基于GWO-BP神经网络及粮食压缩实验对粮食孔隙率的预测

孔隙率是影响粮堆内热湿传递的关键参数,为探究粮仓中散装粮堆孔隙率的分布规律,通过开展粮食压缩实验来获取不同的粮食种类在不同水分含量和竖向压力条件下的孔隙率。提出了一种基于灰狼算法优化BP(GWO-BP)神经网络的粮食单元体孔隙率预测模型,并将该模型与BP神经网络模型、随机森林模型的孔隙率预测结果进行对比,最后利用粮食单元箱实验对该模型的泛化能力进行验证。结果表明,GWO-BP神经网络模型的孔隙率预测性能最佳,该模型的评价指标R2为0.960 5、RMSE为0.013 7及MAE为0.0131,均在允许的范围内。本研究为粮食孔隙率的确定提供了一种神经网络预测的方法,为深入开展粮堆多场耦合分析提供了重要基础,为安全储粮提供了理论支持。

基于BP神经网络的儿童乘员头部损伤预测模型及评估参数研究

智能座舱与虚拟测评规程的推广,给乘员损伤评价带来新挑战,损伤机理与损伤风险评估参数更加多样化。本文基于图斯特6岁儿童乘员损伤仿生模型与BP神经网络算法构建正面100%重叠刚性壁障工况中乘员坐姿角度与头部损伤指标相关性预测模型,探究不同坐姿下头部损伤风险以及不同评价指标之间的相关性与差异性。结果表明,构建的相关性损伤预测模型具有良好的可信度(R2>0.90),可以用于损伤预测与分析。现有头部损伤评价指标在小角度坐姿范围内(95°~108°)对头损伤评估及预测具有良好的一致性,但是对于大角度坐姿乘员,不同损伤评价指标对头部损伤风险的评估存在显著差异。因此,目前实施的头部损伤评价参数具有局限性,未来虚拟测评中应综合运动学和生物力学参数对头部损伤风险进行更加全面的评估。该研究结果可以为儿童约束系统的改善、虚拟测评以及大角度坐姿乘员头部损伤评价参数的选取提供数据与理论支撑。

基于BP-ANN与RBF-ANN的钢筋与混凝土黏结强度预测模型研究

为研究神经网络对钢筋与混凝土黏结强度的预测能力以及神经网络的输出性能,基于大量的试验数据,提出一种基于改进神经网络的变形钢筋与混凝土黏结强度预测模型,对混凝土结构的研究与实际工程应用均有着重要的意义。收集290组黏结锚固试验数据,引入基于反向传播人工神经网络(BP-ANN)与径向基函数神经网络(RBF-ANN)算法,揭示混凝土强度、保护层厚度、钢筋直径、锚固长度及配箍率对变形钢筋与混凝土黏结性能的影响规律,建立基于改进神经网络算法的钢筋与混凝土黏结强度预测模型。对比分析不同数据预处理方法和训练神经元个数对建议模型预测结果的影响,评估各经典模型与建议模型的预测精度和离散性,提出临界锚固长度计算公式。结果表明:BP-ANN预测值与试验值比值的均值、标准差及变异系数分别为1.009、0.188、0.86,其预测精度略高于RBF-ANN;建议模型能够更准确、更稳定地预测钢筋与混凝土的黏结强度,该方法为解决钢筋与混凝土黏结问题提供了新思路。

基于BP神经网络的白云母超细磨工艺参数优化

为提高白云母超细磨的效率,采用皮尔森相关系数分析超细磨效率与各参数之间的敏感性,并建立BP神经网络模型对白云母的超细磨正交试验参数进行优化。研究结果表明:各参数对超细磨效率敏感程度由大到小依次为瓷球级配、搅拌速率、助磨剂种类、超细磨时间和助磨剂用量。利用BP神经网络优化后的工艺参数进行超细磨试验,可获得-13μm粒级质量分数为83.04%的白云母,与正交试验最佳点相比提高了2.19%,所建模型可提高白云母超细磨效率,且预测精度较高。研究结论为超细白云母粉体的高效制备提供参考。

基于G1-熵权法的正交实验设计对比BP神经网络优化香芩解热颗粒水提工艺

目的优化香芩解热颗粒的水提工艺。方法以加水倍数、提取时间、提取次数为考察因素,以连翘酯苷A、黄芩苷、连翘苷、千层纸素A-7-O-β-D-葡萄糖醛酸苷、汉黄芩苷、黄芩素、汉黄芩素含量和出膏率为评价指标,设计3因素3水平的正交实验,并利用G1-熵权法对上述指标进行综合评分,得正交实验优化的水提工艺。以9组正交实验结果为测试和训练数据,以加水倍数、提取时间、提取次数为输入节点,以综合评分为输出节点,利用BP神经网络建模进行网络模型优化和水提工艺寻优。验证并比较两种方法所得水提工艺参数,确定香芩解热颗粒的最佳水提工艺。结果香芩解热颗粒经正交实验优化后的水提工艺为加水倍数8倍、提取次数3次、提取时间1 h,综合评分为96.84分(RSD为0.90%)。BP神经网络建模优化后的水提工艺为加水倍数12倍、提取次数4次、提取时间0.5 h,综合评分为92.72分(RSD为0.77%),略低于正交实验所得工艺。结论本研究成功优化了香芩解热颗粒的最佳水提工艺,具体为加水倍数8倍、提取次数3次、提取时间1 h。

基于BP神经网络的高山草甸区路基冻融特性预测研究

文中依托西藏昌都地区贡觉至芒康公路改扩建工程,针对路基土的级配组成,设计了路基土室内冻融试验.基于室内试验所得数据,建立了路基土冻融变形预测的神经网络模型,利用该模型预测了路基土的冻胀、融沉变形,得到实际工程中所需路基填料的级配范围.结果表明:在初试含水率为9%的情况下,细粒组含量在11%~16%与17%~18%范围内的路基土样表现为“Ⅱ级弱冻胀”与“Ⅲ级冻胀”;细粒组含量在11%~18%范围内的土样表现为“Ⅱ级弱融沉”;综合考虑细粒组含量对路基土冻胀变形、融沉变形及压实效果的影响,建议将路基填料中的细粒组含量控制在16%的范围内,并可将细粒组含量为13%时的配比作为最佳级配进行考虑.

基于BP神经网络的高分辨率海底地形跨层生成模型

为了满足海底地形的高分辨率需求及解决测量数据的有限性问题,基于多层前馈神经网络(back propagation,BP)和跨层网格生成策略,建立了兼顾海底区域地形整体特征和局部地形信息的海底地形跨层生成模型,实现对海底地形数据生成填充。以南海海底地形为例,通过误差对比、假设检验以及海底地形云图的图像清晰度对本文模型生成数据进行有效性验证。结果显示所建立的模型在保证与原始数据之间误差小和数据特征相同的前提下完成了对地形云图的图像清晰度的提升,并且结果优于传统克里金插值方法。本文分析结果可为地形数据相关研究提供参考。

基于ACO-BP模型的岩石爆破破碎块度预测

为了对岩石爆破破碎块度进行有效预测,设计开展了混凝土试件钻孔爆破试验,得到不同试验条件下的破碎块度归一化值分布,最终选取试块尺寸40 mm以上进行研究。采用Spearman相关系数分析各试验条件参数之间的相关性,再采用蚁群算法(ACO)优化BP神经网络的初始权值和阈值,构建ACO-BP模型。结合现场试块爆破破碎块度数据对模型进行了训练和测试,并将预测模型与BP神经网络模型、随机森林(RF)模型、极限梯度提升(XGboost)模型进行了对比。结果表明,ACO-BP模型预测爆破块度均方根误差为0.13,平均绝对误差为0.11,决定系数为0.92,预测精度和适用性更高,能够更准确地预测岩石爆破破碎块度。

基于遗传BP算法预测贮存寿命

目的针对引信自然贮存试验数据统计方法计算量大且试验时间开展较长的问题,提出BP和遗传算法相结合的方法(遗传BP算法),通过步加试验解决寿命预测问题。方法通过步加试验数据求其试验各级应力下的环境因子,由环境因子将各级应力试验时间折合成实际贮存时间,根据Arrhenius模型求出可靠度函数。其次,采用遗传算法优化BP神经网络,避免陷入BP局部最优问题,将步加试验数据代入遗传BP算法进行训练,提高预测的精度和准确度。将正常应力下的数据代入遗传BP算法进行测试,求出可靠度预测值。最终对比实际、Arrhenius模型、遗传BP算法的贮存可靠度预测值。结果实际、Arrhenius模型、遗传BP算法的贮存可靠度预测值相近,证明遗传BP算法可以满足引信贮存可靠度的预测。结论采用遗传BP算法对步加试验进行寿命预测,可以有效减少试验时长和降低试验成本。

基于NSGA-Ⅱ和BP神经网络的螺旋板式换热器多目标优化

提出了一种带扰流片的螺旋板式换热器结构参数多目标优化方案,该方案主要采用快速非支配排序遗传算法NSGA-Ⅱ、BP神经网络以及CFD正交试验,在给定的范围内寻找最佳的扰流片结构参数。设置16组正交仿真试验模型,并根据试验样本数据得到扰流片结构参数和优化变量之间的非线性映射关系。以对流换热系数和压降为目标函数,使用NSGA-Ⅱ算法对优化后的BP神经网络进行极值寻优,得出优化目标下的Pareto解集,最后采用TOPSIS评价方法得到扰流片结构多目标优化的最终结果。仿真结果表明,优化后的结构同多目标优化算法的预测值误差都在15%以内,对流换热系数h较传统的螺旋板式换热器提高31.4%,说明该优化方法是可行的,为换热器结构优化和工程应用提供一定的参考。

基于BP神经网络的密集度序列估计

考虑到射击冲击载荷造成的弱相关误差对密集度的影响,以及射击试验样本量小、无法获得总体分布特性全貌的情况,继续使用传统的密集度估计方法会影响试验结论的可信度,故提出一种改进型的速射火炮密集度估计方法。在多组试验数据一致性检验的基础上,引入BP神经网络,将弹着点时序信息纳入考量,进行弹着点仿真预测以解决小子样问题。最后,通过最大熵方法获得弹着点坐标服从统计规律的概率密度函数,并得出密集度。实例分析表明,该方法能更准确地刻画反映速射火炮射弹散布真实情形,分析结果准确可靠,能够为速射火炮密集度试验数据分析与评估提供一种有效的借鉴。

基于BP神经网络的刀片切割竹枝性能研究

为探究竹枝切割时的刀片切割性能影响因素,支持后续打枝装置的设计,开展竹枝切割刀片性能研究试验,通过单因素试验研究,利用切割阻力作为衡量标准,探究刀片切割性能与关键参数(刀片的滑动角、楔角和滑动速度)之间的相互关系。试验结果显示,随着刀片滑动角和楔角的减小,刀片切割性能呈现明显改善。同时,随着刀片滑动速度的增加,切割性能也呈现相应提升趋势。在多组实验中,采用不同的刀片滑切角度、楔角和滑切速度参数,对不同直径尺寸的竹枝进行切割,并收集了切割阻力的数据构成数据集,构建一个3层BP神经网络模型,研究了刀片切割性能与滑切角度、楔角以及滑切速度之间的关联,并应用相关模型进行了拟合和预测。在BP神经网络中,当隐含层节点数设定为9时,成功建立了刀片切割阻力模型,精准地预测了刀片切割过程中的阻力变化,对刀片切割竹枝性能研究具有一定参考价值。

基于GA-BP神经网络的用户窃电行为检测

为了提升用户窃电行为检测结果的准确性,提出了一种基于GA-BP神经网络的用户窃电行为检测方法。采用GA算法对BP神经网络的权值和阈值进行优化,建立了GA-BP神经网络模型,采用某区域电力用户用电数据进行仿真分析,结果表明,GA-BP神经网络检测模型在用户窃电行为检测过程中的正确率高达95%,诊断效果更好,验证了所提方法的实用性和有效性。

基于粒子群算法优化BP神经网络的高低温试验箱温度预测

为提高高低温试验箱内部温度预测精度,通过建立粒子群算法优化后的BP神经网络(PSO-BP)模型对高低温试验箱内工作区温度变化情况进行预测,并利用试验采集的有限点温度数据进行对比分析,为高低温试验箱内温度特性的分析计算提供理论和数据支持。结果表明PSO-BP网络取得最小训练误差为9.35×10^(-5),与BP神经网络相比,优化后的PSO-BP神经网络训练集和测试集拟合精度分别提高了1.09%和2.43%。BP网络和PSO-BP网络平均绝对误差(MAE)分别为1.480和0.753,均方根误差(RMSE)分别为1.979和1.842,综合表明PSOBP神经网络预测精准度更高,可有效获得高低温试验箱内连续完整的温度情况,提高了试验箱研发工作效率。

基于BP神经网络优化算法的煤岩识别误差分析

BP (Back Propagation,反向传播)神经网络收敛速度慢,为提高BP神经网络应用水平,采用PSO (Particle Swarm Optimization,粒子群优化)算法优化BP神经网络,提出集2种算法优势于一体的PSO-BP神经网络算法。通过对BP神经网络优化算法应用原理的了解,结合煤矿项目实例,研究BP神经网络优化算法在煤岩识别中应用的可行性。研究对象为传统BP神经网络和优化后的PSO-BP神经网络,设定误差边界等参数,根据误差曲线、预测结果评价2种方法的应用效果。研究表明:PSO-BP神经网络算法的特征值合适,识别精度高,基于BP神经网络优化算法的煤岩识别结果与实际情况具有较高的一致性,采用该优化算法的评价结果可为煤矿生产提供指导。

基于BP神经网络的原状土阻尼比智能预测法

为探究原状土阻尼比D随剪应变γ和土层深度H(上覆压力σ′_(m))的双向维度特征,本文对同一钻孔自地表至基岩深度范围内原状粉质黏土与粉土开展系列共振柱试验。利用BP神经网络技术深度挖掘、识别、学习原状土D的双向维度耦合规律,建立了D智能预测法。通过预测结果与试验数据的比较,得出基于BP神经网络的智能预测法可较好地适用于原状土D的双向维度特征预测。试验表明:原状土D与γ和H(σ′_(m))2个维度存在耦合相关。同一H(σ′_(m))维度时,D随γ增加呈现非线性上升规律;同一γ维度时,D随H(σ′_(m))增加呈现相反的降低规律;随着H(σ′_(m))维度的增加,D~γ整体非线性关系逐渐下倾伴随着增长速率逐级变缓。本文方法实现了原状土D在H(σ′_(m))和γ双向维度下的智能预测。

基于PSO-BP神经网络的小冲孔蠕变寿命预测模型

为提高小冲孔蠕变寿命预测的准确性,选取温度、载荷参数作为预测模型的输入参数,利用粒子群算法(PSO)优化神经网络权值和阈值,建立基于PSO-BP神经网络的小冲孔蠕变寿命预测模型。使用MATLAB建立优化后的预测模型,并与传统BP神经网络预测的结果进行对比。结果表明:粒子群优化的神经网络有效提高了预测模型的准确性和稳定性。可见,PSO-BP小冲孔蠕变寿命预测模型是合理、可行的,为小冲孔蠕变寿命预测提供了一种简单可行的思路和办法。

基于BP神经网络的短距离无线通信数据传输丢帧测试方法

单一传输节点在不同传输信道的传输任务分配情况不同,导致短距离无线通信数据传输丢帧情况的测试结果误差往往较大。为此,基于反向传播(Back Propagation,BP)神经网络对短距离无线通信数据传输丢帧测试方法展开研究。考虑影响短距离无线通信数据传输状态的核心要素是传输节点的感知范围和目标点与传输节点之间的距离,利用布尔感知模型构建包含完全感知(概率为1)或未感知(概率为0)的短距离无线通信感知模型;在数据传输丢帧测试阶段,引入BP神经网络,围绕感知概率为0的节点,将传输节点在不同传输信道的传输任务分配情况作为隐藏层的学习目标,综合分析丢帧率。测试结果表明,在不同通信密度测试场景下,文章方法均未受到明显影响,测试结果与实际丢帧率之间的绝对误差仅0.01%,该方法具有高度稳定性和准确性。

基于BP神经网络的星箭界面动载荷识别

提出一种基于BP神经网络的星箭界面动载荷识别新方法。建立卫星结构的高保真动力学模型,利用仿真分析/地面试验获取的卫星结构加速度响应与星箭界面加速度激励的样本库;基于BP神经网络训练卫星结构加速度与星箭界面加速度激励的传递关系,利用实测卫星结构加速度响应识别星箭界面加速度激励;将星箭界面加速度激励施加与卫星结构的高保真动力学模型获取星箭界面动载荷。开展了数值仿真和振动试验,验证了所提出方法的有效性,为服役状态下卫星结构的振动载荷环境预示提供有力支撑。

BP神经网络在大跨斜拉桥性能检测中的应用研究

大跨斜拉桥工程的迅速发展对给该类桥梁的工作性能评估提出了更高的要求。针对大跨度斜拉桥的复杂情况,以浙江省某大跨度斜拉桥为检测对象,利用MIDAS/CIVIL有限元建模预测和荷载试验相结合的方法对桥梁的实际工作性能进行评测。采用Python软件构建BP神经网络,利用MIDAS/CIVIL有限元模型提供的训练样本对算法进行训练,将荷载试验实测值作为算法输入,得到桥梁模型参数和桥梁挠度应变改良值。由结果对比可知:MIDAS/CIVIL模型参数取值和真实值相差较大,误差最大可达27%。BP神经网络算法优化后的桥梁应变预测值更接近实际,优化后理论值误差可减少10%~20%。研究结果表明BP神经网络算法在桥梁工作性能评估中具有实践意义,该研究为大跨斜拉桥工作性能评估提供了可靠的方法借鉴。