基于BP神经网络的垃圾飞灰混凝土抗压强度预测模型

采用不同掺量的垃圾飞灰替代水泥制备高性能混凝土,分析垃圾飞灰不同掺量对高性能混凝土抗压强度的影响。在试验数据的基础上,建立以垃圾飞灰取代率、垃圾飞灰、水泥、砂/水泥、水胶比、龄期为因子的三层BP神经网络预测模型,将模型预测值与试验值进行对比,预测误差均在5%以内。结果表明BP神经网络在预测垃圾飞灰混凝土抗压强度上有较高的精度。     

基于Bagging-WOA-SVR的粮堆温度场预测模型

采用阵列式分布的测温电缆检测粮仓温度变化情况,利用机器学习技术来预测粮食温度,用粮仓一年监测数据来预测粮堆未来27天温度。传统的BP、RBF、RF、SVR单模型对粮堆温度进行预测存在误差大、泛化能力差等缺点,提出一种基于Bagging集成的鲸鱼算法优化支持向量回归模型(Bagging-WOA-SVR),并与灰狼算法优化支持向量回归模型作比较。将影响粮堆温度的多种因素做灰色关联分析,选取粮仓内温度、粮仓内湿度、粮仓外温度、粮仓外湿度、粮仓平均温度、地表温度作为神经网络的输入,粮堆平均温度作为预测输出,选取三个指标为评判标准,对比分析模型预测精度。结果表明：提出的Bagging-WOA-SVR模型相比之下有着较好的稳定性,均方误差为0.24,相关系数为0.9892。