基于GA-GRNN的AWJ强化3D打印AlSi10Mg表面性能实验研究

为提高磨料水射流(Abrasive Water Jet,AWJ)强化工艺对3D打印AlSi10Mg表面性能的强化效果预测的准确性及高效性,首先开展磨料水射流强化AlSi10Mg表面强化实验;然后分别以表面硬度和表面残余应力作为目标,基于遗传算法-广义回归神经网络(Genetic Algorithm-Generalized Ragression Neural Network,GA-GRNN)对实验数据样本进行训练,建立3D打印AlSi10Mg表面性能预测模型;最后,利用遗传算法对建立的神经网络预测模型中的AWJ强化主要参数进行优化。研究结果表明,经过磨料水射流强化后的AlSi10Mg表面硬度与表面残余应力均得到有效提高;建立的GA-GRNN预测模型与校验值误差在2.3%以内,具有较高的准确性;经遗传算法优化后,得到表面硬度最佳参数组合:射流压力为33 MPa,磨料粒径为0.15 mm,靶距为12.4 mm,此时表面硬度为159.25HV;表面残余应力最佳参数组合:射流压力为40 MPa,磨料粒径为0.13 mm,靶距为15 mm,此时表面残余应力为-137.4 MPa。为后续磨料水射流强化零件表面的参数选择提供数据支撑。

基于GA-GRNN的瓦斯涌出量预测

为防治煤矿瓦斯灾害,将遗传算法和广义回归神经网络结合起来,构建出GA-GRNN方法,利用遗传算法的全局寻优和广义回归神经网络结构简单的特点,自动搜索和匹配最优光滑因子参数,实现瓦斯涌出量的高精度预测。通过与实际工程中瓦斯涌出量预测比较,表明GA-GRNN法在实现高精度预测的同时,能够有效避免训练数据预测精度的降低。

基于GA-GRNN的复合铣床立柱优化

立柱是复合铣床的主要承力部件,其质量直接影响机床的刚性和动态性能,进而影响加工质量,因此对有必要对复合铣床立柱质量进行优化设计。首先采用灵敏度分析法,获得影响立柱质量的敏感尺寸参数;其次基于均匀试验和GRNN神经网络分别建立立柱质量、前2阶固有频率和最大变形量的模型,并通过遗传算法对模型方程进行寻优求解,得出尺寸参数最优解组合;最后在优化后立柱的最大变形量不超过原立柱最大变形量的情况下,优化后的机床立柱的质量减轻了10.09%,前2阶频率分别提高了3.10%、2.42%,证明GA-GRNN优化机床立柱是可靠有效的,可以将其推广到更广泛的领域。

基于GA-GRNN的RFID室内定位算法

针对基于测距模型的定位算法易受环境干扰、测距误差大的问题,提出一种基于遗传算法-广义回归神经网络(GA-GRNN)优化的指纹定位算法。利用GRNN建立节点定位模型,通过GA确定最优平滑参数,将阅读器与标签间的信号强度值作为神经网络的输入,进而得到输出节点的坐标。仿真结果表明,与GRNN算法、BP神经网络算法、FOA-GRNN算法相比,该算法的定位精度较高,泛化能力较强。

基于广义回归神经网络GRNN的矿井瓦斯含量预测

煤矿瓦斯涌出量和瓦斯突出受控于多种因素。如何根据各个影响因素预测计算煤层瓦斯含量是一个非常复杂的问题。近年来迅速发展起来的神经网络具有较高的非线性映射和并行处理能力。广义回归神经网络(GRNN)具有网络结构自适应确定、输出与初始权值无关等优良特性,能够逼近任意连续的非线性函数,可以处理系统内在的难以解析的规律。本文以某矿13-1煤层为研究对象,在分析影响煤层瓦斯含量的各种地质因素和量化定性因素的基础上,应用GRNN神经网络方法建立某矿13-1煤层瓦斯含量预测模型,以达到对井田未开采区域进行瓦斯含量预测的目的。

GRNN模型在煤与瓦斯突出及瓦斯含量预测中的应用

煤与瓦斯突出的作用机理非常复杂,是诸多因素如地应力、煤层瓦斯、煤体物理力学性质等共同作用的结果。在分析广义回归神经网络(GRNN)的基本原理和算法的基础上,建立煤与瓦斯突出等级以及基于构造复杂程度定量评价的瓦斯含量GRNN模型。然后用收集到的工程实例样本训练和检验该模型。结果表明,GRNN模型具有很好的预测能力和泛化能力,能较好揭示瓦斯含量和诸影响因素间的关系,可用于煤与瓦斯突出判别以及瓦斯含量预测。同时可以看出,光滑因子的合理选取对于提高GRNN模型的预测精度非常重要,因此,在以后的实际应用中需要不断尝试,找出最合理的光滑因子。

基于LPV模型GRNN输气管道音波定位算法

针对输气管道泄漏检测及定位问题以及管道内气体可压缩、检测难等特点,建立了输气管道线性变参数(LPV)模型,并设计了广义回归神经网络(GRNN),以理论时间差为模型输入,以对应的管道各点位置为期望输出.采用音波法对输气管道进行泄漏故障诊断与定位.结合具体实例并采用现场数据进行仿真研究,结果表明:采用基于LPV模型的GRNN输气管道泄漏故障音波定位算法是一种有效的方法,可使预测值准确地跟踪真实值,实验结果为输气管道泄漏故障检测与定位的工业应用提供了可靠的依据.

基于ICS-GRNN的油气管道剩余强度预测技术

为提高腐蚀管道剩余强度的预测精度,深入分析影响管道剩余强度的主要因素,通过广义回归神经网络(GRNN)对剩余强度进行有效预测,采用改进的布谷鸟搜索算法(ICS)对光滑因子进行寻优,建立了基于ICS-GRNN的管道剩余强度预测模型,并与其他模型进行了对比。结果表明,ICS算法较CS算法提前88次迭代达到收敛条件,具有更快的迭代速度;ICS-GRNN模型的平均相对误差和希尔不等系数均最小,分别为1.92%和0.43,与其他模型相比,预测精度和鲁棒性最好,预测时间最短。研究结果可为进一步确定腐蚀管道的后续承载力和服役状态提供参考。

基于RVM-GRNN组合模型的天然气负荷预测研究

为了提高天然气负荷预测精度,针对不同时间段的天然气负荷周期性及非线性特点,提出一种相关向量机模型(RVM)和广义回归神经网络模型(GRNN)组合的优化模型。采用RVM对天然气负荷数据值数据进行初步建模,并用GRNN对RVM模型的残差进行非线性建模。将RVM模型、GRNN模型及RVM-GRNN组合模型对集中供热和非供热阶段的天然气负荷值分别进行预测,将组合模型分别与单一模型预测结果进行比较,并通过实际案例加以验证。实验结果表明,组合模型预测精度高于单一模型预测精度,在非供热阶段和集中供热阶段,组合模型的MAE、MSE、MAPE均小于单一模型,分别为0.1558、0.0472、0.0416和0.9597、1.6603、0.0279。除与自身单一模型进行比较外,将组合模型预测传统负荷预测模型进行比较,结果显示组合模型预测结果均优于传统预测模型。由此得出,RVMGRNN组合模型能够捕捉天然气负荷值变化规律,满足天然气负荷预测要求,可为天然气输送及管网铺设提供依据。

基于GM(1,N)_GRNN组合模型的瓦斯涌出量预测研究

为解决瓦斯涌出量影响因素众多、难以准确预测的问题,本文利用多变量灰色系统易于处理不规则数据,GRNN神经网络模型训练速度快、人为干预因素少等优势,建立起1阶N变量灰色模型与GRNN神经网络嵌入型组合模型GM(1,N)_GRNN。用该模型对某煤矿回采工作面的瓦斯涌出量进行了预测,并与GM(1,N)模型、GRNN两种模型单独预测的结果做了对比,发现组合模型预测结果的平均误差仅3.7%,明显优于两种模型单独预测的平均误差。因此,对煤矿安全生产有重要指导意义。

基于GRNN与遗传算法的除湿机COP预测及其在故障诊断中的应用

COP作为衡量制冷系统性能的一项重要指标,与故障密切相关,因此可作为故障诊断研究的切入点。基于此目的,本文进行基于COP的除湿机故障诊断探索研究,建立针对COP预测的GRNN模型,简化COP的实时测量,当发现模型预测值与正常值差别超出设定的范围时,则认为除湿机出现了故障。利用改进遗传算法对网络中的平滑参数进行优选,提高网络性能。诊断实例表明,基于COP的GRNN故障监测模型用于除湿机的故障诊断是可行的。

广义回归神经网络在燃气管道泄漏检测中的应用

介绍燃气管道泄漏检测与定位技术,采用小波变换进行消噪定位处理。在此基础上,通过构造广义回归神经网络的管道泄漏模型,对模拟实验数据进行定位预测分析。结果表明:经过该法处理后,得出实验检测值、声波法计算值以及小波分析值的误差率分别为8.38%、7.49%和2.79%,定位精度都有较大提高。其中,小波分析值误差率最小。将该方法应用于工程实际中,可得出较为准确的管道泄漏位置。

致密砂岩储层含气测井特征及定量评价

致密砂岩储层孔隙度低、渗透率低、非均质性强,气层所对应的测井响应特征较为复杂,气层识别和评价难度较大、多解性突出。传统上,利用常规测井曲线进行含气性评价多是定性评价,在利用智能识别法评价含气性时,也是利用分类模型进行定性评价;而利用常规测井资料定量评价含气性比较困难。本文首先以岩心、地质、试气资料和常规测井曲线为基础,利用交会图法进行致密砂岩含气特征分析,建立含气性定性评价指标;然后,利用广义回归神经网络(GRNN)预测含气量和含水量,构造含气性和含水性指示曲线,定量评价致密砂岩的含气性;最后,定性评价和定量评价综合使用,以评价致密砂岩含气性,并在苏里格地区盒8段进行应用,取得了较好的应用效果。

基于广义回归神经网络与遗传算法的煤灰熔点优化

考虑固态和液态排渣锅炉对煤灰熔点的不同要求,采用广义回归神经网络建立了煤灰软化温度模型.神经网络的输入变量为7个,即煤灰中SiO2、Al2O3、Fe2O3、CaO、MgO、TiO2、Na2O&K2O的质量分数.以煤灰软化温度作为目标函数,采用遗传算法寻优计算获得当煤灰软化温度最高和最低时煤灰中氧化物的组成.广义回归神经网络仅需30个训练样本,最大和平均相对误差分别为21.8%和1.55%.优化结果表明,掺烧高钙煤或者向燃煤中添加石灰石等富含Ca的原料可以降低煤灰熔点;而增加Al2O3的质量分数可以提高煤灰熔点.

基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型

为提高回采工作面绝对瓦斯涌出量预测的精度和效率,提出了将混沌免疫粒子群优化(CIPSO)算法与广义回归神经网络(GRNN)相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整,减少了人为因素对GRNN网络输出结果的影响,并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明:基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度,证明了该方法的有效性和可行性。

用广义回归神经网络和遗传算法分析产量递减

我国大多数油田开发已经进入到产量递减阶段,对这一阶段的相关理论有着迫切的需求。产量递减阶段的传统理论存在着不少缺点,使得它的应用受到了很大限制,应用效果也不是很好,主要的问题集中在对递减指数的求解上。广义回归神经网络(GRNN)和遗传算法(GA)都是在模拟人的生理活动进而提出的人工智能技术。GRNN对数据样本没有太多的要求,可以逼近任意类型的函数;GA可以进行全局搜优,也可以进行局部搜优。它们的联合应用可以克服传统理论的缺陷。首先建立GRNN神经网络,然后利用一种改进的GA搜索全局最优的平滑因子,最终建立模型,并把它们应用于孤岛油田产量递减期,取得了良好的效果。

基于广义回归神经网络的瓦斯涌出量预测

简要介绍了瓦斯涌出量预测问题和广义回归神经网络(GRNN)的特点,指出与常用的BP神经网络相比,使用广义回归神经网络(GRNN)具有收敛迅速、人为干扰小等优点,适宜用于瓦斯涌出量的预测。并对一个案例进行预测,证明了广义回归神经网络(GRNN)可以满足实际生产的精度要求,较好解决瓦斯涌出量预测的问题。

石墨烯润滑油润滑下摩擦副摩擦因数预测模型

轴承摩擦状态很复杂,且以滚动摩擦为主,滚动摩擦因数的精确计算或者测量都很困难。针对轴承滚动摩擦因数难以测量的问题,对与滚动摩擦因数密切关联的滑动摩擦因数进行了试验和预测研究,提出了一种最佳滑动摩擦因数的预测网络模型。首先,在石墨烯润滑油润滑工况下,进行了Si_(3)N_(4)-GCr15摩擦副的摩擦磨损试验,获得了不同工况下石墨烯质量分数下的滑动摩擦因数;然后,提出了广义回归神经网络(GRNN),并运用遗传算法(GA)优化得到了光滑因子(σ),获得了最佳滑动摩擦因数的预测网络模型GA-GRNN;最后,对测试集预测结果与其他预测模型预测结果进行了预测效果验证,并结合验证集预测结果进行了预测模型的应用验证。研究结果表明:与常规GRNN模型以及误差反馈(BP)神经网络模型相比,GA-GRNN模型的摩擦因数预测准确度更高,且其预测误差更小;GA-GRNN模型的验证集预测值很接近真实值,预测值平均准确率达到了92.30%,预测相对误差在[0.00099017,0.0083249]区间内,对滑动摩擦因数预测效果良好。该结果可为轴承滚动摩擦因数的预测提供基础。

基于神经网络的数据融合在废气测量中的应用

数据融合方法通过提取各个影响因素之间的特征关系,进行数据之间的融合。针对因传感器故障而失真的数据,综合考虑对畜禽场排放的某一废气测量值的时间、空间和环境等多种影响因素,使用基于神经网络的数据融合方法来估算该废气的浓度,实现失真数据的恢复,从而精确地测量出养殖场连续排放的有害气体的总量,对超标排放进行监控。以氨气(NH3)浓度数据的处理为例,应用MATLAB软件,其仿真结果表明:估算最大相对误差为7.83%,证明基于神经网络的数据融合方法的有效性。

基于广义回归神经网络的油气层识别模型

油气层的准确识别对油气藏的勘探与开发具有重要的指导意义。针对油气勘探中油气层识别难的问题,提出了一种基于广义回归神经网络(GRNN)的油气层识别模型。采用该模型对大庆油田某油井的测井数据进行了仿真实验,并与采用BP网络识别油气层的测试结果进行对比。结果表明GRNN具有结构设计简单和收敛快的优点,预测能力强,说明采用GRNN进行油气层识别具有广阔的应用前景。