PSO-BP神经网络在隧道围岩变形预测中的应用

针对滇西复杂地质条件下隧道围岩变形预测问题,以BP神经网络为基础,引入了改进后的粒子群算法,通过调试和改进建立了PSO-BP神经网络。该神经网络结合了粒子群算法的全局搜索能力和BP神经网络的局部搜索能力,非线性映射能力强,泛化能力强,具有一定的容错能力。计算结果表明:PSO-BP神经网络预测精度高,平均绝对误差为2.4 mm,平均相对误差为2.7%,满足隧道围岩变形预测精度的需要。     

基于自然选择策略的PSO-BP神经网络的滑坡可靠性评价方法

将BP神经网络良好的非线性函数拟合能力,以及粒子群算法(PSO)良好的非线性优化性能相结合,提出一种基于自然选择策略的PSO-BP神经网络的滑坡可靠性评价新方法。新方法的整体布局是以BP神经网络作为滑坡可靠性分析的响应面函数,在内部实现细节上,针对传统BP神经网络权值和阈值更新过程中容易陷入局部最优特点,采用自然选择粒子群算法来替代标准BP神经网络内置的最速梯度下降法,以达到进一步优化网络的目的。以贵州省马达岭HP1滑坡为例,验证该方法的优越性,结果证明:(1)该文提出的自然选择PSO-BP算法全局拟合能力更强,构造出的响应面误差更小;(2)降雨对于该边坡可靠性的影响小于地震,敏感性低;(3)天然工况下的HP1处于稳定状态,饱和、天然地震工况下处于低危险状态。     

基于小波网络的发动机瞬态工况进气流量动态辨识与预测研究

由于发动机进气系统具有复杂的非线性动态特性,因此构建了进气流量小波网络辨识与预测模型,并利用最小二乘法(DLS)对小波网络参数和预测控制率进行了学习和优化,以提高小波网络预测模型的可靠性和预测精度。作为对比建立了基于BP神经网络的预测模型,并利用瞬态工况试验数据分别对两种模型进行了仿真研究。结果表明,小波网络模型能有效地预测发动机瞬态工况进气流量,与BP神经网络预测模型相比,误差精度更高,可用于发动机瞬态工况空燃比的精确控制。     

基于BP神经网络的SOC估算策略研究

针对传统动力电池的SOC估计方法的不足,采用BP神经网络对SOC进行预测。通过编写Matlab程序对BP神经网络进行了训练,并用所建BP神经网络模型对电池性能进行预测,获得电池SOC预测值,最大误差小于0.5%,结果满足精度要求,从而验证了所建BP神经网络能够有效的预测蓄电池电压和SOC之间的映射关系。对提高动力电池的能量效率,延长电池的使用寿命具有重要意义。     

基于SVR的汽油机过渡工况进气流量预测研究

针对目前汽油机进气流量预测精度不高的问题，分析支持向量回归机(SVR)应用在进气流量预测的可行性，提出一种基于SVR的进气流量预测模型。该模型通过结合支持向量回归机的结构优势，采用灰色关联分析法(GRA)对模型的特征向量进行提取，并利用遗传算法(GA)对模型参数进行寻优辨识，以提高模型的泛化性能和预测精度。运用汽油机过渡工况仿真试验数据对模型进行了训练和预测，并应用MATLAB/LIBSVM工具箱实现SVR模型的回归预测功能。结果表明：SVR模型的预测值与试验值的误差控制在2%范围之内，有效实现了过渡工况进气流量的预测；与常规的RBF神经网络预测模型、BP神经网络预测模型相比，SVR模型具有更高的预测精度，适用于汽油机过渡工况空燃比的精准控制。     

改进PSO-BP算法在隧道洞室地基稳定性中的应用

隧道洞室稳定性问题是一个复杂的非线性力学问题,常规的方法很难描述这种复杂的非线性关系。为及时评价隧道洞室地基的稳定性,以便采取合理的开挖方案,提出了改进PSO-BP算法对其稳定性进行预测的方法。粒子群算法具有搜索速度快、效率高、算法简单等优点。BP算法有很强的非线性映射能力、泛化能力等功能,但其容易陷入局部最优。采用PSO算法克服BP神经网络的缺陷,提高BP网络模型预测精度。以重庆小什字车站洞室为例,验证了改进PSO-BP算法能够快速、准确地获取不同方案下的洞室地基安全系数,且预测结果比模糊神经网络预测结果要好,证明了该方法的可行性。     

涡轮增压柴油机进气流量建模研究

利用增压柴油机外特性试验数据,将用于计算增压燃气发动机进气流量的经验公式系数进行重新标定,建立增压柴油机进气流量估算模型。通过ESC和ETC试验分别进行增压柴油机稳态工况与动态工况模型预测流量与实测流量的对比验证。结果表明,稳态工况时,模型中两拟合公式结合使用,相对误差在(-10%,+10%)范围内;瞬态工况时,模型预测流量相对于试验流量的跟随性都较好,在瞬态小流量工况时选用一次拟合关系式计算效果更好。     

基于时间序列ACO-BP神经网络在基坑变形预测中的应用研究

BP神经网络技术因其良好的非线性动力学特性、函数逼近能力、自组织和自适应能力,已广泛应用于基坑变形预测中。但实际应用过程中发现BP神经网络具有收敛速度慢、初始权阈值对计算结果影响较大,且易陷入局部最优等缺陷。采用引入具有启发式寻优、全局优化特点的蚁群算法优化BP神经网络,对基坑变形进行预测,并与BP神经网络进行比较。结果表明:ACO-BP神经网络模型预测基坑变形可行;预测精度高于BP模型,且结果稳定、速度较快、误差满足工程的要求。     

基于风险分析的公路工程保险费率厘定

在考虑工程风险及保险实际理赔情况的基础上,形成了含自然灾害、项目环境等7个指标维度的风险评价体系,利用粒子群(PSO)算法优化BP神经网络的初始阈值及权值,建立了公路工程保险费率厘定模型。将该模型应用于34个公路工程保险实际案例,通过PSO-BP神经网络拟合保险样本中风险指标因素与费率之间的关系,实现费率预测。对比分析PSO-BP神经网络与BP神经网络的仿真效果,结果表明,PSO-BP神经网络模型能较好地反映公路工程实际风险水平,预测准确度高,收敛速度快,适用于保险费率厘定。     

纳米SiO_2改性水泥混凝土优选及疲劳寿命预估

通过熵权法加权的灰靶理论,对5组不同掺量水平的纳米SiO_2改性混凝土综合路用性能进行评价分析,得到最优纳米SiO_2掺量;选择最优组改性混凝土进行弯曲疲劳试验,以弯拉强度及荷载作用次数为参数,建立BP神经网络模型。结果表明:经过纳米SiO_2改性的混凝土其各项路用性能均得到有效提高,其中1.5%掺量水平下,纳米SiO_2改性混凝土路用性能综合评价最高;采用BP神经网络模型预测1.5%掺量水平下纳米SiO_2改性混凝土疲劳寿命可得到较为准确的结果,最大误差小于1%,Levenberg-Marquardt训练算法与另外两种算法相比具有最少的迭代次数及最优的收敛速度和泛化能力,且误差平方和相比之下最低,最大相对误差为0.011%～0.041%。