基于数据挖掘的医院建筑电负荷特性分析预测

本文基于青岛某医院建筑2017年全年逐时总用电能耗实测数据,将冷热源电耗从中分离,得到用于分布式能源系统运行策略研究的逐时电负荷数据。首先利用k-means聚类算法对该建筑的全年逐时电负荷特性进行分析,并根据聚类结果为神经网络的训练构建相似日样本集。然后利用相关性理论针对不同的相似日样本集筛选特征参数,作为神经网络的输入参数。最后利用平均绝对百分误差(MAPE)、变异系数(CV)、均方根误差(RMSE)等指标对本文提出的复合优化预测模型性能进行定量评价。结果显示,复合优化预测模型的预测精度相较于既不聚类也不进行相关分析的传统BP网络有了很大的提高。其中,MAPE、CV、RMSE分别降低了39.4%、36.9%、38.1%。     

用热影响参数对热力站日供热量预测的影响

将室外温度、历史供热量、生活热水平均日供回水温差、日期类型作为用热影响参数(室外温度分为日最大值、日最小值、日平均值,历史供热量分为前1日供热量、前2日供热量、前3日供热量,日期类型分为工作日、节假日),构建8组用热影响参数组合,采用BP神经网络建立热力站日供热量预测模型1～8。将平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)、相对误差绝对值(ARE)作为指标,评价预测模型的可靠性、稳定性以及预测结果的可信程度。预测模型7(用热影响参数为室外温度日最大值、室外温度日最小值、前1日供热量、前2日供热量、前3日供热量、生活热水平均日供回水温差、日期类型)的可靠性、稳定性最好,预测结果的可信程度最高。加入日期类型可提高预测模型的可靠性、稳定性。     

基于多粒度泄漏积分回声状态网络的日供水量预测

针对多粒度因子耦合对城市日供水量产生的不确定性影响，提出一种基于多粒度挖掘与泄漏积分型回声状态网络（LiESN）的组合预测模型X11+LiESN，以提高城市日供水量预测精度。利用重庆市某水厂2018年1月1日—2020年12月31日的日供水量数据对该方法进行有效性验证。结果表明，所提出模型的平均绝对百分比误差（MAPE）为3.42%，决定系数（R2）为0.862。与单一的LiESN、极限学习机（ELM）和BP神经网络（BPNN）相比，该模型预测精确度高，能够更好地描述日供水量变化趋势，显示出了其有效性和应用潜力。     

基于遗传算法优化BP神经网络的钛合金旋转超声磨削力预测

为预测钛合金旋转超声磨削过程中磨削力的大小,提出了使用遗传算法优化BP神经网络模型来预测磨削力的方法,首先建立磨削力与加工参数(超声频率、超声功率、进给速度、主轴转速)和磨具参数(磨料浓度、磨料粒度)之间的BP神经网络预测模型,采用遗传算法(GA)优化BP神经网络的阈值和初始权值,依据"六因素三水平"的正交试验结果对神经网络模型进行训练。然后对旋转超声磨削力进行仿真预测,神经网络模型预测值与试验值的误差较小,平均相对误差仅为5.97%,结果表明,使用所提模型预测钛合金旋转超声加工的磨削力具有较高的预测精度。     

基于神经网络的深基坑沉降预测模型比较

神经网络预测为深基坑预测提供了一种有效的路径。运用哪种模型较优,输入层、输出层、隐含层参数如何选取,对预测的结果都有一定的影响,本文结合实际轨道交通工程案例,以深基坑沉降监测数据为例,对常见的几种神经网络预测模型进行了对比分析,对几种模型的残差、均方根误差(RMSE)和绝对平均误差(MAE),收敛次数这几个方面进行对比,结果表明遗传算法神经网络对深基坑沉降监测数据预测较为有效,同时对模型参数的选取提出了建议。     

基于GM-BP神经网络的校园建筑能耗预测

针对季节更迭、教学活动等因素对校园公共建筑能耗的影响,通过建立GM-BP神经网络组合预测模型,借助MATLAB软件完成建模和仿真环节,对建筑能耗开展预测分析研究。同时,引入最大相对误差绝对值Emax、平均相对误差Eave和均方根误差RMSE 3个性能指标对各预测模型性能进行评价。结果表明,组合模型较单一的GM(1,1)模型和BP神经网络模型预测精度更高,拟合性能更好。研究成果对能源管理部门制定用能政策及科研院校从事建筑节能研究具有一定的借鉴意义。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法(PSO),对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明:组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于GA-Bi-LSTM的盾构隧道下穿既有隧道沉降预测模型

为了对盾构隧道下穿既有隧道的安全控制提供支撑，以既有地铁隧道的沉降预测误差为目标，采用遗传算法(GA)对双向长短期记忆网络(Bi-LSTM)结构中的时间序列的长度、隐藏层的单元数、隐藏层层数、LSTM的层数以及dropout进行参数优化，并在综合考虑工程地质参数、空间参数和盾构施工参数的基础上，构建GA-Bi-LSTM既有隧道沉降预测模型。以长沙轨道交通3号线平行下穿长沙轨道交通1号线区间工程为依托，基于该区间内的既有隧道沉降监测值以及对应的输入参数数据，对模型进行训练和测试。研究结果表明：提出的GA-Bi-LSTM模型对既有隧道沉降预测的平均绝对误差(MAE)、均方根(RMSE)、样本回归值(R²)分别为0.42,0.45,0.90，平均相对误差仅为10.78%，相较于BP,SVM,LSTM,Bi-LSTM神经网络模型拥有更好的预测精度，说明该模型具有较好的可靠性和实用性，可为新建隧道下穿既有隧道的沉降预测提供一种新的思路和方法。     

基于PSO-BP神经网络盾构掘进参数预测研究

以珠海某城际铁路盾构隧道施工建设为背景,结合已采集的盾构施工数据,采用粒子群优化算法对BP神经网络算法中的连接权值和阈值进行优化,建立了PSO-BP神经网络盾构掘进参数预测模型,并对建立的模型和预测结果进行验证,为后续复合地层盾构掘进参数的选取提供一定参考。     

基于BP神经网络的合流制截污管溢流实时控制方法

提出了一种基于BP神经网络的合流制截污管溢流控制方法,通过使用当前时刻前一段时间每5 min的降雨、控制点水位、蒸发量和雨前干期等数据对控制点未来一段时间的水位进行预测,当控制点预测水位长时间超过设定值时,则实施开闸溢流。通过对近2年共3 000组观测数据进行训练测试,发现该模型的平均绝对误差（MAE）为0.111 5、均方根误差（RMSE）为0.156 5、平均百分比误差（MPE）为0.045 3%、纳什-苏特克利夫效率系数（NSE）为0.938 6,表明该模型在整体预测上满足应用要求。现该模型已部署至武汉市智慧水务系统,并在2023年7月8日的降雨事件中,预测到水位将会上升到22.7 m以上,实施开闸溢流,避免了城区内洪灾害。     

常规水处理工艺多点加氯改造

在制水过程中消毒处理有着至关重要的作用,本文介绍通过对九溪水厂加氯消毒方式的改造,采用多点加氯的模式,较好的解决了水厂滤池亚硝化细菌的滋生、出厂水亚硝酸盐超标、出水余氯不稳定的现象,同时降低制水氯耗,减少加氯消毒副产物。     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。     

基于IPSO-BP算法的城轨列车轮对故障率预测模型研究

为了提高城轨列车轮对故障率的预测精度,文章采用人工神经网络方法代替传统维修策略模型中基于经验的故障率分布显示表达式,以避开故障分布模型的选择;建立了IPSO-BP(improved particle swarm optimization-backpropagation)预测模型,并通过与常规的BP(backpropagation)及PSO-BP(particleswarmoptimization-backpropagation)预测模型进行对比来验证其高效性。仿真结果显示,IPSO-BP神经网络模型的预测误差范围为0～5.5%,输出值的相对误差百分比为0～10%,预测精度均优于常规方法,可为预防性维修决策提供理论参考和方法支撑。     

基于有限元与Elman神经网络的基坑变形预测

针对基坑变形预测问题,提出有限元与神经网络模型相融合的方法。建立某地铁车站深基坑三维有限元模型,提取地表沉降、围护结构深层水平位移模拟值进行分析。以实测数据与有限元模拟值之差作为数据样本,建立Elman神经网络滚动预测模型。对有限元模拟值进行修正得到融合模型预测值。对比融合模型预测值、有限元模拟值与实测值,融合模型预测结果可将有限元模拟值误差减小50%左右。     

基于神经网络的寒地高校冬季热舒适模型应用

本文利用神经网络训练并验证寒地高校冬季热舒适模型,分析寒地高校教学空间的热工情况。热舒适合理预测是创造满意热环境和建筑节能的重要基础。传统的热舒适评价主要以PMV评价指标模型为主。然而,根据一些学者的研究,该指标模型的计算过程十分复杂而且在操作中与实际情况有一定的偏差。随着计算机科学的发展,一些学者开始尝试使用机器学习模型建立热舒适预测模型。本文通过河北建筑工程学院的实地测试,利用神经网络训练和预测PMV评价指标,发现神经网络仿射模拟PMV计算值的误差较小。训练集的均方误差(MSE)为0.011,验证集的均方误差(MSE)为0.023。同时利用神经网络训练和预测实际热感觉投票值,整体准确率为84.8%,平均准确率为84.0%。根据预测结果,拟合出的热中性温度为23.5℃,热舒适范围为(y∈[-1, 1])[19.6℃,27.3℃]。与实际投票值的拟合结果基本趋同。     

面向隧道掘进机可掘性评价的多算法融合优化模型及其工程应用

开展隧道掘进机(TBM)可掘性评价对于科学规划施工要素具有重要意义。在Karaj输水隧道、Zagros输水隧道和西秦岭铁路隧道的219组数据基础上,建立一种基于贝叶斯优化算法和早停策略改进的深度信念网络TBM可掘性评价模型。该模型以岩石单轴抗压强度(UCS)、岩石质量指标(RQD)、优势结构面与隧道轴向的夹角(α)和岩体可切削性指数(RMCI)作为输入变量,以现场贯入度指数(FPI)作为输出变量。在数据预处理阶段,分别采用Kriging插值和改进的CRITIC算法补全数据库中的缺失值并实现数据加权。以引松供水工程和辽西北引水工程为例检验模型的工程实用性：对于引松供水工程的37组测试数据,模型的均方根误差(RMSE)、平均绝对百分比误差(MAPE)和决定系数(R~2)分别为2.18,8.25%和0.926 2;对于辽西北引水工程的49组测试数据,模型的RMSE,MAPE和R~2分别为2.83,8.14%和0.981 7。进一步地,通过定量比较数据加权前、后模型的RMSE,MAPE和R~2,发现数据加权可以有效改善模型预测性能。最后,从预测精度和运行速度2个方面开展了本文模型与BP神经网络...     

神经网络反馈分析方法预测土体热阻系数研究

为研究不同土体的热传导特性,通过文献数据归纳整理,简要分析了土体热阻系数与主要影响因素的相关关系。利用神经网络反馈分析方法,提出土体热阻系数的预测模型,并对所提模型的有效性与优越性进行了对比验证。结果表明:反馈神经网络能够简便、有效的预测土体热阻系数,所建模型以干密度、饱和度和石英含量为输入参数,较为全面、合理地反映了影响土体热传导性质的主要因素;预测模型具有较高的精度,预测值与实测值的相关系数R~2大于0.93,均方根误差RMSE低于28 K?cm/W,方差比VAF大于94%;与传统经验关系式相比,反馈分析模型在新环境中的预测结果上具有显著的优越性。     

基于拌和生产数据的BP神经网络混凝土抗压强度预测

为解决混凝土生产中抗压强度试验周期长及工程管理存在滞后性的问题,提出了一种基于混凝土拌和生产实时监控数据的BP神经网络混凝土抗压强度预测模型。以混凝土拌和生产中的8项物料生产称重数据和5项生产配比数据作为预测输入变量,建立200组混凝土拌和站生产监控数据和对应的抗压强度试验数据样本集,按照6∶2∶2比例划分为训练集、验证集和测试集;分别以C40配比混凝土拌和生产的8项物料称重数据和全部13项数据作为输入变量,进行混凝土28 d抗压强度预测,将预测结果与实际试验结果进行比较,验证所提出BP神经网络模型的预测效果。结果表明：所提出的BP神经网络混凝土强度预测模型能较好地实时预测混凝土28 d抗压强度,且相对误差优于利用7 d抗压强度试验数据估算值;8项物料称重数据作为输入变量的BP神经网络预测模型预测精度更好,平均绝对百分比误差为0.82%,均方根误差为0.52 MPa;利用不同拌和站C20配比、C30配比混凝土拌和生产监控数据对8项输入变量BP神经网络混凝土抗压强度预测模型进行适应性验证可知,其预测平均绝对误差均在0.5 MPa之内,平均绝对百分比误差均小于2%,与C40配比预测误差一致...     

神经网络在单桩承载力预测中的应用

运用基于BP神经网络的组合预测模型对PHC桩的极限承载力进行预测,计算实例表明,使用该组合预测方法所得的预测结果比单纯使用灰色GM(1,1)模型或神经网络模型所得结果的总体误差要小,因而该方法是可行的、有效的。     

基于LSTM的高校建筑电力负荷预测方法

提出一种基于长短时记忆网络(LSTM)的预测模型,以提高高校电力负荷预测的准确率.以某高校的电力负荷数据为研究对象,分析不同超参数的影响,确定最优的预测模型,并与常用的基于支持向量机(SVM)的负荷预测模型进行负荷预测对比.结果 表明,本文提出的负荷预测模型平均绝对百分误差(MAPE)为:办公楼6.67％、科研楼4.32％、教学楼5.98％和宿舍4.57％,每类建筑均比基于SVM预测模型的MAPE低1.5％左右.