基于WOE⁃GA⁃BP神经网络模型对陆相火山岩型铜矿成矿预测研究——以宁芜盆地(江苏部分)为例

宁芜盆地位于长江中下游铜、金、铁、铅、锌、硫、石膏成矿带,构造运动强烈、岩浆活动频繁,成矿地质条件优越.通过提取宁芜盆地(江苏部分)地层、断裂构造、航磁、化探异常等9个控矿因子基础信息,采用证据权重与基于遗传优化的BP神经网络(WOE⁃GA⁃BP)模型,对该区域内陆相火山岩型铜矿进行成矿预测研究,使用混淆矩阵及ROC曲线进行模型精度评价.经叠加分析,基于成矿模型圈定的铜矿A、B、C类远景区与江苏省重要矿产潜力评价圈定的铜矿A、B、C类预测区分别有81.23%、62.69%、100%的重叠区,表明本次预测结果较为可靠,为区域成矿预测提供了新的思路和方法,对后续勘查工作具有一定的指导意义.

基于改进GA⁃BP的邮轮建造仓储物流风险预警研究

针对邮轮建造物资装卸搬运、检验、入库、储存四个阶段产生的风险评估需求,从“人、机、料、法、环”构建邮轮建造仓储物流风险评价指标体系,结合对应风险评估结果,建立以风险预警误差最小为目标的网络模型,嵌入改良圈算法、正交试验设计改进传统GA⁃BP神经网络算法以改进算法全局搜索能力和收敛速度。结果表明,改进GA⁃BP神经网络算法比GA⁃BP和BP神经网络算法预警误差更小且拥有更好的预警性能。

GA⁃BP神经网络在NB⁃IoT水质监测系统中的应用研究

针对水质分类模型存在评估准确率不高、训练速率慢及样本规模要求大等问题,引入遗传算法优化的BP神经网络实现水质分类模型训练。在水质终端节点中,驻留训练后的参数,实现多传感器数据融合。经同类样本训练下比较,GA⁃BP神经网络的水质分类模型平均收敛速度比传统BP神经网络快且不易陷入局部极小值,并保证了较好的准确率,表明利用GA⁃BP神经网络在NB⁃IoT水质监测系统中有较为良好的应用推广价值。

基于GA-BP-FA算法的多轴铣削残余应力优化

提出了面向多轴铣削GH4169的残余应力控制的GA-BP-FA多目标优化模型,运用遗传算法(GA)优化BP神经网络的初始权值和阈值,提升神经网络算法的收敛速度和预测精度。基于GA-BP算法建立了铣削残余应力预测模型,并分析了铣削工艺参数对残余应力的影响。以获得最小残余拉应力/最大残余压应力为目标,基于萤火虫算法(FA)对铣削工艺参数进行优化。研究结果表明,所建立的残余应力的GA-BP预测模型具有较高的预测精度,两个方向的平均误差分别为18.9%和16.7%。经FA算法优化后,所选参数阈内最优工艺参数为切削倾角Φ=85°,切削速度v=20 m/min,每齿进给量f_(z)=0.01 mm/z。优化后σ_(x)方向的残余压应力-463.43 MPa和σ_(y)方向的残余压应力-686.93 MPa。

基于GA-BP算法的农产品冷链物流企业绩效评价

对国内农产品冷链物流企业的相关数据进行分析,探究影响农产品冷链物流企业绩效的原因,建立农产品冷链物流企业的绩效评价指标;采集有关公司的实际数据,对指标体系所对应的指标值进行量化和归一化处理,形成相应的样本训练集,并采用遗传算法(GA)优化BP人工神经网络;建立基于GA神经网络算法的应用模型,进行仿真训练,以确定最优隐层数;同时,对比多种评价方法结果,以证明此方法的有效性及相对准确性;阐述所提方法在农产品冷链物流企业决策与管理系统中的应用方法和应用前景。

基于GA-BP对叶片点云数据修补及逆向建模

为了获得某型号发动机叶片的三维建模及其相关数据,给逆向设计提供一些零件的三维建模尺寸。由于获得建模的三维点云数据时必然会产生孔洞,文中使用基于Genetic Algorithm(基因遗传算法)优化的Back Propagation(反向传播)神经网络(又称GA-BP神经网络)作为一个回归预测算法,来对产生的散乱点云孔洞加以修复和点云处理,最后再通过Geomagic Wrap对某型号发动机叶片进行逆向建模。通过对比BP神经网络可知,GA-BP修补孔洞的误差明显降低,满足对三维模型精度较高的要求,可应用于逆向工程。

基于GA-BP神经网络的新疆南疆核桃树生长模型研究

文章提出了一种利用遗传算法优化BP神经网络的核桃树生长模型来预测核桃树的树高、胸径的方法,通过优化BP神经网络的权值和阈值建立GA-BP模型,与多元线性回归模型的预测结果进行比较。结果表明:采用遗传算法优化后的模型具有更高的预测精度,对核桃树生长预测具有指导意义。

基于回归分析和GA-BP神经网络算法的3D打印件弯曲性能预测

为进一步探究熔融沉积成型(FDM)3D打印参数和制件弯曲性能之间的关系,创建合理的FDM 3D打印制件弯曲强度预测模型。根据正交试验L_(16)(4^(5))的设计原则和神经网络算法模型的构建要求,按照不同分层高度、填充密度、打印温度、打印速度以及外壳厚度五种因素,制备25组试验试样,并进行弯曲性能检测。随后通过建立GA-BP神经网络模型、传统BP神经网络模型以及多元回归方程模型,分别对FDM 3D打印制件弯曲性能进行预测,并将预测数据与试验测试数据进行对比。通过对比发现,GA-BP神经网络模型预测数据与试验测试数据更为接近,其平均误差为3.71%,且误差值整体波动最小,BP神经网络模型与多元回归方程模型预测精度相差不大,BP神经网络模型预测平均误差为8.05%,多元回归方程模型预测平均误差为9.07%,但多元回归方程误差值整体波动最大。因此,采用GA遗传算法优化后的BP神经网络模型在进行FDM 3D打印制件弯曲性能预测方面具有更高的精度和更良好的稳定性。

基于GA-BP和PSO-BP神经网络的SLM GH3625高温合金残余应力预测研究

采用PSO-BP和GA-BP混合算法的人工神经网络模型预测了选区激光熔化成形GH3625高温合金的残余应力。通过响应面法为实验设计生成样本集,以激光功率、扫描速度和扫描间距作为模型的输入层,以残余应力作为模型的输出层进行预测优化。采用相关系数R^(2)和平均绝对相对误差e_(AARE)评价指标对预测模型进行了验证和对比分析。结果表明:BP、 GA-BP和PSO-BP神经网络模型均能够较好地预测不同工艺参数下GH3625高温合金的残余应力,且通过算法优化后的BP神经网络具有更高的预测精度。其中GA-BP神经网络对选区激光熔化成形GH3625高温合金残余应力的预测精度最高,模型性能更优越,其相关系数R^(2)和相对平均绝对误差e_(AARE)分别为0.909和2.06%。

基于GA-BP神经网络和改进粒子群算法的碰撞射流和冷却顶板复合空调系统优化

对碰撞射流和辐射顶板(IJV/RC)复合空调在不同室内负荷条件下运行时的室内热环境进行数值模拟,基于遗传算法-反馈(GA-BP)神经网络建立运行性能(吹风感R_(PD),头足温差Δt,空气交换效率e ACE,工作区平均温度t_(a))与设计变量(送风温度t_(s)、送风速度v_(s)、冷却顶板内表面温度t_(c)、房间负荷Q_(c))之间的预测模型,通过相关性分析确定设计变量对运行性能影响的显著性并排序。结果表明,增大v_(s)可使Δt降低,但R_(PD)增大;增大t_(c)有助于降低Δt和R_(PD),但t_(a)升高;为使t_(a)下降,可通过降低t_(s)来实现,但室内空气质量变差。为确保IJV/RC复合空调能在保证室内热舒适的同时提供良好室内空气品质,利用改进粒子群算法对复合空调的运行性能进行多目标同时优化,建立不同房间负荷条件下的设计参量最优匹配关系。研究结果可为IJV/RC复合空调的优化设计和运行控制提供理论指导。

基于GA-BP神经网络长服役期内结构混凝土的强度演变预测

为研究长服役期内既有混凝土结构的强度演变规律及其预测模型,以唐包铁路、西户铁路等实际工程为研究背景,以服役时间为2、16、25、30、40、52、66、88、95和100 a的在役桥涵为研究对象,基于混凝土回弹法,开展役桥涵混凝土强度试验,分析长服役期内既有桥涵混凝土强度动态发展过程。同时,基于试验实测混凝土强度数据与收集的230组同类条件下在役桥涵(服役时间2~88 a)混凝土强度数据,构建GA-BP神经网络混凝土强度预测模型。此外,为提高模型可应用性,基于高精度GA-BP神经网络强度预测模型,建立一般矩阵公式和简化公式。基于本文构建的混凝土强度预测模型,分析该类地区(试验中已调研区域)长服役期内混凝土结构的强度演变规律。研究结果表明:相较于既有混凝土强度预测模型,本文构建的GA-BP神经网络混凝土强度预测模型可有效预测不同服役时间下的混凝土强度,预测数据的平均绝对百分比误差为8.76%,决定系数为0.83。本文简化公式(C25)精度较高,平均绝对百分比误差为6.6%,为便于简化计算,推荐简化公式(C25)作为长服役期内混凝土强度预测公式。百年服役期内混凝土强度经历2个时间阶段,即混凝土强度缓慢上升期(1~49 a)、混凝土强度快速下降期(49~100 a)。随混凝土结构服役时间增加,混凝土结构劣化速率增加,导致混凝土结构在长期服役过程中,混凝土强度不能满足混凝土结构服役要求。

基于GA-BP-PSO算法的薄壁注塑件翘曲变形优化

以聚对苯二甲酸乙二酯(PET)的塑料瓶胚零件为例,通过Moldflow软件设计浇注系统和冷却系统并进行有限元分析以优化零件的翘曲变形量。选定熔体温度、模具温度、保压压力、保压时间和注射时间为5个影响因素,设计了L16(45)的正交试验表。对正交实验数据进行了极差分析,得出了各因素对翘曲变形量的影响程度并获得较优工艺参数。通过GA-BP-PSO算法对工艺参数进一步优化,得到最佳工艺参数:熔体温度265℃、模具温度60℃、保压压力125 MPa、保压时间12.8671 s、注射时间0.3405 s。上述工艺参数对应的零件翘曲变形量为0.1373 mm。最后通过Moldflow软件进行数值模拟,得到翘曲变形量为0.1395 mm,较优化前的翘曲变形量0.1796 mm,降低了22.33%。软件模拟值和经GA-BP-PSO算法得到的预测值仅相差1.60%,将优化后的工艺参数组合应用于实际生产中,所获得的产品符合生产要求,验证了GA-BP-PSO算法的准确性与可行性。

HVD分解和GA-BP神经网络结合的井架钢结构损伤识别

针对井架钢结构冲击载荷振动信号非线性、非平稳性对损伤识别的干扰问题,提出了一种基于希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)与遗传算法优化的神经网络(Genetic BP Neural Networks,GA-BP)相结合的智能故障诊断方法。首先,利用HVD分解的方法处理冲击载荷作用下的加速度非平稳振动信号;其次,由斯皮尔曼相关系数选取HVD分解后的最优(Intrinsic Mode Function,IMF)分量,以最优IMF分量能量变化率构造特征向量;最后,通过特征向量建立数据集进行神经网络训练,完成信号的特征学习和故障分类。利用ZJ70型井架钢结构模型进行冲击载荷作用下的单处损伤和多处损伤的不同工况实验验证,结果表明:对于单处损伤位置识别率达到90%,多处损伤位置识别率高达96%,利用HVD分解与GA-BP神经网络相结合的方法具有较好的稳定性,能够准确判断出井架钢结构损伤位置,具有一定的实际应用价值。

基于GA-BP与NSGA-Ⅱ的数控铣削参数优化研究

高效低碳制造是可持续发展的关键,而数控铣削作为常用的金属表面加工方法存在刀具寿命短、碳排放量高的问题。提出基于NSGA-Ⅱ的GA-BP多目标优化方法,通过分析不同加工参数条件下的数控铣削刀具寿命及碳排放数据集,建立GA-BP神经网络刀具寿命及碳排放预测模型。基于NSGA-Ⅱ算法建立以刀具寿命、碳排放量为目标的主体优化模型,调用构建的GA-BP神经网络模型作为目标函数进行优化求解,得到Pareto最优解集。对Pareto最优解集进行TOPSIS最优解决策,得到综合优化刀具寿命与碳排放量的加工参数组合。优化结果表明:该方法既可以对数控铣削刀具寿命及碳排放量进行准确预测,还可以对两者进行有效优化,对数控铣削参数优化具有一定的理论指导意义。

GA-BP和PSO-BP预测模型在九龙矿煤层底板突水预测中的应用研究

目前,煤层开采环境复杂,随着开采深度、开采强度的增加,面临多变的突水因素和复杂的突水机理,且各因素间相互联系的不确定性,使底板突水预测的难度不断增加。对GA-BP与PSO-BP两种组合优化方法进行描述、对比。两种组合优化方法克服了神经网络容易收敛到局部最小值,以及收敛速度慢的缺点,对煤层底板突水都能实现较高精度,具有强大的泛化能力。通过对两种组合优化方法的预测模型做对比,发现GA-BP模型更优于PSO-BP模型,证明GA-BP组合优化方法更适合对底板突水危险性进行预测。

基于GA-BP神经网络的转子轴承系统轴承等效刚度辨识

针对转子-轴承系统的力学模型中轴承等效刚度难以确定的问题,提出了基于GA-BP代理模型的转子系统轴承参数辨识的方法。首先,建立转子-轴承系统有限元模型并进行模型的静态和动态验证;其次,搭建试验台进行模态锤击试验,得到其前四阶弯曲固有频率;最后,基于转子系统仿真模型生成GA-BP神经网络代理模型完成轴承等效刚度的辨识并做误差分析。结果表明,采用该方法可有效的识别轴承的等效刚度,并且GA-BP神经网络的识别效果优于传统的BP神经网络,其最大误差为1.52%,证明了该方法的可行性。

基于电性参数和GA-BP神经网络的砂岩孔渗预测

以地表岩性复杂的四川盆地为采样区,基于神经网络可解决电性参数与储层物性参数之间非线性映射问题的优势性能,讨论低孔低渗致密储层的砂岩孔渗预测方法。以密度、电阻率和极化率等电性参数作为网络模型的输入参数,利用遗传算法(GA)对BP神经网络(BPNN)的权值和阈值进行优化,进而建立并训练GA-BP神经网络模型。与传统的多元回归法相比,GA-BP神经网络模型的孔渗预测实验结果更优。

基于声发射和GA-BP神经网络的铣削SiCp/Al表面粗糙度预测

为满足航天航空、电子封装、光学精密仪器等领域对工件加工质量的高要求,针对提高中高体积分数铝基碳化硅复合材料(SiCp/Al)铣削表面粗糙度的声发射智能在线监测精度的问题,通过小波包技术对铣削声发射信号进行分解,对分解后的特征值与表面粗糙度进行相关性分析,确定了最相关频段为375~406.25 kHz,筛选出相关特征矩阵,并利用GA-BP(Genetic Algorithm-Back Propagation)神经网络进行训练。研究结果表明,该方法能够实现对45%SiCp/Al铣削表面粗糙度的较小预测误差,通过成功构建的声发射预测模型,将平均预测误差控制在0.050 4左右,相比未经特征提取的BP神经网络模型,该方法的平均预测误差减小了0.072 8,为工程实践提供了可行且有效的方法。

基于GA-BP算法的充电站负效应评价

由于电动汽车出行需求存在随机性、充电信息不精准等问题,造成城市交通能源供应站承载力与补能需求车辆的时空错配,导致充电站产生了拥堵排队、能源消耗不合理等负效应。基于此,文中从负效应最小化的视角构建了充电站的负效应评价指标体系,综合考虑交通效率影响、站点服务影响、电网负荷影响等3个因素,采用GA-BP神经网络构建了充电站负效应评估模型。最后,以重庆市南岸区某充电站为例,验证了该方法的适用性与有效性。

基于GA-BP神经网络的城市韧性时空演进分析

城市作为一个集合多子系统的复杂系统,正面临着日益增长的风险压力与灾害干扰,韧性城市建设成为推动城市安全、健康、可持续发展的重要路径。以苏皖地区典型城市为研究对象,构建城市韧性评价指标体系,基于GA-BP神经网络模型分析苏皖地区8个典型城市2016—2020年城市韧性水平的时空演进趋势。在此基础上,因地制宜提出城市韧性发展的相关对策建议,以此来提升苏皖地区城市整体韧性水平。