基于GA-BP神经网络的汽车空气阻力系数预测研究

针对整车空气动力性能开发中数值计算耗时长的问题，提出一种基于GA-BP神经网络的汽车空气阻力系数预测方法。将汽车部分特征参数作为输入变量，经外流场仿真得到的空气阻力系数作为输出变量，获取数据集。采用遗传算法对BP神经网络进行参数寻优，最终建立基于遗传算法的BP神经网络模型，验证不同训练集数量对模型预测精度的影响。结果表明，GA-BP神经网络在训练样本较少时也能维持较高的预测精度，可用于汽车空气阻力系数的快速测。     

基于BP神经网络基坑支护结构变形预测研究

为了精确的预测佛山某建筑基坑变形情况,提出了一种BP神经网络多数据纵向预报方法,选取前三次的多个测点数据进行预处理,然后再对BP神经网络分析、训练、测试,并分析隐含层数对预测精度的影响,通过对比试算确定隐含层数目,最终达到能够高精度预测基坑支护结构水平位移和沉降。结果表明:所提出的方法可以精确地预测基坑变形,对工程建设具有一定的参考价值。     

基于行驶工况特征的汽车燃油消耗的预测

本文从行驶工况特征参数来进行燃油消耗的预测。首先对典型道路上采集的百公里燃油消耗和行驶工况数据进行划分,获得大量行驶片段。接着用主成分分析法从所有行驶片段的13个特征参数中得到了3个主成分。最后利用BP神经网络对3个主成分的得分进行燃油消耗的预测。结果表明,与一般的BP神经网络相比,采用主成分分析和神经网络相结合的燃油消耗预测模型,简化了网络结构,提高了预测精度,可用来预测城市道路行驶工况的燃油消耗。     

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。     

基于剩余推力法与BP神经网络的玄武岩残坡积土公路边坡稳定性预测

采用剩余推力法与BP神经网络,以贵州省毕节地区宋阴公路K5+170~K5+220段玄武岩残坡积土边坡作为工程研究对象,对该边坡稳定性展开了计算和预测。选取现场实测剖面作为计算剖面,设置4个计算工况,由剩余推力法得到边坡天然状态(工况1)稳定性系数为1.085 1,当边坡处于16m地下水位+暴雨(工况2)、16m→8m地下变化水位(工况3)和16m→8m地下变化水位+暴雨(工况4)时,边坡稳定性系数均小于1。边坡稳定性敏感因素分析显示,滑带土黏聚力敏感系数平均值为15.9%,内摩擦角为48.3%,地下水位为34.0%,表明滑带土内摩擦角对边坡稳定影响最大,其次是地下水位。选择同一路段其他玄武岩残坡积土滑坡作为训练样本,通过Matlab神经网络ANN工具箱分步骤设计了BP网络,选择加动量学习速率自适应traingdx函数作为训练函数,采用多次预测求均值的方法获取预测结果。BP神经网络预测结果表明,边坡工况1的稳定性系数平均值为1.095~1.139,工况3为0.988~1.021,考虑到暴雨对边坡坡稳定性的影响,工况4时边坡可能发生滑动破坏。神经网络各次预测结果之间误差较大,最大达到45.87%,但求均值后的BP神经网络预测结果与剩余推力计算结果的相对误差大大降低,仅为0.4%~5.2%。将BP网络的输入参数减少为5个后,预测精度反而较高,表明黏聚力、内摩擦角、坡高、坡角、湿重度等因素对边坡稳定性有着实质性的影响,其他因素影响权重则较低。     

地铁深基坑变形监测分析

以某地铁深基坑围护结构为背景,采用现场监测数据与Origin数据分析软件相结合的方法,对灌注桩桩体水平位移、地表沉降量的变化规律进行了研究。发现灌注桩桩体水平位移变形曲线由“悬臂型”向“抛物线型”发展,且桩体最大水平位移的位置随基坑开挖深度增大而下移;地表沉降变形曲线呈“凹槽型”分布,沉降最大值发生在临近基坑土方开挖完成阶段,且最大沉降点位于坑壁外12 m处,工况Ⅱ,工况Ⅲ,工况Ⅴ的开挖对地表沉降影响较大。     

基于预测控制的PHEV能源管理策略

提出一种基于预测控制的PHEV在线能源管理策略。它利用BP神经网络构建旅途预测模型,并采用遗传-粒子群混合优化算法提升预测模型的车速预测精度;在此基础上,为保证预测模型对工况的适应性和策略的实时性,设计了基于动态规划的预测控制策略;最后以实际工况数据对提出的策略进行了仿真验证。结果表明,设计的旅途预测模型可有效地进行车速预测,预测精度超过93%;同时,与现有的实时策略和全局优化策略相比,采用提出的策略时油耗、排放和实时性得到了改善。     

基于BP神经网络的节能车弯道降速数学模型分析

针对节能车为有效降低燃油消耗率,在整车经过弯道时,发动机需怠速滑行的特点,对GPS车载数据采集系统得到的数据进行弯道部分数据提取。基于提取出的北京金港国际赛车场150余组数据,通过引入BP神经网络算法的方式,建立了节能车弯道降速的BP神经网络预测模型。在经遗传算法优化后,拟合优度的结果显示,BP神经网络的预测较为接近真实情况,预测效果较为良好,可以用于节能车滑行过弯速度变化情况预测,并为不同赛道不同工况下整车速度分配提供参考依据。     

BP神经网络预测煤矸石路堤沉降

针对煤矸石路堤沉降预测问题,基于BP神经网络非线性映射能力和学习能力,提出学习率可变的动量BP神经网络以预测常安高速公路煤矸石路堤沉降。利用实测沉降资料建立路堤沉降模型,该模型克服了动量BP神经网络收敛速度慢、训练时间长的缺点。同时采用postreg函数对网络训练结果进行了检验。结果表明:该模型有较高的预测精度,预测误差较小,可用于煤矸石路堤沉降预测。     

基于支持向量机和改进BP神经网络的路基边坡稳定性研究

针对京新高速公路项目在建设中遇到的裂缝、滑移、倾倒等大量边坡稳定性问题,为了探讨边坡岩土体参数与边坡稳定性间的相关关系,以及保证研究项目路段在运营期间的行车安全,实现公路网尤其是山区公路的安全、高效、便捷运行,在已有研究的基础上,分别建立了支持向量机以及附加动量因子mc而改进后的BP神经网络两种边坡稳定性预测模型。通过引入45个训练样本,对5个工程边坡实例的安全系数进行预测计算,分析了两种模型的平均误差和最大误差,比较了两种模型的预测精度和适用范围,并且对京新高速公路胶泥湾至冀晋界路段的工程边坡稳定性进行了预测。结果显示,样本训练阶段,支持向量机和BP神经网络两种模型均具有较高的模拟精度,而BP神经网络更优;在样本预测阶段,支持向量机的预测精度明显优于BP网络;当随着样本容量不断增大时,两种计算模型的预测精度也逐渐提高;通过结果可以得出,支持向量机预测模型有较强的外推能力和预测计算的有效性,可以更好地描述边坡稳定性复杂的非线性关系,更适用于边坡稳定性的预测分析。     

基于BP神经网络的时序残差GM(1,1)模型

本文针对灰度模型在原始数据序列波动较大时,预测精度较低的情况,提出了基于BP神经网络的时序残差模型.文中使用BP神经网络训练时序残差,再结合灰度模型,较好地提高模型精度和预测精度.此模型不仅适合于原始数据波动较大的序列,而且对非波动性数据序列也有很高的精度.     

邻近加载下桩网结构路基离心模型试验研究

以邻近杭深铁路桩网结构路基的新建乐清湾铁路路基填筑作为工程原型,通过土工离心模型试验模拟工程建设过程中不同邻近加载条件下土体及桩网结构路基变形。结果显示:加载距离由4 cm增加到8 cm时,基桩最大水平位移由120 mm下降到60 mm;同一加载工况中,各排桩水平变形差异主要位于上中段三分之二桩体;前排桩基通过自身较大的水平变形可限制水平土压力与位移发展。     

BP神经网络在土工合成材料蠕变预测中的应用研究

过对目前广泛应用于加筋土工程的土工合成材料-CE131土工网、SDL25土工格栅进行不同应力水平作用下的长期荷载蠕变试验,获得大量的实验数据.在此基础上,运用最小二乘和BP神经网络对其蠕变量进行预测.最小二乘原理是在曲线族中寻找一曲线去拟合实验数据,从得到的误差平方和σ=0.00116来看,其拟合精度较高.BP神经网络具有自适应学习和记忆能力,尤其是三层BP神经网络模型,所得预测值与实际值误差最大为0.91%,较最小二乘3.4%的误差改善了许多,该法为蠕变预测找到了一条新的途径.     

BP神经网络和GM(1,1)灰色模型在公路客运量预测中的应用

在灰色预测的基础上,引入BP神经网络模型,建立了GM(1,1)和BP神经网络组合模型。此组合模型兼有灰色预测和BP神经网络预测的优点,模型既克服了原始数据少,数据波动性大对预测精度的影响,也增强了预测的自适应性。实例证明了组合模型的预测精度高于单独的GM(1,1)模型,可以用于公路客运量预测。     

基于GA-BP神经网络水下隧道涌水量预测及应用

根据有关水下隧道渗流涌水影响因素的研究成果及预测涌水量时选择影响因素的准则,确定了用于预测水下隧道涌水量的6个影响因子。分析了遗传算法与BP神经网络结合的可行性,并利用遗传算法优化BP神经网络的权值和阈值,从而建立了多影响因子的 GA-BP神经网络预测模型,其收敛性能好、简单可行。通过比较GA-BP神经网络和经典BP神经网络模型的预测结果,验证了前者改良了后者的局限性并提高了预测精度。     

基于BP神经网络的预应力组合梁承载力预测

为提高预应力钢-砼组合梁的设计效率及合理性,精确预测其抗弯极限承载力,文中采用BP神经网络算法建立具有多个输入、单个输出的BP神经网络预应力钢-砼组合梁抗弯极限承载力预测模型,利用既有实测结果对该模型进行训练及验证,结果表明BP神经网络预测效果较好,其40次预测值与实测值比值的均值为1.002,具有较高的精度;选取浙江省绍兴市壶觞大桥边跨主梁进行抗弯极限承载力预测分析,结果表明该模型应用于实际工程可行,可用于预应力钢-砼组合梁抗弯极限承载力确定。     

带偏差单元BP神经网络土体灌浆压力预测

灌浆压力是土体灌浆加固的重要参数。基于神经网络非线性映射特性,分析土体灌浆压力主要影响因素,建立符合一般工程判断和决策思维的BP网络预测模型,并引入偏差单元对其结构进行改进,实现了快速收敛,较高精度得出灌浆预测压力的具体数值。预测结果与室内灌浆试验压力对比表明,带偏差单元BP神经网络的土体灌浆压力预测结果具有较高准确性和一定的实用意义。     

基于BP神经网络的基坑变形预测

基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制。通过对基坑实测变形数据进行整理和分析,对未来变形量作出预测,保证基坑安全。结合BP神经网络的高度非线性映射能力,提出了一种基于BP神经网络的基坑变形时间序列预测方法。在基坑开挖过程中,采取滚动预测的方法,不断利用前期已有实测数据建模预测后期变形量,以实现信息化施工和动态控制。实例分析表明,BP神经网络模型具有较高的预测精度,并能获得满意的预测结果。     

基于BP神经网络的车用汽油机过渡工况空燃比多步预测模型

为克服车用汽油机空燃比传输延迟对空燃比控制精度的影响,提出了一种基于BP神经网络的空燃比多步预测模型。通过对空燃比数学模型的分析,确定神经网络空燃比多步预测模型的输入向量,同时为提高空燃比预测精度,在神经网络输入向量中增加反映空燃比变化趋势的导数信息。以HL495发动机过渡工况试验数据进行仿真,结果表明该方法能精确预测过渡工况空燃比。     

基于灰色BP神经网络组合模型的基坑变形预测研究

为了使得基坑变形预测在“少样本”“贫信息”的情况下依然能够得出精度较高的结果,在传统的灰色GM(1,1)模型和BP神经网络模型的基础上,进行了灰色BP神经网络组合模型的研究。通过总结2传统模型的原理和算法,归纳各自的优缺点,分析2模型在本质原理上的关系,提出了构建组合模型的方法。利用广州市轨道交通三号线燕塘站的监测数据,对灰色GM(1,1)模型、BP神经网络模型和灰色BP神经网络组合模型分别进行了检验,肯定了组合模型的优越性。