基于BP神经网络构建简化翼结构动态代理模型

建立精确且可信度高的代理模型是数字孪生技术中的关键环节之一。为了研究航天结构动力学中动态代理模型的构建方法,选择简化翼结构作为研究对象,分别利用单点正弦定频激励及全场加速度扫频激励获得结构在瞬态动力学分析下的位移和加速度响应;将时间和部分节点响应结果作为输入,将希望关注的节点处的响应值作为输出,利用BP神经网络构建动态代理模型,当所建立的代理模型精度达标后即构建了翼结构瞬态动力学的动态代理模型。该法构建的模型不仅可用于快速预测多个节点的位移和加速度响应,亦可为后续构建航天复杂结构动力学数字孪生体奠定基础。

基于BP神经网络的低渗透油田开发动态预测

油藏开发动态预测是制定和调整开发方式的基本依据,为克服传统油藏数值模拟方法过度依赖三维地质模型和渗流机制的可靠性,采用BP神经网络(ANN)方法,在研究区油藏精确描述工作及生产动态分析的基础上,选取了包括地质因素和开发因素在内的12类参数作为基本数据集,通过参数相关度分析、主控因素优选,建立了研究区单井年累计产液和平均含水率的预测模型。根据模型计算结果,研究区产液及产油能力逐渐下降,含水呈逐步上升趋势,2年后区块预测累计产液13.7×10^(4)m^(3),同比下降25.6%;预测年累计产油量4.7×10^(4)t,综合递减率为31.9%;2年后区块平均含水率达到58.1%,局部区域油井出现水淹情况,含水率突破98%。研究表明,BP神经网络具有简单高效、误差较小等优势,降低了油田开发动态预测的难度和工作量,适用于样本数据集较大的油田开发问题,为低渗透油田的开发动态预测提供了一种新的视角。

基于动态自适应旗鱼优化BP神经网络的工作面周期来压预测

针对现有工作面周期来压预测方法精度不足、泛化性较差和算力要求高等问题,提出了一种基于动态自适应旗鱼优化BP神经网络(DASFO−BP)的工作面周期来压预测模型。通过分析工作面周期来压机理,得到与来压相关的影响因素,通过皮尔逊相关系数确定对来压具有显著影响的因素(推进速度、直接顶厚度、基本顶厚度、采高、煤层倾角和倾向长度)作为预测模型输入,并以下次来压强度和来压步距作为预测模型输出。针对旗鱼优化(SFO)算法鲁棒性不足的问题,提出了动态自适应优化策略对SFO算法进行改进,即在优化前期利用SFO达到快速收敛的目的,中期则借助秃鹰搜索(BES)跳出局部最优,后期发挥粒子群优化(PSO)深度搜索的优势来提高解的精度。通过改进后的动态自适应旗鱼优化(DASFO)算法对BP神经网络的超参数进行训练,构建了基于DASFO−BP的来压预测模型。实验结果表明:DASFO算法在单峰和多峰测试函数上均能实现快速收敛;与BP,SFO−BP和NCPSO−BP相比,DASFO−BP对周期来压强度和步距的预测值与真实值更为接近,具有更高的精度,拟合能力和泛化能力强,能够准确预测下一周期来压分布情况。

基于BP神经网络的重力仪高机动状态快速调平修正技术

针对平台式重力仪大机动状态后测量能力恢复慢的问题,提出一种基于BP神经网络的重力仪稳定平台快速调平修正技术。首先,针对动态重力测量在测量平台大机动状态后调平能力不足的问题,研究了基于BP神经网络的平台姿态高效、准确解算方法;其次,利用惯性元件和卫星导航系统(GNSS)的信息优化BP神经网络,形成不同条件的平台姿态提取优化模型;最后,利用模拟仿真实验和实际机载动态重力测量数据验证所提方法的有效性和准确性。实验结果表明在大机动的动态条件下采用所提方法可以扶正重力仪稳定平台,将机动后重力仪稳定平台稳定时间缩短83.3%以上,提升动态重力测量效率。

基于BP神经网络的土壤墒情动态系统预测模型研究与应用

BP神经网络模型构成了有效的非线性建模,其在研究环境变动如何影响土壤含水量并准确预报水资源状况方面表现出色,从而提升水资源的整合利用效率。通过整理分析土壤含水量信息,建立了一个以反向传播神经网络为基础的预报模型,并对该系统进行了实地训练和精确性测试,实验结果显示,该模型在预估精确性和稳定性方面表现卓越,从而为农作物的生产和水资源的分发提供了有力的数据支持,帮助决策制定过程。

基于BP神经网络的高通量铅铋反应堆中子通量最大化设计方法研究

优化设计高通量铅铋反应堆对于缓解快中子研究堆辐照资源稀缺难题、支撑先进核能系统的发展具有重要意义。本文以提升堆芯中子通量水平为目标,针对高通量铅铋反应堆复杂的多维非线性约束优化问题,依托反应堆蒙特卡罗程序RMC和子通道程序Subchanflow,构建了基于BP神经网络(Back Propagation Neural Network)算法的预测模型,并结合Sobol指数法开展堆芯设计参数的敏感性分析,提出了基于BP神经网络动态代理模型(Dynamic Surrogate Model,DSM)更新迭代的设计优化方法,开发了高通量铅铋反应堆设计优化平台。以多功能超高通量堆为例开展堆芯栅径比、燃料芯块直径、活性区高度、径向反射层厚度的多堆芯参数协同优化验证,结果表明:该优化方法对堆芯中子通量密度与有效增殖因数keff的预测精度误差在0.1%之内,在4组堆芯设计变量单独作用和共同作用下对于最大中子通量的影响程度都按照反射层厚度<栅径比<活性区高度<燃料芯块直径的递增顺序排列,优化后的中子通量密度相比原始设计方案提高了15.41%,表明开发的高通量铅铋反应堆设计优化平台有效可靠。

人工神经网络预测动态再结晶的研究进展与关键技术

本文综述了近年来人工神经网络在预测金属材料动态再结晶方面的研究进展,通过分析加工参数(温度、应变速率等)对动态再结晶的影响程度,并对比多种输出变量(应力−应变曲线、再结晶体积分数等)在判定动态再结晶机制中的作用,构建了一套基于网络输入输出特征的筛选准则。本文对人工神经网络模型的应用进行了详细介绍,包括原始数据的预处理、超参数的整定以及评估指标的选择。最后,在总结当前人工神经网络在动态再结晶机制预测领域研究现状的基础上,提出了一系列值得深入探索的新方向。

基于神经网络算法的等离子体负载动态参数模型

等离子体负载电学模型大多基于固定参数模型,忽略了负载等效参数变化对模型的影响,容易产生较大误差。为了改善因等效参数变化带来的误差,首先探究了等效电容、等效电阻等负载参数随外加电压幅值、频率的变化情况,据此训练了BP神经网络参数调整模块,建立了等离子体负载动态参数模型,实现了外施激励变化下负载等效参数的更新。结果表明,采用神经网络动态参数模型仿真精度为95.70%,而采用固定参数模型仿真精度为82.89%,仿真精度提高了15.45%。对简化实验工作量、指导等离子体反应器设计有着重要意义。

基于神经网络和多元统计分析的动态预测建模分析

在动态预测建模分析中,前向神经网络是最常用和最成功的方法。本文在对现有的方法或模型的机理、适用条件、优缺点进行比较分析的基础上,从多个角度对时间神经网络与横断面数据进行统计分析,并在此基础上,进一步探讨了网络结构的确定问题。一、神经网络BP神经网络是一种应用最广泛、基本思想也最直接的一种神经网络,是由三个层次或更多个层次组成的分层神经网络。BP神经网络在模式识别等方面的应用很多[1],它由许多神经元相互连通而成,每一层神经元间以其权重的大小来表示其连通强度,本文将重点就这一类神经网络应用于函数拟合与预报中进行分析。如图1所示为BP网络的拓扑结构模型图。

基于本构神经网络橡胶隔振器动态特性建模

提出一种基于本构和BP神经网络模型的橡胶隔振器动态特性的建模方法并验证模型的有效性。首先,分别建立本构模型、BP神经网络模型和基于本构和BP神经网络的联合模型,来表征橡胶隔振器的动态特性。第二,利用最小二乘法对本构模型进行参数识别;以实测的动刚度和滞后角为训练样本,对BP神经网络模型进行模型辨识。计算结果表明,基于本构和BP神经网络的联合模型能更好地表征橡胶隔振器动态特性的振幅相关性和频率相关性。最后,计算3种模型受到随机位移激励的时域响应,并进行试验验证。试验结果表明,基于本构和BP神经网络的联合模型能更加准确地描述橡胶隔振器的动态特性。

基于人工神经网络的电力变压器声纹识别技术

针对变压器运行状态声纹识别的应用需求以及BP神经网络识别模型准确率较低等问题,提出了一种改进人工神经网络的变压器声纹识别技术。该技术以变压器声纹信号中的MFCC系数作为模型的输入特征向量,在BOA算法中引入动态权重因子和变异因子对BP神经网络权值和阈值进行寻优,开展声纹识别。实验结果表明,利用变压器声纹信号的32维MFCC特征系数可使识别准确率达到90%以上,优化后算法的运算速度比PSO-BP神经网络与BOA-BP神经网络提高了9.24%和8.64%,具有更高的运算效率和识别准确率。

基于思维进化和L-M法优化BP神经网络的SF_(6)断路器触头电寿命评估

文中分析35 kV SF_(6)断路器一相触头的动态电阻曲线的特点,提取出主触头接触行程、主触头电阻平均值、弧触头接触行程、弧触头电阻平均值和主触头分离时刻动态电阻极大值5个特征参数,分析得到随着烧蚀程度加深,主触头接触行程和弧触头接触行程减小,主触头电阻平均值、弧触头电阻平均值和主触头分离时刻动态电阻极大值增大。提出电寿命指示参数描述触头状态,采用数值表示法,1表示电寿命完好,0表示电寿命完结。以5个特征参数为输入,电寿命指示参数为输出,基于BP神经网络建立电寿命评估模型。使用思维进化算法优化BP神经网络的初始权值和阈值,使用L-M算法优化BP网络学习过程中的权值调整量,优化后测试集电寿命指示参数的预测误差为0.0183,相比原始BP网络下降61.31%。最后基于电寿命指示参数提出了触头电寿命的评估分级方法,并给出了对应的检修策略。

基于ISSA-BP神经网络的滑坡区输电铁塔状态预测模型

滑坡区输电铁塔基础发生位移时,会导致铁塔的最大位移及杆件所受最大应力发生变化,建立铁塔状态预测模型可得到铁塔的最大位移及杆件所受最大应力变化趋势,进而预防灾害事故的发生。提出一种改进麻雀搜索算法优化BP神经网络的预测模型,首先利用Sin混沌序列与步长因子动态调整策略对麻雀搜索算法进行优化,其次用优化后的模型对BP神经网络的权值及阈值进行参数寻优,得到预测模型。将铁塔基础在XYZ方向的位移值作为预测模型的输入量,得到铁塔最大位移值及铁塔杆件最大应力的预测值。本预测模型较BP神经网络模型相比,方根误差RSME值最高下降了63.4%,平均相对误差MAPE值最高下降了60.4%,绝对值平均绝对误差MAE值最高下降了62.6%,同时本文预测模型预测值符合真实值的变化趋势,综上本预测模型能较准确地预测输电铁塔运行状态,为其安全运行提供有力保障。

磁轴承BP神经网络PID控制算法研究

针对传统PID控制算法难以解决磁悬浮系统非线性的问题,设计一种BP神经网络PID控制算法。通过仿真分析与试验研究,比较普通PID控制算法与BP神经网络PID控制算法对磁悬浮系统的实际控制效果。研究结果表明:BP神经网络PID控制算法可以改善磁悬浮系统的静动态性能,并使系统具有自学习、自适应的能力。

基于动态BP神经网络的财务危机预警算法研究

为进一步提升模型合理性和预测结果准确度,充分考虑公司财务情况历史值的影响,通过对不同时期的财务面板数据赋以不同权重,设计提出了一种基于Logit-动态BP神经网络的财务危机预警机制。实证结果显示,基于面板数据的新模型能更好地体现财务危机的发生机理,因而具备良好预警精度;在对财务危机公司及财务正常公司预警实验中,其预测性能均优于现有Logit回归分析模型和传统神经网络模型。

基于改进狮群算法和BP神经网络模型的磨矿浓度预测

针对当前选矿生产过程中磨矿参数难以实时测量,导致的无法对磨矿流程控制进行有效实时优化的问题,提出了一种基于改进狮群算法和BP神经网络的磨矿浓度预测方法。传统的狮群算法(Lion Swarm Optimization, LSO)存在容易陷入局部最优解和局部搜索能力弱的问题,通过改变狮王更新方式的同时加入衰减因子,来提升全局搜索能力,避免陷入局部最优解,对于母狮和学习狮的更新方式引入了动态学习策略,来优化局部搜索能力,并在仿真测试中验证了改进算法的优越性。同时利用改进的算法代替BP神经网络中的梯度下降法,来搜索最优的权值和阈值,提升BP神经网络收敛速度和收敛精度。试验结果表明,改进狮群算法优化的BP神经网络(Improved Lion Swarm Optimization-BP,ILSO-BP)在此预测问题上有更好的效果。

基于BP神经网络模型的机床大件结构动态优化方法及其应用研究

将BP神经网络理论与有限元建模方法相结合 ,提出了采用BP神经网络建立机床整机主要部件的动力学模型 ,并应用大型有限元分析软件ANSYS的APDL进行BP神经网络样本的快速采样的方法 .根据所提出的方法 ,建立了机床双W筋板床身的筋板位置、厚度与床身前 5阶频率之间的BP神经网络模型 ,并以床身第 1阶固有频率最高为目标进行了设计变量的自动搜索寻优计算且获得了满意的结果 。

基于BP神经网络的太湖典型农田土壤水分动态模拟

收集太湖典型农田2010年10—12月和2011年3—6月2个时间段的逐日气象资料和土壤水分资料,运用BP(back propagation)神经网络和缺省因子分析法确定影响该地区土壤水分动态的主要气象因子(降水量、蒸发量、平均气温和平均地表温度以及平均风速),以这些主要影响因子作为输入变量建立该地区土壤水分动态模拟的BP神经网络模型。利用100组实测样本对神经网络进行训练,用剩余的64组实测样本进行检验。结果表明:0～14 cm和14～33 cm土壤含水量模拟的平均相对误差(MARE)最大为0.062 9,均方根误差(RMSE)最大为1.764,不同土壤层次的训练样本和检验样本的精度(PA)都在0.87以上。因此,BP神经网络用于太湖典型农田的土壤水分动态模拟是可行的。

基于PSO优化BP神经网络的钻井动态风险评估方法

传统钻井动态风险评估严重依赖于专家主观判断、结果大多是定性或半定量,无法满足深井复杂地层钻井安全需求。针对该问题,研究建立了基于PSO优化BP神经网络的钻井动态风险评估方法。通过对录井资料的监测分析,实时判断井下风险发生的类型并定量计算风险发生概率,可以在风险发生的早期给出预警信息,及时指导风险调控措施的开展。海上BD气田的实例分析表明,基于构建的动态风险评估模型得到的风险预测结果与实际风险发生情况相符合,说明建立的模型是合理可行的。该模型对于钻井作业过程中动态风险评估具有一定的参考价值。

基于BP神经网络的土壤水热动态预测模型研究

以土壤施氮量、灌水量、土壤各层初始温度、各层初始含水率以及时间作为神经网络的输入因子,以土壤温度、含水率作为输出因子,基于BP神经网络,建立了拓扑结构为17-21-14的BP-W-T预测模型,利用Matlab软件对BP神经网络进行训练,并结合实测值对温度分布和含水率分布进行检验。结果表明:土壤温度预测模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.28%~3.36%、0.954~0.972和0.910 2~0.944 7;含水率预测模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为1.87%~3.09%、0.974 3~0.992 6和0.949 3~0.985 2;该预测模型具有较高的预测精度和良好的稳定性,可以较好地描述温度梯度下土壤水热动态变化情况,为预测土壤温度与含水率提供了一条新的途径。