基于GMDH的地震液化场地侧向变形预测模型

基于GMDH神经网络,建立了地震液化场地侧向变形的预测模型,并将其结果与传统反向传播BP、遗传算法优化BP、径向基函数RBF等神经网络的预测结果进行比较.结果表明,缓坡和临空面场地中,所提模型在训练样本集的拟合相关系数分别为96.43%和93.82%,模型准确度较高.对于缓坡场地,倾斜率、液化土层厚度与侧向变形成正相关关系,震中距、平均细粒质量分数则与其成负相关关系;对于临空面场地,高度与距离长度之比、液化土层厚度与侧向变形成正相关关系,平均细粒质量分数、平均粒径与其成负相关关系.通过实际工程应用发现,所提模型的预测结果与经典的Youd简化模型结果吻合较好,由此证明了其可靠性,可在高烈度地震区工程建设中应用与推广.

GMDH神经网络在电主轴热位移建模中的应用

针对机床电主轴在高速运转时内部发热造成的热误差问题,对比BP、RBF神经网络方法,采用一种基于GMDH神经网络的电主轴热误差建模方法。以某型号高速数控机床电主轴为研究对象进行热误差实验,通过利用温度传感器和电涡流位移传感器分别采集主轴温度和轴向热位移数据,运用数据处理群集方法(GMDH)建立主轴轴向热误差预测模型。经过数据对比表明:该方法较传统的神经网络方法具有学习速度快、获得全局最优解、泛化性能好、拟合预测精度高等优点。