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、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BPNN的发动机停机相位预测研究

为避免柴油发动机启动阶段因建立喷油时序而在寻找信号特征齿上花费过多时间,基于反向传播神经网络(BPNN)建立了发动机停机相位预测模型。以某双缸柴油机停油时转速和负荷为输入,单片机和增量式编码器为核心计算的原有曲轴位置传感器“失信点”后的相对相位变化为输出,建立了BPNN停机相位预测模型。预测结果表明:模型决定系数和修正决定系数均大于0.91,平均相对误差为5.9%,模型对于发动机停机过程中不可信点至静止期间转过的相对角度具有预测性,可作为发动机再启动阶段相位快速同步和判缸的首选方式。

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AHP-BPNN的医疗监控数据信息化管理模式识别

针对传统医疗监控数据信息化管理模式识别过程中,受到医疗监控数据不同分布结构的影响,导致识别效果差、识别时间长、识别准确率低等问题,为此,提出基于AHP-BPNN的医疗监控数据信息化管理模式识别。汇总医疗监控数据,对医疗监控特征数据进行关联挖掘,挖掘后进行降维处理,并采用AHP-BPNN方法分析医疗监控数据的重要程度,确定医疗监控数据信息化管理的优先级,以此完成医疗监控数据的信息化管理模式的识别。实验结果表明,与传统方法相比,所设计的方法识别时间短、识别准确率高、识别效果好。

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。

基于BPNN的一江两河流域水体中重金属浓度预测

本文将反向传播神经网络(BPNN)应用于青藏高原一江两河流域(雅鲁藏布江山南段、拉萨河、年楚河)水体中重金属浓度预测,探讨了输入变量、预测因子、隐藏层节点数和模型结构的影响.模型以溶解氧(DO)、pH、电导率(EC)、总磷(TP)、铁(Fe)作为网络的输入层,重金属砷(As)、锑(Sb)、钼(Mo)、锰(Mn)的含量作为网络的输出层,使用Levenberg-Marquardt(LM)算法进行训练.其中,BPNN隐藏层的传递函数为tansig,隐藏层节点数为9,输出层的传递函数为purelin,输出层节点数为4.结果表明:(1)以单个元素作为预测因子时,As、Sb、Mo、Mn预测值和实测值的决定系数(R2)分别为0.98、0.933、0.894、0.928;均方根误差(RMSE)分别为:9.7168×10^(−4)、1.2508×10^(−4)、3.3159×10^(−4)、1.9188×10^(−3).(2)以4个元素作为预测因子时,预测值和实测值的决定系数(R2)为0.888;均方根误差(RMSE)为2.1766×10^(−3).R2值越高,RMSE值越低,表明实测值和预测值拟合程度和适应性良好,证明BPNN能较好地应用于青藏高原一江两河流域水体中重金属浓度预测.

利用CARS-BPNN模型的南疆枣园土壤有机质高光谱反演

土壤有机质(SOM)含量是制定枣园土壤施肥方案的主要依据。合理的施肥方案对提升红枣品质、减少农户投入和增加枣园产出有重要意义。利用传统方法获取枣园SOM含量耗费时间和资源,不符合枣园精准施肥管理的需求,土壤有机质高光谱检测是一种有效的替代方法。为筛选南疆枣园SOM的高光谱快速检测模型,采用网格布点法采集158个枣园土壤样品,测定风干土样的室内高光谱数据和SOM含量。分别将400~2400 nm全波段(R)和通过竞争自适应加权算法(CARS)、连续投影算法(SPA)、粒子群优化算法(PSO)三种数据降维算法筛选的数据集与偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)、卷积神经网络(CNN)三种建模方法结合构建12种枣园SOM含量的组合反演模型,通过对比模型的精度评价指标和训练时间,筛选枣园SOM含量最优光谱反演模型。结果表明:(1)CARS、SPA、PSO三种降维算法都能将光谱数据压缩至原来的10%以下,筛选波长数分别由原来的2001个变量降为98、156、102个,降维组合模型的验证集RPD均大于1.50,均能实现对枣园SOM含量的反演,与R组合模型相比,降维组合模型至少能节省30%的时间成本,特别是与BPNN和CNN等构建的组合模型,能节省90%的训练时间,且模型稳定性更强,模型效果更优。(2)CARS数据集构建组合模型的验证集R^(2)均大于0.85,RPD均大于2.50,RPIQ均大于1.60,在三种降维算法中效果最好;PSO数据集的组合模型验证效果略低于CARS数据集,但优于R数据集,R^(2)均大于0.80、RPD均大于2.00;SPA数据集构建组合模型的验证效果要低于R数据集,在三种降维算法中效果最差。(3)BPNN和CNN两种方法的反演模型验证效果均优于PLSR模型,而在模型训练时间和模型验证效果等方面,BPNN模型优于CNN模型,其结合CARS数据集的验证效果最优,R^(2)为0.91、PRD为3.34、RPIQ为3.17、nRMSE%为11.93,训练时间为58.00 s,模型符合快速检测枣园SOM含量的要求。CARS-BPNN模型为反演南疆枣园SOM的最优模型,研究结果能够为南疆枣园土壤养分快速检测与制定施肥方案提供参考。