基于物理参数和BP神经网络的9310钢本构模型研究

采用Gleeble-3800热模拟试验机对9310钢进行了变形量为70%的等温恒应变速率压缩实验,在变形温度为800~1200℃、应变速率为0.01~50 s^(-1)的范围内研究了9310钢的热变形行为。通过不同热变形参数对自扩散系数D和杨氏模量E的影响,建立了基于物理参数的本构模型,同时基于实验数据构建了BP神经网络本构模型。结果表明:9310钢为负温度正应变速率敏感性材料,且流动应力随变形温度的升高和应变速率的降低而减小。基于不同条件构建的物理本构模型和BP神经网络模型的相关系数r均大于0.98,但BP神经网络模型的r值可达0.996,平均绝对相对误差为3.1%。经过流动应力曲线、相关系数和平均绝对相对误差的综合对比,得出BP神经网络模型对预测9310钢的流动行为具有较好的适用性。

基于BP神经网络的海底浅层超软黏土不排水抗剪强度预测

准确评估海底浅层超软黏土的不排水抗剪强度对海洋资源开发、灾害评估、海洋工程建设等具有重要的意义。世界多个海域超软黏土数据分析对比表明,现有不排水抗剪强度评估经验公式存在受地域限制的问题,计算精度较低。因此,以超软黏土的6个物性指标为输入变量,不排水抗剪强度为输出变量,建立BP神经网络模型进行海底浅层超软黏土不排水抗剪强度预测;根据建立的超软黏土不排水抗剪强度与物性指标之间的非线性映射网络,以权积法求解超软黏土不排水抗剪强度对各指标的敏感度系数,定量分析各指标对不排水抗剪强度的影响程度。结果表明:考虑多因素影响的BP神经网络模型在超软黏土不排水抗剪强度预测方面具有普遍适应性,其预测结果非常接近落锥试验实测结果,均方差0.02139,R2值达到0.9874,预测精度远高于现有经验公式;采用权积法计算得到的对数流动性指标对不排水抗剪强度最为敏感;据此建立了以对数流动性指标为参数的黏土不排水抗剪强度预测经验公式,该公式在计算中国海域超软黏土不排水剪切强度方面具有较高精度,但由于数据量有限,依旧存在一定局限性。本研究为海底浅层超软黏土不排水抗剪强度的计算提供了参考。

基于TWOA-BP的矿井冲击地压分级预测研究

为提高煤矿开采工作的安全性,准确预测煤矿冲击地压灾害发生,提出冲击地压分级预测的TWOA-BP模型。先通过灰色关联分析法(GRA)筛选冲击地压的影响因素作为TWOA-BP预测模型的输入层,最终确定8项影响因素后,采用鲸鱼算法(WOA)对BP神经网络的权值和阈值进行优化,随后利用Tent混沌映射初始化鲸鱼种群以增加种群多样性,最终解决了BP模型收敛速度慢和易陷入局部极小的问题。研究结果表明:与其他预测模型相比,TWOA-BP方法具有收敛速度快、预测精度高、操作简便等特点。

基于PSO-BP复合网络的掘进机截割部故障智能诊断

针对井下掘进机故障诊断频发,传统诊断方法和BP神经网络诊断周期长的情况,以常村煤矿矿用EBZ-160TY型掘进机为背景,提出基于PSO-BP神经网络模型的掘进机截割部智能诊断模型。该模型能够弥补BP神经网络模型收敛周期长、局部最优搜索差的缺点,实现模型的快速收敛和故障准确预测。通过设置PSO-BP神经网络模型参数、样本数据训练,同时经过数据测试,确定PSO-BP神经网络模型预测结果故障预测率为100%,而BP神经网络的预测精度为80%,且在同时间下,PSO-BP神经网络较BP神经网络预测精度更高。在同精度下,PSO-BP神经网络模型收敛速度更快,在精度为1×10^(-5)时,PSO-BP神经网络模型仅需7步,BP神经网络平均需要198.5步。综合测试结果说明,PSO-BP神经网络模型能够较快实现掘进机故障的预测,且达到较高的预测精度,为掘进机故障诊断提供依据。

基于BP神经网络的烟草制丝工艺参数优化研究

为了提高烟丝质量,以烟丝物理特性、烟支物理特性和卷烟化学成分为质量控制指标,采用BP神经网络(BPNN)对烟草制丝工艺参数进行了优化,将BPNN优化结果与正交试验结果进行对比,并对优化后的参数进行验证。结果表明:所建BPNN模型预测结果具有较高的可靠性和准确性,通过BPNN预测的最优制丝工艺参数组合唯一且准确;通过正交试验方法得出的烟草制丝工艺参数最优组合在蒸汽流量和热风温度的参数设置上存在差异。烟草制丝工艺参数优化后,烟丝整丝率、填充值提升,碎丝率、卷烟单支质量标准差、烟支吸阻标准差、CO释放量、焦油释放量、烟碱释放量均降低,整体优化效果明显。BPNN对烟草制丝最优参数预测准确,避免了误判现象,提高了加工效率,降低了时间成本和资源浪费。

埕北海域表层沉积物抗剪强度BP神经网络模拟分析

运用BP神经网络对埕北海域213个海底表层沉积物抗剪强度与物理性质的关系模拟分析神经网络映射关系,并引入相对作用强度分析,获取影响抗剪强度的主要因素和次要因素,作为评估和预测土体抗剪强度的经验指标,对海岸工程地质评价、施工维护有一定的借鉴价值。

黄土湿陷性物性指标分析与定量预测模型研究

依托甘肃省通定高速项目,结合某路段典型黄土区域以及现场黄土物性实验结果,研究了黄土湿陷性等级与单项物性指标之间的相关性,确定其中相关性较强的物性指标;应用因子分析理论,消除了各指标间的多重共线性影响,提出了影响判别湿陷性黄土的独立指标,并建立了湿陷性黄土的定性判断标准;在此基础上构建适用于该地区的黄土湿陷系数的BP神经网络定量预测模型。结果表明:黄土湿陷系数与天然含水率、饱和度、孔隙率、孔隙比、干密度、压缩系数的相关性强,与塑性指数、压缩模量相关性较弱;当孔隙比e<0.825、压缩系数a<0.244、天然含水率w>18.2%时,可判定该类土不具有湿陷性;采用BP神经网络能够准确可靠预测湿陷系数,其精度能够满足实际工程应用。研究成果可为精确评价该地区及类似工程的湿陷性黄土等级方面的研究和现场判别提供理论依据,具有很强的理论和实践应用价值。

基于不同神经网络模型预测体测成绩

为更加准确地反应当前学生的身体素质情况,基于多个不同的神经网络模型构建体测成绩预测模型,为降低体测成绩中各项目数据之间的相关性,使用主成分分析法对数据集进行处理。使用BP神经网络结合脉冲神经网络构建一个预测模型,加强模型处理分析数据集的能力,提高预测的准确性。在长短期记忆神经网络中加入注意力机制构建另一个预测模型,使模型更加关注数据集中的关键信息。通过实验,预测模型输出的预测值与实际值的重合率高达90%以上,预测准确率整体在95%以上。

基于BP神经网络马尔科夫模型的径流量预测

讨论了马尔科夫链状态划分的黄金分割率法和"马氏性"检验法,并针对BP神经网络预测和马尔科夫预测的优缺点,提出了BP神经网络与马尔科夫相耦合的BP神经网络马尔科夫模型,以石泉水库年入库径流量为例,验证了该方法的可行性.

基于机械特性BP神经网络的苹果贮藏品质预测

应用L-M优化算法BP神经网络,通过用苹果机械特性指标(压缩时的最大力、屈服力、弹性模量)预测苹果贮藏品质(硬度、水分、可溶性固形物、总酸)的方法,建立贮藏品质的人工神经网络模型。用试验所测的机械特性指标为输入,苹果贮藏品质为输出来确定网络的拓扑结构,训练建立的BP神经网络。仿真结果表明:该神经网络模型用机械特性指标能预测苹果贮藏品质,同时通过5组非样本数据来验证该神经网络,模型的预测值与实测值的相对误差在5%以下,能够满足工程应用中预测苹果贮藏品质的精度要求。

重力异常的BP神经网络三维物性反演

三维物性反演参数多,计算量巨大,传统的方法难以实现.本文使用BP神经网络实现重力三维物性反演,介绍了BP神经网络的基本原理及特性,并构造一个适用于重力位场反演的BP神经网络.并用其对模型进行反演计算,结果表明:BP网络具有较好的泛化能力和容错能力,反演速度快、准确,并且较好的反应了场源的分布情况.

基于MATLAB的BP神经网络在储层物性预测中的应用

在阐述BP神经网络模型结构的基础上,根据取心井段储层物性与测井信息的关系,选取相应的测井曲线,运用MATLAB神经网络工具箱中特定的函数对建立的神经网络模型进行训练,使得储层物性(孔隙度、渗透率)和测井响应之间具有较强的非线性映射关系,在一定的条件下运用该模型可对研究区未知样本的物性参数进行预测。实例研究表明,预测准确性较高,显示出BP神经网络对储层预测的潜在优势和实用价值。

HTPB/Al/AP/RDX推进剂初始燃烧的分子模拟

针对一种四组元HTPB推进剂(HTPB/Al/AP/RDX)关键组分,基于第一性原理计算的数据集,使用深度神经网络模型开发了一个机器学习势函数;基于新开发的势函数,建立了四组元HTPB推进剂燃面模型,并进行了大规模的分子动力学模拟计算,对推进剂燃烧时的微观结构、温度、反应组分的时空演化进行了系统统计分析。结果表明,新开发的势函数能够准确描述推进剂组分单质及两两之间界面的能量和受力特性,是一个高精度、高效率的机器学习势函数;燃面模型实现了对推进剂燃烧过程中的AP、RDX、HTPB热解过程精准模拟,阐明了扩散火焰的形成机理以及铝粉从燃面剥离等微观过程,揭示了其中的各组分界面相互作用机制。表明分子动力学模拟能够在原子尺度上实现时间分辨的三维重建,进而获得推进剂燃烧的微观机理,可为固体推进剂的理论研究提供了新的工具。

基于BP神经网络的创新绩效评价模型

针对当前创新绩效评价模型存在收敛效率低以及泛化性能弱的缺陷,提出基于BP神经网络的创新绩效评价模型。对创新绩效评价的指标体系进行构建,并收集相应的创新绩效评价数据,采用BP神经网络模拟人脑对创新绩效数据进行训练,并采用梯度法确定BP神经网络的参数,建立创新绩效评价模型,最后通过仿真实验测试其性能。实验结果表明,该模型提高了创新绩效评价的精度,而且评价速度得到大幅度提高,评价效果明显优于其他模型,具有更高的实际应用价值。

盐碱土壤Kostiakov入渗模型参数的BP预报模型

为改良和改善盐碱地提供土壤入渗参数技术支撑,基于在山西省北部盐碱地进行的野外系列入渗试验,获取了累积入渗量与入渗历时的数据样本,并计算回归了kostiakov二参数入渗模型的入渗系数k与入渗指数α,建立了盐碱土壤基本理化参数与入渗参数之间的数据样本,利用BP神经网络的方法,建立了以土壤含水率、容重、质地、有机质、全盐量以及p H为输入变量,kostiakov入渗参数为输出变量的预报模型。结果表明:盐碱地土壤条件下,以土壤基本理化参数为输入变量,kostiakov入渗模型参数为输出变量的BP预报是可行的,入渗系数k的相对平均误差为0.29%、入渗指数α的相对平均误差为1.28%,以及根据两个入渗参数计算得到90 min累积入渗量的相对平均误差为2.37%,对所建立的模型进行检验时,以上三个参数检验误差的平均值均能控制在3%以下,确定所建立的BP预测模型能获得较好的效果。

基于PSO-BP神经网络的大学生体质健康评价模型

为了更加客观全面准确地评价大学生体质健康水平,本文分析了现行大学生体质健康评价体系,探索制定新的大学生体质健康评价指标和评价模型,引入体脂率、台阶试验、握力等三个指标建立新的评价指标体系,运用PSO-BP神经网络模型确定指标权重。结果显示,基于PSO-BP神经网络建立的大学生体质健康评价模型误差小,评价结果准确,可以较真实地反映大学生体质健康水平。

基于BP网络及其改进的湿空气状态参数预测

考虑空调实时控制的需要,利用人工神经网络方法,建立了湿空气状态参数的神经网络预测模型,实现了湿空气状态参数的智能化预测。由于BP模型的计算量大,收敛速度慢等缺点,本文作者提出了三种改进BP模型和RBF模型,以加快收敛速度,提高收敛性。并用实际数据对这几种模型进行了训练,实例证明这些改进模型是有效的、可行的。

基于主成分与BP神经网络耦合的渠道过冰能力预测

我国北方严寒地区部分渠道由于设计年限久远,在形式和结构上未考虑冰荷载影响,不具备结冰盖冬季输水的条件,只能以冰水二相流的形式输水。对于冰水二相流而言,使冰凌随水流输运,避免流冰在输移过程中停滞、卡堵、堆积,是保证冰期安全输水的关键。桥墩,闸墩等束窄断面是最易出现冰塞的部位。为了完成冬季输水与发电任务,保障社会经济效益,对渠道墩柱断面过冰能力的研究成为亟待解决的问题。为此开展了渠道墩柱断面过冰能力物理模型试验。通过试验数据,对影响过冰能力的水力要素进行主成分分析,进而联合BP神经网络对过冰能力进行预测。结果表明,本次所采用算法较单一BP神经网络预测与非线性拟合所得结果更为精确,对冬季渠道安全输水具有一定的借鉴意义。

基于GA-BP神经网络算法的FDM 3D打印制件拉伸性能预测

为进一步研究熔融沉积成型(FDM)3D打印制件力学性能与工艺参数之间的关系,试验以聚乳酸(PLA)为材料,参考正交试验和神经网络模型设计原则,利用遗传算法(GA)对反向传播(BP)神经网络初始值进行优化,建立GA-BP神经网络模型,以分层厚度、填充密度、喷嘴温度、填充速度以及外壳厚度为输入层参数,拉伸强度为输出层参数进行训练和预测,并分析其预测精度。通过对GA-BP和BP神经网络模型的预测结果进行对比发现,GA-BP神经网络模型预测值与测试实际值更为接近,误差平均值为2.27%,而BP神经网络模型预测误差平均值为4.10%,且GA-BP神经网络模型评价指标值均优于BP神经网络模型,故GA-BP神经网络模型预测精度更高,可为提升FDM 3D打印制件力学性能,优化成型工艺,指导工业生产提供参考。

基于BP神经网络算法对服装设计过程建模策略的研究

本文针对服装制造领域为了满足民众的定制穿衣需求,在科技与生产的结合中探索新的定制设计方法。利用BP神经网络技术对服装的尺寸进行物理模型设定,然后结合Clo 3D软件与BP神经网络算法对服装进行打板设计,缩短了设计周期,降低了生产成本,提高了时间效率,满足服装行业在快消品市场中庞大的需求量,满足服装的功能各向异性,季节更迭的穿衣习性,时尚潮流与流行的引领,专业运动服饰的柔性定制等有着极大的助益。