高强混凝土强度预测人工智能方法及应用

高强混凝土的强度预测是一个动态性可变复杂问题,受各种因素的影响。采用多种智能方法,建立了高强混凝土的强度预测的遗传算法与神经网络的集成模型。并将该模型计算结果与实测混凝土28 d抗压强度,RBF径向基函数神经网络计算的强度,非线性回归模型计算的强度进行比较。研究表明:预测结果与实测结果吻合较好,较线性回归和神经网络预测精度高,为高强混凝土的强度预测提供了一条新方法。     

基于径向基神经网络的基坑支护位移预测方法

简要分析了径向基神经网络相对于BP神经网络的优点,利用径向基神经网络建立了基坑支护水平位移的预测方法并编制了基于径向基神经网络的支护位移预测程序.结合实际工程监测数据中的基坑支护结构水平位移数据,对网络进行训练并利用训练好的网络对基坑支护结构的水平位移进行了预测.从预测结果与实测结果的对比分析来看,利用径向基神经网络对基坑支护水平位移进行预测是可行的,其精度符合工程实际的要求.     

径向基函数神经网络预测城市用水量模型及应用

以城市用水人口和城市生产总值作为输入向量,年用水量数据作为目标向量,建立了径向基函数神经网络并对城市用水量进行预测。采用不同的扩展速度,预测误差不同。当扩展速度spread=1时,预测数据与实际数据的相对误差均小于0.05%,取得了很好的预测效果,说明采用径向基函数神经网络模型预测城市用水量的方法是可行的。     

混凝土氯离子扩散系数的RBF神经网络预测模型

提出了一种基于RBF神经网络的氯离子扩散系数预测模型,将RBF网络模型预测的结果与另外三种不同输入的RBF模型、BP网络模型的预测结果以及实测结果进行了对比分析,结果表明,RBF神经网络模型相对其他输入指标体系模型的预测精度有所提高,且能满足工程的需要,可以作为氯离子扩散系数预测的一种新的有效的方法。     

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。     

海港码头混凝土表面氯离子随高度变化规律

海水中氯离子的侵蚀是影响钢筋混凝土结构在海洋环境中耐久性的一个重要的因素,而混凝土表面氯离子浓度是研究氯离子侵蚀的重要指标之一。由于混凝土结构沿海拔不同高度的服役环境不同,表面氯离子浓度随高程是变化的,但其分布存在一定的规律。根据浙江东部沿海地区某混凝土码头结构表面氯离子浓度的实测数据,通过数据统计分析,提出表面氯离子浓度随高度呈单峰高斯分布的规律;通过建立BP神经网络预测模型,验证其高斯分布规律假设的合理性。在对浙东沿海某混凝土码头及日本不同海域混凝土码头的表面氯离子浓度实测数据进行概率统计分析后,得到沿海混凝土结构的最严重氯离子侵蚀区域为海拔在0.4～1.6m,其海水浸润时间比为0.285～0.478,应重点加强该区域结构的抗氯侵蚀能力。最后,通过对实测数据的归一化处理,建立了基于高斯函数的海港码头混凝土表面氯离子浓度的高度影响系数和海水浸润时间比影响系数经验表达式。     

高强混凝土强度预测的支持向量机模型及应用

高强混凝土的强度受多种因素的影响,其强度的预测是一个动态性的系统工程。采用支持向量机理论,建立了高强混凝土的强度预测的支持向量机预测模型。并将该模型计算结果与实测混凝土28 d抗压强度、BP网络计算的强度、RBF径向基函数神经网络计算的强度、线性回归模型计算的强度、非线性回归模型计算的强度进行比较。研究表明:预测结果与实测结果吻合较好,较线性回归和神经网络预测精度高,为高强混凝土的强度预测提供了一条新途径。     

三种神经网络在混凝土强度预测中的应用

通过建立改进的BP和RBF两种神经网络模型，对混凝土的强度进行预测，将预测值与常规BP神经网络模型预测结果进行了比较，研究表明，改进的BP和RBF的神经网络模型能够充分考虑影响混凝土强度的各种因素，在强度预测中具有广泛的应用前景。     

径向基网络在结构设计与分析中的应用

详细地介绍了径向基(RBF)神经网络的结构和基本原理。基于RBF神经网络能够逼近任意非线性函数的特点,提出了一种基于RBF神经网络建立结构分析模型的方法。与BP网络的仿真结果对比表明,所建立RBF神经网络模型收敛速度快,拟合精度高,适用于复杂结构的建模问题。     

基于RBF神经网络的钢筋锈蚀程度预测

通过分析钢筋锈蚀机理及其影响因素,建立了钢筋锈蚀程度预测的RBF网络模型.通过实例数据进行了分析预测,并与BP网络预测模型进行比较.测试结果表明:应用RBF网络模型对钢筋锈蚀程度进行预测,预测效果好,识别精度高.可见,径向基函数神经网络方法是一种可综合考虑各种影响因素、行之有效的钢筋锈蚀度预测分析方法.