通量预测实例表明了该方法用于交通量预测的有效性和可行性     

岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

基于BP网络预测盐溶液侵蚀混凝土强度

通过建立神经网络模型对盐溶液侵蚀混凝土的强度进行了计算和预测。研究表明 ,该法不仅可以综合考虑各种因素的影响 ,而且具有较高的预测精度 ,在混凝土性能预测中具有广阔的应用前景