BP神经网络在长螺旋成孔压灌注混凝土桩单桩极限承载力预测中的应用

BP网络(Back Propagation Neural Network)是工程中广泛应用的一种神经网络模型。根据试验数据,运用BP网络对长螺旋成孔压灌注混凝土桩单桩极限承载力进行预测,将预测结果与实测值进行比较。结果表明,神经网络方法预测的结果与实测值的误差满足工程要求。     

基于基桩振动参数和投影寻踪法的基桩承载力预测方法*

基于投影寻踪法对基桩承载力进行了预测.以基桩承载力为因变量,以锤击力最大值、传递给基桩的最大能量值、基桩顶最大动位移、Zv最大值、基桩入土深度、桩径为自变量,得出了基桩承载力的投影寻踪预测模型.研究发现,通过32组实测数据训练后,投影寻踪模型的基桩承载力预测值与高应变动测法实测值的相对误差为±0.071 83％;该模型对6组验证数据的预测值与静载试验实测值、高应变动测法实测值的相对误差分别为±7.352 97％和±6.0111 21％.结果表明,该投影寻踪法预测模型是精确的和可靠的,投影寻踪法是一种较为优越的方法,值得在基桩承载力的预测中推广应用.     

神经网络在单桩承载力预测中的应用

运用基于BP神经网络的组合预测模型对PHC桩的极限承载力进行预测。分别利用灰色GM(1,1)模型和BP神经网络对桩在荷载作用下的沉降进行估算,然后利用人工神经网络中的BP网络对所得的结果进行组合预测;最后利用Lagrange算法计算桩的极限承载力。计算实例表明,使用该组合预测方法所得的预测结果比单纯使用灰色GM(1,1)模型或神经网络模型所得结果的总体误差要小,因而该方法是可行的、有效的。     

黄金分割神经网络算法在水质预测中的应用

以牛栏江干流七星桥断面的水质监测数据作为基础,选取高锰酸盐(CODMn)含量为预测指标,采用黄金分割神经网络算法对牛栏江干流的水质状况进行了预测。根据黄金分割神经网络算法所具有的能优化隐含层节点数、舍弃依靠经验公式进行人工选取的特点,建立了网络拓补结构为4-6-1的黄金分割神经网络算法水质预测模型。结果表明黄金分割神经网络算法得出的预测值与实测值之间的平均相对误差,相对误差区间,相对误差的接受度都在可接受的范围内,且黄金分割神经网络算法预测结果更接近实测值,优于BP神经网络的预测结果。     

基于BP神经网络模型下的桩群阻力预测

在30m长、3m宽、0.26m深的循环水槽中,应用阻力相似理论进行物理模型桩群模拟,以试验中的实测桩群阻力数值作为期望值,建立基于BP神经网络的桩群阻力预测模型。应用该模型进行桩群阻力预测,通过对比实测数据,发现预测值相对误差很小,预测结果合理可信。由此可以认为,以物理模型试验数据为基础,依托神经网络进行桩群阻力预测的方法值得推广和探讨。     

改进的BP神经网络在路基沉降预测中的应用

针对传统BP神经网络存在的缺点,提出基于遗传优化的变梯度反向传播的BP神经网络预测方法,采用遗传算法优化BP神经网络的初始权重,建立路基沉降预测模型。该模型可克服BP神经网络模型存在的收敛速度慢、易陷入局部极小点等缺点。结合现场实测数据,将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统BP神经网络预测模型对比,结果表明改进的BP神经网络在路基沉降预测中精度最高,适宜于广泛推广应用。     

层状饱水软土地基中横向受荷群桩动力阻抗分析

将饱水软土地基视为两相介质,考虑水的渗流和土骨架变形的耦合作用,用间接边界元法分析层状饱水软土地基中横向受荷群桩动力阻抗,探讨饱和土中孔隙流体对饱和土中横向受荷群桩动力阻抗的影响。     

预制桩承载力时效的人工神经网络预测

分析预制桩单桩承载力时间效应的机理，说明其主要与桩长、桩截面积、土体摩擦角、渗透系数、弹性模量、休止期6个参数有关，建立了考虑时间效应的预测单桩承载力的误差反馈型神经网络模型。该模型充分考虑了桩周土固结对桩承载力的影响，输入层神经元为以上6个参数，物理意义明确且容易确定；训练模式采用共轭梯度法。对34根桩的计算表明该模型预测结果与实测值吻合，说明其是科学有效的。     

基于马尔可夫链修正的神经网络隧道围岩变形预测

将神经网络预测模型与马尔科夫链结合,应用于公路隧道围岩的开挖变形预测问题中。选取菠萝山隧道YK2+805断面监测点进行研究,利用量测的连续16天拱顶位移进行BP神经网络样本训练,建立菠萝山隧道拱顶位移值预测的BP神经网络模型,运用马尔科夫链对拱顶位移预测值修正。结果表明,基于马尔科夫链修正的BP神经网络预测模型预测效果良好,平均预测精度高于单一BP神经网络预测模型精度,与GM-MC模型精度一致或更优,能够满足工程实际要求。     

遗传神经网络的船舶运动受扰力预测模型

船舶运动受扰力预测,是实现对船舶摇摆控制的关键步骤。为达到有效控制船舶摇摆的目的,基于遗传神经网络,完成船舶运动受扰建模预报和预测方法选择。模拟船舶航行状态,设计仿真对比实验结果表明,基于遗传神经网络的船舶受扰力预测模型,有效提升横向与纵向运动受扰力预测准确性,完成有效控制船舶摇摆的目的。     

基于广义回归神经网络的路基沉降预测

为了对路基沉降变化规律进行预测,避免发生工程事故,提出了将广义回归神经网络模型应用于软土地基沉降预测中的方案。通过广义回归神经网络的基本理论和概念,采用实际工程数据,用 BP 神经网络方法和广义回归神经网络方法进行了预测分析,比较了2种方法的3组预测结果。工程实例预测结果表明,广义回归神经网络方法的均方误差和决定系数表现都优于 BP 神经网络方法;证明该方法是可行且有效的。     

基于灰色模型GM(2,1)的大直径超长桩承载力预测*

基于8根大直径超长桩承载力现场试验资料,选用灰色模型GM(2,1)进行建模和预测,并与两类常用指数模型进行了比较。比较发现,用灰色模型GM(2,1)对8根大直径超长桩承载力进行预测时,相对误差一般为±0.8%;由后验差比值C和小误差概率P共同描述的后验差检验时,灰色模型GM(2,1)的效果为很好;GM(2,1)的预测效果明显好于两类常用指数模型。结果表明,GM(2,1)对样本大小不限,资料的处理可以随时增加更新,保证较高的预报水平;用GM(2,1)预测大直径超长桩承载力是可行的。     

基于SARIMA-BP模型的港口船舶交通流量预测

为提高船舶交通流量预测精度,提出一种季节性自回归移动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型和BP神经网络的误差校正集成模型。以深圳港2011—2017年的数据为研究样本,对原始数据进行预处理,构建最优SARIMA模型,以该模型求出的残差序列作为BP神经网络的输入,将两个模型预测结果进行整合,得到集成模型的预测结果。试验结果表明:该误差校正集成模型与两个单一模型相比,体现出船舶交通流量数据的季节性特征,具有较好的预测精度,为港口船舶交通流量预测提供一种更为有效的方法。     

基于BP神经网络的二手船价格评估研究

二手船价格是买卖二手船决策过程中非常关键的因素。为了准确地估算二手船价格,利用BP神经网络的高度非线性运算能力以及通过学习样本数据即可对事物复杂内在规律进行精确计算的特点,将BP神经网络应用于二手船价格的估算。利用从克拉克松获取的2009年到2012年120个灵便型干散货船交易数据,建立了基于船龄、船舶载重吨(DWT)、新造船价格和一年期期租费率的BP神经网络模型,网络输出结果与二手船实际交易价格的相对误差率在10%以内。     

港口集装箱吞吐量的灰色神经网络预测模型研究

为了降低港口集装箱吞吐量的预测误差,提高预测精度,文章通过分析传统的灰色预测模型和 BP 神经网络预测模型的优缺点,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和 BP 神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明：灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

基于人工神经网络的胶州湾浮游植物生物量模拟

文章首先介绍了BP网络数据标准化、隐层神经元选择、网络训练和有效性检验方法。以2003年胶州湾环境监测资料为基础,建立了多输入单输出的3层BP人工神经网络模型,采用8个水环境因子预测浮游植物生物量(Chla浓度)。检测集样本网络预测值与观测值的相关系数为0.8943,平均绝对误差为11.33%。为避免个别网络输入初值对输出的干扰,采取全局灵敏度的方法,分析了各水环境因子变化对浮游植物生物量的相对影响。结果表明,浮游植物生物量对各水环境因子变化响应的敏感系数顺序为DOCODPO4-PSSTpHOilDINSiO3-Si。     

基于BP神经网络的载荷试验研究

BP神经网络是工程中广泛应用的一种神经网格模型,对BP神经网络原理进行简要介绍,根据现场载荷试验数据,运用BP神经网络技术建立载荷试验过程中承压板沉降值与载荷值大小之间的相关性模型,并对载荷试验过程进行预测,将预测结果与实测值进行对比,结果表明预测结果与实测值基本吻合,为今后载荷试验过程模拟提供可借鉴的方法。     

改进BP神经网络的城市交通流预测研究

由于交通流预测具有高度的非线性特点,这与BP神经网络能够处理非线性问题的特征相符合。但BP神经网络算法易使解陷入局部极小,而遗传算法的全局优化能力则恰恰可以克服这一缺点。文中将遗传算法应用于对BP神经网络模型的改进来对交通流进行预测。通过对预测数据与实测数据的比较分析,证实了改进后的方法更为有效。