基于CSSA-BPNN模型的胶结充填体动态抗压强度预测

充填采矿法二步骤回采时胶结充填体稳定性受爆破扰动而降低。为快速准确地获得充填体动态抗压强度,利用分离式霍普金森压杆(SHPB)进行了40组不同应变率的单轴冲击实验,以灰砂比、充填体密度、养护龄期和平均应变率作为输入参数,充填体动态抗压强度作为输出参数,建立了一种基于Logistic混沌麻雀搜索算法(CSSA)优化BP神经网络(BPNN)的预测模型,并与传统BPNN和麻雀搜索算法优化的BPNN进行了对比分析。结果表明:CSSA-BPNN模型的平均相对误差为4.11%,预测值与实测值之间拟合的相关系数均在0.96以上,模型预测精度高。CSSA-BPNN模型的均方根误差为0.395 0 MPa,平均绝对误差为0.359 2 MPa,决定系数为0.995 2,均优于另外两种预测模型。实现了对充填体动态抗压强度的准确预测,可大幅减小物理实验量,为矿山胶结充填体的强度设计提供了一种新方法。

基于BPNN-PID控制策略的果蔬保鲜环境参数调控优化

【目的】开发新的控制策略,用于解决传统控制方法果蔬保鲜环境参数因时变性、非线性、滞后性强和惯性大等特点导致的控制精度低、鲁棒性弱等问题。【方法】将传统比例−积分−微分(Proportional-integral-derivative,PID)和BP神经网络(Back-propagation neural network,BPNN)算法相结合,开发一种基于BPNN-PID的控制策略,通过自主搭建的果蔬保鲜环境调控试验平台和自主设计的控制系统,研究不同控制策略对保鲜环境参数调控效果的影响。【结果】基于BPNN-PID控制策略的果蔬保鲜环境控制系统,环境温度超调量为1.7℃、稳定时间为80 min、稳态误差为±0.2℃,环境相对湿度超调量为2.8%、稳定时间为55 min,相对湿度稳定维持在80%~90%范围内。与传统PID控制策略相比,BPNN-PID控制策略环境温度超调量减小了2.1℃、稳态误差减小了0.3℃、稳定时间缩短了25 min,环境相对湿度超调量减小了2.2%、稳定时间缩短了25 min,环境参数波动幅度均有所降低。【结论】本文开发的果蔬保鲜环境控制系统呈现出良好的动态调整能力,具有较强的鲁棒性,控制性能明显提升,实现了保鲜环境参数的精准控制,满足果蔬保鲜贮藏要求。研究结果为果蔬保鲜环境参数调控提供了参考。

基于PSO-BPNN的精矿品位预测模型研究与应用

为精准地预测精矿品位,融合粒子群算法与BPNN,建立基于PSO-BPNN的精矿品位预测模型。将某矿山选矿厂的500组数据作为样本,训练样本选前400组数据,测试样本选后100组数据,采用BPNN和PSO-BPNN进行案例应用。结果表明:在精矿品位预测过程中,PSO-BPNN增强了BPNN的预测精度和收敛速率,最大相对误差小于1%,预测精度达到99%。

IPSO-BPNN:一种结合粒子群优化的BP神经网络透射光谱水质亚硝酸盐含量定量化模型

亚硝酸盐是一种常见的水质污染物,主要来源为废水、肥料和污水处理厂等。水质中亚硝酸盐浓度大小是评估水体健康程度的一个重要指标,但传统的亚硝酸盐浓度检测方法操作复杂且容易受到检测环境的干扰,无法直观和准确的反映出水质健康程度。为了探究一种新的方式来评估水体的健康程度,使用IPSO-BPNN模型对亚硝酸盐透射光谱数据进行浓度预测。首先选择10种浓度的亚硝酸盐标准溶液(0.02、0.04、0.06、0.08、0.10、0.12、0.14、0.16、0.18和0.20 mg·L^(-1),使用OCEAN-HDX-XR微型光谱仪在相同的时间间隔下对十个浓度的亚硝酸盐溶液进行扫描,并通过白板校正得到光谱数据的光谱透射率值。使用最大最小归一化、均值中心化两种预处理方法将光谱数据进行维度和中心点的统一,使得不同样本之间的光谱数据具有可比性和可解释性。由于原始光谱数据维度较高,采用核主成分分析进行数据降维,选择代表原始数据97.94%信息的6个主成分进行IPSO-BPNN模型的训练。在预测亚硝酸盐浓度时,对原始粒子群优化算法进行了改进,引入了自适应学习因子和惯性权重更新公式以及粒子种群多样性引导策略,并在BP神经网络的基础上引入了学习率自适应公式,提高了算法的性能。通过比较不同粒子数进行迭代的函数适应度值变化曲线,选择使用100个粒子进行30次迭代来寻找最优权重和偏置组合。结果显示,IPSO-BPNN预测模型的决定系数为0.984360,均方根误差为0.006920,平均绝对误差为0.004103,与当前预测性能较好的随机森林模型、线性回归模型、BP-ANN模型、PSO-BPNN模型和PSO-SVR模型相比,该模型的拟合效果更好,精确度更高。基于以上结果,提出了一种基于IPSO-BPNN模型的高光谱水质亚硝酸盐浓度预测方法,为水体健康程度的评估提供了新的思路。

基于PSO‑BPNN模型的氯氧镁水泥混凝土耐水性预测

为快速准确地获得具有优异耐水性氯氧镁水泥混凝土(MOCC)的配合比,设计了拓扑结构为4‑10‑2的粒子群优化(PSO)算法-反向传播(BP)神经网络(PSO‑BPNN)模型.该模型的输入层参数为n(MgO)/n(MgCl_(2))、粉煤灰掺量、磷酸掺量和磷肥掺量,输出层参数为MOCC的抗压强度和软化系数;模型数据集为144组,其中训练集数据为100组,验证集数据为22组,测试集数据为22组.结果表明:PSO‑BPNN模型在MOCC抗压强度预测中的评价参数——决定系数R^(2)=0.99、平均绝对误差S_(MAE)=0.52、平均绝对误差百分比S_(MAPE)=1.11、均方根误差S_(RMSE)=0.73;其在软化系数预测中的评价参数——R^(2)=0.99、S_(MAE)=0.44、S_(MAPE)=1.29、S_(RMSE)=0.62;与BP神经网络(BPNN)模型相比,PSO‑BPNN模型具有更强的双参数预测能力,可用于MOCC配合比的正向设计和反向指导.

基于MCDM-BPNN的城市内涝风险评价及调蓄池选址

为建立一套较为完善的城市内涝风险评价体系,并据此确定调蓄池位置,首先,从积水风险、超载风险和边侧进流量3个维度构建评价指标,设计一种包括改进层次分析法(IAHP)、反熵权法(AEW)和优劣解距离法(TOPSIS)的混合多准则决策框架(MCDM);然后,将IAHP-AEW-TOPSIS模型分别与IAHP-TOPSIS、AEW-TOPSIS模型对比,通过斯皮尔曼排序相关系数验证排序一致性,通过计算变异系数、相对极差和灵敏度证实IAHP-AEW-TOPSIS模型的性能;最后,结合反向传播神经网络(BPNN),建立MCDM-BPNN模型,并以山西省某一内涝易发区域为例进行验证。结果表明:积水风险对城市内涝风险评价体系的影响最为显著,所占权重为0.46,其次为超载风险,所占权重为0.36;节点位置与连接管道数量很大程度上对该节点的内涝风险产生影响,在管道汇接处或汇流面积较大处内涝出现更为频繁;IAHP-AEW-TOPSIS模型在样本判别方面具有更好的性能;在5年与10年重现期下,MCDM-BPNN模型验证集准确率分别为93.3%和100%,能够准确快速模拟和预测城市洪水;应用案例设置调蓄池后,高、中、低风险节点数量分别为7、9、30和6、19、21,内涝溢流削减效果显著。

基于ADASYN数据平衡化的PSO-BPNN变压器套管故障诊断

变压器套管作为设备重要的绝缘部件,其绝缘性能直接影响着设备的安全运行。为诊断变压器套管绝缘状态,改善变压器套管油中溶解气体的小样本不平衡数据对变压器套管故障诊断结果的影响,使用粒子群优化结合反向传播神经网络(particle swarm optimization combined with back propagation neural network,PSO-BPNN)和自适应综合过采样(adaptive synthetic sampling,ADASYN)算法对变压器套管进行故障诊断。首先收集变压器套管的历史故障数据,建立具有明确故障类别的变压器套管油中溶解气体样本集,并通过ADASYN算法对原始数据中的少数类样本进行合成,得到平衡后的故障数据,然后将平衡后的油中溶解气体作为模型输入,故障状态作为标签输出,通过PSO-BPNN模型对变压器套管进行诊断,最后在原始样本集下使用反向传播神经网络(back propagation neural network,BPNN)、遗传结合反向传播神经网络(genetic combined with back propagation neural network,G-BPNN)算法、布谷鸟搜索结合反向传播神经网络(cuckoo search combined with back propagation neural network,CS-BPNN)算法以及PSO-BPNN模型对套管进行诊断。结果表明,针对变压器油纸套管绝缘状态进行故障诊断的多个模型中,基于ADASYN平衡数据后的PSO-BPNN模型和其他模型相比准确度最高,能有效减小小样本不平衡数据对诊断结果的影响,为判断变压器油纸套管绝缘性能提供了有效方法。

基于PCA-BPNN模型的埋地管道腐蚀速率预测研究

为了更加准确可靠地预测埋地管道的腐蚀速率,融合PCA分析法和多隐层BP人工神经网络模拟方法进行研究.选取陕西省某油气公司的埋地输油管道,构建8维度外腐蚀指标体系,在PCA-多隐层BPNN模型中模拟训练得到结果.通过PCA预处理将外腐蚀指标体系降为3维,以便减少多元素信息带来的耦合影响,模拟得到隐藏层参数最优的BPNN模型,预测腐蚀速率,求出预测值精确度,统计得到改进后方法精确度大于95%的个数是单一BP方法的2.5倍.为了检验PCA-多隐层BPNN方法的鲁棒性,另取20组数据代入验证,再次证实了PCA-多隐层BPNN模型所得的误差更小,更能满足实际工程需要.

基于PSO-BPNN模型的爆破块度预测

爆破块度和级配对水利工程堆石体的稳定性与渗透性影响至关重要,爆破块度的精确预测是目前岩体爆破领域科研工作者关心的热点问题之一。基于BP神经网络基本原理,利用PSO算法优化网络权重和偏置,构建PSO-BPNN模型,结合典型爆破数据对模型进行训练和测试,并依托山西浑源抽水蓄能电站工程实际验证模型的可靠性与适用性。结果表明:PSO-BPNN模型预测爆破块度计算时间短,可靠性高;模型预测输出值与工程实际平均爆破块度值最大相对误差为6.56%,其预测精度高和适用性较高,可为山西浑源抽水蓄能电站堆石坝的建设提供精确的指导。

基于SSA-BPNN的锂离子电池SOH估算

锂离子电池已被广泛应用于储能系统与电动汽车中,精确地估算锂离子电池健康状态SOH(state-of-health)是保证系统安全可靠运行的必要条件。从容量的角度分析SOH,在恒流-恒压CC-CV(constant current-constant voltage)充电电压和温度曲线中提取了7个健康特征HI(health indicator)作为输入,基于数据驱动法提出了麻雀搜索算法-反向传播神经网络SSA-BPNN(sparrow search algorithm-back propagation neural network)的锂离子电池SOH估算方法,并应用数据增强进一步提高模型的鲁棒性,最终在NASA锂离子电池随机使用数据集上进行验证。通过与未采取数据增强的传统BP神经网络相比,获得SOH估算精度有明显提升,测试集SOH估算的最大绝对误差和均方根误差分别小于3%和1.32%,实验结果表明该方法兼顾误差小,收敛快,全局搜索能力且能够适应电池老化差异特性。

基于SBAS-InSAR和BPNN的铀尾矿坝形变智能监测与预测

为提高铀尾矿库退役治理的监测工作效率,提出一个基于小基线合成孔径雷达干涉测量(SBAS-InSAR)技术和反向传播神经网络(BPNN)的铀尾矿库形变智能监测与预测模型。首先,利用SBAS-InSAR技术得到铀尾矿库2020年12月—2022年12月的累计形变量与年均形变速率,并用第一拦水坝的7个全球导航卫星系统(GNSS)监测站验证InSAR监测值的精度;然后,选取铀尾矿库中的雷公塘坝、南坡横坝、战斗坝和松林坝4个坝段的累计沉降量并结合降雨量进行沉降分析;最后,随机提取铀尾矿坝100个沉降点的累积沉降数据,通过BPNN预测铀尾矿坝的形变。结果表明:2年间铀尾矿库的形变速率在-60.06~34.94 mm/a,铀尾矿坝整体处于下沉状态,累计沉降量最大为-46.67 mm。BPNN预测值与实际监测值的平均绝对误差为0.586 mm,均方误差为0.624 mm。

基于改进麻雀搜索算法优化BPNN的电阻点焊质量预测

电阻点焊技术由于具有高效、自动化程度高等焊接特点,被广泛应用于汽车、航空航天和公共交通等制造领域,由于焊点在封闭状态下进行,焊接过程存在诸多影响因素且无法直接检测,因此,准确预测电阻点焊质量是生产过程中必不可少的环节.本文以2219/5A06铝合金为研究对象,在3种不同的装配条件(包括间隙和间距)下进行电阻点焊工艺信号的分析,并进行人工智能建模.为了提高电阻点焊质量评价的性能和效率,本文采用Logistic-Tent(LT)复合映射改进麻雀搜索算法(SSA)对反向传播神经网络(LT-SSA-BPNN)模型进行优化,模型的输入和输出分别为多信号融合后的变量和熔核直径.实验结果表明,与传统的标准反向传播神经网络(BPNN)模型相比,经过LT-SSA-BP模型优化后,预测结果的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别降低了36.17%、17.55%和51.75%.同时,LT-SSA-BP神经网络在添加了不同间隙和间距条件作为训练集后,其预测稳定性明显提高,可以成功预测电阻点焊质量.

基于改进BPNN算法的电力物资需求预测方法分析

电力物资需求预测是电力企业运营管理中一项重要技术,但是当前预测水平比较低,不仅平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)比较大,而且预测结果置信度水平比较低,无法达到预期的预测效果,因此提出基于改进误差反向传播神经网络(Back Propagation Neural Network,BPNN)算法的电力物资需求预测方法。为保证电力物资需求预测的准确性,首先按照项目的性能将电力物资分为技改物资、维修物资、科技物资、基建物资以及信息物资,然后根据划分的物资类别从电力物资信息系统或平台上收集历史电力物资信息,并对数据泛化和归一化处理,利用改进BPNN算法对电力物资需求数据训练,提取电力物资需求特征,量化预测电力物资需求,以此实现基于改进BPNN算法的电力物资需求预测。经实验证明,设计方法MAPE不超过1%,预测结果置信度不低于95%,在电力物资需求预测方面具有良好的应用前景。

基于BPNN模型对降雨量预测研究

近年来天气异常状况频发,依靠传统的技术手段已无法对降水量进行有效预测,为了对昆明市某地区降水量较为准确的预测,本文将昆明市某地区降雨量样本进行分析建立了ARIMA和BPNN模型,将这两个模型的预测结果进行分析比较,结果表明BPNN模型的预测精度较高,对降雨量的趋势和数值有着较为准确的预测。

基于改进BPNN的5G通信网络流量预测

为提高5G网络流量预测结果的准确性,提出一种基于改进反向传播神经网络(Back Propagation Neural Network,BPNN)的5G通信网络流量预测方法,采用阿基米德优化算法(Arithmetic Optimization Algorithm,AOA)优化BPNN的权系数和阈值,建立基于AOA-BPNN的5G通信网络流量预测模型。采用某5G基站的网络通信流量监测数据进行仿真分析,并与其他方法的预测效果进行对比,结果表明,AOA-BPNN模型预测结果的平均相对误差和均方根误差分别为4.25%和0.522 GB,预测精度高于其他方法,验证了所提方法的实用性和优越性。

基于BPNN和MOOGA的高速联轴器多目标优化方法

针对高转速、复合工况下膜盘联轴器难以保证其强度特性问题,对已有膜盘联轴器强度及动力学特性进行了研究,提出了一种基于反向传播神经网络(BPNN)和多目标优化遗传算法(MOOGA)的高速联轴器多目标优化方法。首先,为了得到优化所需的关键参数,采用了正交实验结合多因素方差分析的方法,选取了联轴器优化参数;然后,基于已选取的关键参数,采用BPNN方法构建了截面应力和弯曲刚度的目标函数,并将其与多项式拟合方法进行了对比,对BPNN方法的精确性进行了验证;最后,采用MOOGA方法对目标函数进行了多目标优化,并将优化前后结果进行了对比分析。研究结果表明:采用BPNN结合MOOGA的方法对联轴器设计参数进行优化,在满足联轴器刚度需求的情况下,可有效降低联轴器膜盘的危险截面应力;优化后,联轴器危险应力减小了18.2%,弯曲刚度降低了5.05%,联轴器角向补偿能力增加了0.1°,从而证明了仿真的有效性。该结果可以为挠性联轴器参数优化设计提供参考。

基于MFO-BPNN的螺旋钻机钻速预测研究

针对利用现有经验公式所建立的螺旋钻机钻速预测模型存在准确度不足的问题,提出了一种基于飞蛾扑火算法(MFO)的反向传播神经网络(BPNN)钻速预测模型。首先,对MFO算法的基本原理进行了研究,构建了MFO算法优化BPNN的具体流程;接着,采集了江苏无锡某施工现场钻探数据,并分析了钻速影响因素,运用小波阈值降噪、归一化和灰色关联度分析等系列方法对采集数据进行了预处理,得到了训练和测试集;然后,将MFO算法运用于神经网络的权值和阈值训练,以代替原有梯度下降法,建立了MFO-BPNN钻速预测模型;最后,对上述预测模型与BPNN模型、遗传算法优化反向传播神经网络(GA-BPNN)模型以及粒子群优化算法优化反向传播神经网络(PSO-BPNN)模型的预测结果和评价指标进行了详细的对比分析。研究结果表明:运用MFO-BPNN建立的钻速预测模型,其可靠性达到了91.65%,其决定系数(R 2)优于其他3种预测模型,3项误差指标也是其中最低的,说明该模型的预测精度良好,适合于桩基础工程的实际应用,可为复杂因素影响下的钻速预测提供一种新思路。

基于BPNN、SVR和RF模型的7050合金高温流动应力预测

采用Gleeble-3500热物理模拟机对7050铝合金进行等温热压缩实验,获得了合金在变形温度为300~450℃以及应变速率为0.001~1 s^(-1)条件下的应力应变数据。在此基础上,建立了经灰狼优化算法(Grey wolf optimization,GWO)优化的反向传播神经网络(BPNN)、支持向量机(SVR)和随机森林(RF)模型并验证其预测精度。结果表明:经过GWO优化的BPNN、SVR和RF模型预测精度高于原始模型;GWO-BPNN与GWO-RF模型的预测精度比较接近,且均高于GWO-SVR;在外推数据预测上,GWO-BPNN模型的预测精度更高,在内插数据预测上,GWO-RF模型的预测精度更高。不同机器学习模型对流动应力数据的拟合效果不同,其预测精度也存在差异。

基于GA-ADAM优化的BPNN配电网潮流计算

潮流计算是电力系统运行与控制的基础。为解决配电网可再生能源渗透率不断增加带来的负荷点电压波动的不确定性,以及传统电力系统潮流数据收集能力不足导致潮流计算不准确等问题。本文提出了一种基于数据驱动的潮流分析模型,构建了一种基于BPNN结合GA-ADAM优化算法模型来分析随机性下配电网的潮流计算方法。首先,引入潮流初值信息、拓扑结构特征以及功率因数指标构建训练集,通过对回归模型的训练,充分挖掘节点电压与功率之间的映射关系。其次,使用GA-ADAM算法优化模型初值和权重参数。最后,基于IEEE-33节点配电网模型进行验证,本文模型潮流计算的最大误差3.93×10^(-3),平均绝对误差1.46×10^(-3),均方根误差1.81×10^(-3),优化后的BPNN潮流计算电压误差值降低37.66%。实际算例仿真结果表明,与其他方法比较,本文构建的模型各误差指标小、准确度高,提高了潮流计算的效率和准确性。

基于PSO⁃BPNN的煤自燃危险性预测模型

为提高采空区遗煤自燃危险性预测的准确性,采用粒子群优化算法(PSO)改进反向传播神经网络(BPNN)的连接权重和阈值,构建一种将PSO算法与BPNN相耦合的煤自燃预测模型(PSO-BPNN模型),并从不同方面对比分析PSO-BPNN模型与BPNN模型和支持向量回归机(SVR)模型的预测结果。研究表明:优化后的平均相对误差、平均绝对误差和均方根误差相较于BPNN模型分别降低了9.35%、0.1707和0.2056,判定系数增大了0.1169;比SVR模型分别降低了5.41%、0.1152和0.1715,判定系数增大了0.0891。证明PSO-BPNN模型具有更高的预测精准性。