基于人工神经网络智能算法的9310钢本构模型优化

目的研究9310钢在变形温度为800~1200℃、应变速率为0.01~50s-1和高度压下量为70%条件下的热变形行为,建立预测效果相对较好的9310钢本构模型。方法使用Gleeble-3800热模拟机对9310钢进行等温恒应变速率热压缩实验,基于热压缩实验数据,分析了应变速率对9310钢流动软化效应的影响,建立了考虑应变补偿的Arrhenius本构模型与支持向量回归(SVR)本构模型,并进行了模型精度分析,之后引入人工神经网络(ANN)智能算法优化了Arrhenius本构模型。结果与变形温度相比,应变速率对9310钢流动软化效应的影响更为显著。相较于支持向量回归(SVR)本构模型,考虑应变补偿的Arrhenius本构模型精度更高,其相关系数R为0.9934,平均相对误差(AARE)和均方误差(MSE)分别为0.0556和89.362,它在预测高应变速率(1、10、50 s-1)流动应力时出现了较大偏差,经ANN智能算法优化后,相关系数R提高至0.9991,AARE和MSE分别降至0.0199和9.998,且绝对误差在±10MPa以内的预测流动应力占比为98.34%。结论在低应变速率(0.01 s-1)下软化效应更强,在高应变速率(10 s-1)下再结晶程度较低,软化效应较弱。ANN智能算法优化后的Arrhenius本构模型具有较高的精度,能较准确地预测9310钢的流动行为。

基于人工神经网络方法的FRP增强混凝土断裂研究新思路

纤维增强复合材料(FRP)作为一种新型的增强加固材料,由于其强度高、质量轻、防腐蚀、耐疲劳、与混凝土粘结性能好以及便于施工等诸多优点,在混凝土结构修复加固领域得到了广泛的应用。近年来,随着人工智能(AI)的逐渐兴起,机器学习(ML)作为实现AI的一种途径,在水利、建筑等各行各业也得到了长足的发展。首先简单介绍了ML的基本原理,并通过对ML在混凝土结构工程中应用的系统回顾与总结,指出了传统试验和数值模拟分析中FRP增强混凝土断裂研究存在的一些难点和局限性,阐述了基于ML的人工神经网络(ANN)方法在处理混凝土结构问题中的优越性,认为采用ANN方法能够有效解决FRP增强混凝土断裂研究中难以解决的问题;其次,对ANN方法应用于FRP增强混凝土断裂韧度预测中的新思路进行了详细介绍,给出了ANN方法应用于FRP增强混凝土断裂韧度预测的具体流程,并对其流程中的一些步骤给出了建议;最后,对ML应用于FRP增强混凝土断裂方向的深入研究进行了展望,提出了ML应用于FRP增强混凝土断裂方向深入研究的相关问题。

基于人工神经网络和遗传算法的隧道爆破超挖预测模型研究

隧道超挖会额外增加施工成本,还将面临潜在开挖面坍塌、冒顶等风险。本文以G0711乌鲁木齐至尉犁段天山胜利隧道主洞施工为依托,利用人工神经网络(ANN)、遗传算法-人工神经网络(GA-ANN)两个智能模型来预测隧道超挖量。首先提取依托工程中的406个数据集组成数据库,其中延误次数、炮孔长度、炮孔抵抗线、炮孔间距、炸药单耗、围岩等级、炮孔抵抗线等参数为输入端,所预测隧道超挖量为输出端;然后根据均方根误差(RMSE)、方差贡献(VAF)和确定系数(R^(2))等性能指标筛选出预测精度更高的智能模型。研究结果表明:GA-ANN模型训练集和测试集结果(VAF=90.134,R^(2)=0.903,RMSE=0.058;VAF=88.030,R^(2)=0.881,RMSE=0.074)明显优于ANN模型(VAF=70.319,R^(2)=0.703,RMSE=0.103;VAF=768.731,R^(2)=0.693,RMSE=0.108),因此GA-ANN预测方法更能精确预测隧道钻爆施工超挖量。此外,敏感性分析结果表明,与其他输入相比,超挖主要受RMR参数影响,研究成果能够为公路隧道超挖量预测提供理论基础。

浅谈遗传算法与人工神经网络的结合

主要阐述遗传算法(简称GA)和人工神经网络(简称ANN)的特点,并说明遗传算法与人工神经网络结合的必要性,同时对今后的研究前景作了具体的展望。

利用人工神经网络预测电池SOC的研究

能源和环境与人类社会的生存和发展密切相关,能源短缺和环保的要求推动了混合动力车的发展。电池是混合动力车的动力源之一,准确和可靠地获得电池荷电状态(Stateofcharge,SOC)是电池管理系统的主要任务之一。在总结现有SOC预测方法的基础上,尝试使用人工神经网络的方法预测动力电池SOC。结果表明人工神经网络对多变量的非线性系统非常有效。另外,不同的数据样本对训练效果存在影响,试验表明用处理后的数据进行预测的结果明显较好。

应用人工神经网络预测棒-板短空气间隙在淋雨条件下的交流放电电压

为了获得降雨条件下能预测空气间隙击穿电压的数学模型,根据在人工气候室试验得到的降雨条件下空气间隙击穿电压数据,运用神经网络原理,建立了降雨条件下的交流棒-板短空气间隙击穿电压的人工神经网络模型。利用该模型可以对一定降雨条件下的交流棒-板短空气间隙击穿电压进行预测,预测结果满足精度要求,同时,该文根据建立的人工神经网络模型模拟了降雨时单个及多个环境因素对空气间隙击穿电压的影响,并对模拟结果进行了分析,结果表明:大气压强一定时,随着降雨强度、雨水电导率的增加以及环境温度的降低,空气间隙的击穿电压随之降低;当降雨强度、雨水电导率和环境温度其中任一环境因素改变时,另两个因素对空气间隙击穿电压的影响程度也随之改变。人工神经网络模型对训练数据的依赖较大,对训练范围以外的数据预测精度较差。

基于人工神经网络理论的建筑物火灾安全评价研究

依据建筑物火灾危险性的影响因素,应用人工神经网络理论及系统安全方法,建立了建筑物火灾危险性的评价指标体系,该方法摆脱了评价过程中的随机性和参评人员主观上的不确定性及其认识上的模糊性等缺点,大大提高了准确性。为了验证评价模型的准确性,将该理论应用到某高校图书馆火灾危险性评价中,快速、准确地得到了安全评价结果,取得了满意效果,为建筑物防火设计以及安全管理提供了可行的依据。

基于GIS的人工神经网络矿产预测系统设计及应用

利用地理信息系统(GIS)和人工神经网络(ANN)相结合,研究了基于 GIS的人工神经网络矿产预测系统设计方案,实现了从地质变量优选到人工神经网络成矿预测结果图形显示的计算机自动化处理。在凤凰山矿田的应用显示,预测结果与现有矿床十分吻合,是矿产预测的有效方法。

用人工神经网络法预估芳香族多硝基化合物生成焓

采用误差反向传播学习(BP)的一个双层神经网络,以分子结构中不同基团作为描述码,预估芳香族多硝基化合物的生成焓,研究了网络参数及分子结构描述码的影响,同时用分子子图法进行了多元线性回归,取得了较好的结果(其回归方程相关系数达到0.9967),计算结果的绝大多数相对误差在10%范围以内。

人工神经网络法计算非芳香族多硝基化合物的生成焓

用误差反向传播(BP)的人工神经网络模型及分子结构描述码作为输入特征参数预测非芳香族多硝基化合物的生成焓,研究了网络参数及分子结构描述码的影响,同时按分子结构描述码进行了多元线性回归,取得了满意的结果,其回归方程相关系数达到了0.9977,精度高于文献值。绝大多数相对误差在10%以内。

基于多阶人工神经网络的ECG信号诊断模型研究

目前已经有多种不同的ECG(心电图)信号辅助诊断工具得到应用,其中包含了基于人工神经网络的ECG分类器应用系统。本文介绍一种基于多阶前馈人工神经网络的新型ECG信号诊断模型,其目标是设计一种结构简单、成本低、响应速度快,识别率高的ECG信号辅助诊断系统。首先给出多个不同结构的神经网络,然后针对6种不同的心脏状况,比较这些神经网络之间的性能差异和辨别能力。网络的输入数据来自于M IT/B IH数据库,包括12种ECG特征信号和相应的每次心脏搏动的13段压缩信号。通过研究测试发现,基于二阶神经网络的ECG模型识别率最高,正确率达到了90.57%。

人工神经网络在皮尔斯电子枪设计中的应用

基于人工神经网络(ANN)的皮尔斯电子枪初值设计方法,不但能有机地结合迭代综合法与非迭代综合法的优点,还能把前人体现在实验数据中的设计经验通过训练样本融入到其中,从而设计出很接近实验值的新电子枪。在有较多电子枪实验数据的情况下,ANN法的优点尤为显著,经20多支电子枪的检测结果表明:ANN法的设计值比综合法的计算值更接近实验结果。

RBF人工神经网络拓扑结构定义与解的唯一性证明

以RBF人工神经网络为例,通过引入透明人工神经元的定义,提高了人工神经网络拓扑结构表述方面的一致性,证明了人工神经网络解的唯一性与确定性,提出了训练算法的非随机性和学习速率的最佳选择.

基于人工神经网络的时间序列交通事故预测

分析了人工神经网络和时间序列的优越性和适用性,提出了基于神经网络基础之上的时间序列预测方法,从而实现了从线性预测到非线性预测的转变。

人工神经网络及其在地学中的应用综述

人工神经网络(ANN)是一种模仿人脑神经网络结构和功能的信息处理系统,是一种分布式并行处理信息的抽象数学模型,现已在许多科学领域得以成功应用。在地球科学领域,人工神经网络最早应用于地球物理反演问题,随后逐渐扩展至其他领域。通过简要介绍人工神经网络的发展历程、基本特征及其模型,对地学领域中常用的人工神经网络模型进行了简单对比,并论述了其在地学领域中的应用特点,总结了近年来人工神经网络在地学领域中的主要应用,着重从判别分类、模式识别、预测评价以及信息数据处理等方面的应用进行了详细阐述。同时,结合地学领域的实际特点和人工智能领域中大量出现的优化理论和技术,分析认为人工神经网络在地学领域中的应用将逐渐呈现多种技术和深度学习的相融合态势,且在地学领域中应用效果会日益显著。这些探讨和分析对推动地学工作数字化、智能化具有参考意义。

基于粗糙集-人工神经网络的航空安全文化评价模型研究

根据航空运输企业安全生产系统的特征,制定相对科学的、适用的安全文化评价指标体系。将粗糙集、人工神经网络方法应用于航空安全文化评价研究。首先,通过问卷调查与粗糙集方法相结合,对安全文化评价指标信息表进行设定。利用粗糙集的属性约简功能,确定航空安全文化的核心要素;其次,利用人工神经网络对约简后指标权重进行计算;经过仿真实验,训练后的神经网络较好地获取并保存了安全文化评价的知识和经验,能够较为准确地对航空安全文化进行评价。

均匀沙床面动床阻力计算的人工神经网络模型

针对泥沙运动数据含有噪音且样本数据较多的特点,提出采用人工神经网络(ANN)BP模型批学习的训练方法可有效地缩短计算时间、提高训练精度。建立了由能坡、无因次单宽流量和无因次泥沙粒径等3个参数预测水深的结构为3-33-1的冲积河槽动床阻力BP模型。预测结果与实测资料比较表明这个人工神经网络模型的预测精度较高,同时这个模型与21个动床阻力公式的比较表明人工神经网络模型要比传统的回归模型精度高。

用人工神经网络方法反演水体吸收系数

吸收系数是水体的固有光学参数,是进行水体光学遥感研究的基础。讨论了一种基于人工神经网络(artifi-cial neural networks,ANN)、利用遥感反射比数据反演水体吸收系数的方法。该方法用实测的水体遥感反射比(Rrs)数据集建立BP神经网络,用以反演水体在波长440 nm处的吸收系数(α(440))。实测遥感反射比数据集的80%数据用于训练样本,20%数据用于预测样本。研究结果表明:正确选择神经网络的传递函数、训练函数和隐含层节点个数是至关重要的;用最优的传递函数、训练函数和隐含层节点个数得到的预测结果与实际测量结果的相关系数高达0.978,证明了该方法的可行性。

基于人工神经网络优化抄纸浆料配比

提出了应用人工神经网络技术进行抄纸浆料配比优化的方法,介绍了优化原理和过程。以卷烟纸为例,建立了多种浆料的配比与纸张主要物理性能指标之间的人工神经网络模型。该模型比传统回归模型有着更高的预测精度。以此模型为基础,通过扫描仿真,获得了针叶木浆、麻浆及填料配抄生产卷烟纸的各组分的配比范围,并从中优选出最佳配比。

基于人工神经网络和遗传算法的中小企业决策模型

为适应现代经济和社会的发展,使企业面临纷繁复杂的内部和外界环境,利用遗传算法和人工神经网络建立一数学模型, 同时结合企业态势分析法(SWOT)选取各类指标——企业所处状态、策略集,形成一个完善的企业决策模型;该模型能在充分考虑企业现有状况和已有历史数据的情况下,得出决策结果,帮助企业管理者作出科学决策。