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。     

BP神经网络预测船体焊接变形

实现无余量造船的重要前提是准确预测船体结构的焊接变形,从而满足造船精度要求。由于焊接变形的起因以及现场工作环境非常复杂,几种回归公式难以完全覆盖所有范围。为此,本文应用C 语言实现BP神经网络学习算法,来预测船体构件焊接横向变形和角变形。     

基于BP神经网络的船闸基坑变形预测方法

船闸基坑开挖改变了地层中的原始应力状态,造成临近地面及临近建筑物产生变形。对基坑临近地面及建筑物变形进行预测,以选择经济合理的支护措施尤为重要。依托实际船闸基坑工程,考虑粘聚力、内摩擦角、弹性模量、基坑深度、放坡坡率以及地下水因素共同作用,采用有限元软件Midas GTS/NX对各因素通过正交设计后的基坑施工工艺组合开展了数值模拟,得到了不同组合下基坑临近地面不同位置处的变形特征。基于BP神经网络理论,建立了滨海地区船闸基坑无支护情况下开挖时临近地面变形的三层结构(7-7-1)神经网络预测模型。利用得到的179组基坑沉降数据对模型进行训练,21组数据对模型进行验证。结果表明,模型能够很好地对滨海地区基坑临近地面沉降进行预测。该方法可为类似工程支护措施设计提供参考。     

基于分数阶算子灰色理论隧道围岩变形预测

采用新奥法开挖隧道时围岩应力产生重分布,对隧道围岩的变形进行监控量测是必不可少的内容。这些数据也影响着接下来的工况实施,需要对现场监控数据进行有效的处理才可以有效预测。为了避开一些复杂的地质因素、围岩力学效应等较难确定的因素,采用分数阶算子灰色理论进行数据处理。介绍了分数阶算子灰色理论的基本原理与操作步骤,基于传统的GM(1,1)模型,引入分数阶精确调节累加数的数量级,以此建立分数阶算子灰色预测模型。以工程实例为研究背景,对不同模型下隧道围岩位移的预测结果进行对比分析,结果表明,分数阶算子灰色预测模型优于经典GM(1,1)模型,其模拟精度有明显的提高,能满足实际工程的需求。     

基于BP神经网络的贮存可靠性预测

导弹在贮存过程中,可用的故障数据量少,具体的故障时间难以准确确定。为此,引入BP神经网络进行导弹贮存可靠性分析,建立了导弹贮存可靠性预测模型。利用某2型导弹在贮存期间的测试故障数据,对贮存可靠度指标进行了定量计算。结果表明,该模型能迅速得出其贮存可靠性随时间的变化规律,对给定贮存条件下的贮存可靠性进行准确的预测。     

基于BP神经网络的船舶交通流量预测研究

在分析船舶交通流量特性的基础上,以船舶交通流量控制为最终目标,建立基于BP神经网络的船舶交通流量预测模型,以长江口深水航道的交通流量数据作为训练样本,进行模拟分析。预测结果与实测加权数据进行对比表明,该模型对船舶交通量的预测是有效的。     

基于BP神经网络的水上交通事故预测研究

本文分析了影响宏观水上交通事故的因素,论述了基于BP神经网络的水上交通事故预测模型的建模过程。通过实例分析,该模型作为水上交通事故预测是可行的。     

基于BP神经网络的WSCFI研究与预测

目前,WSCFI(武汉航运中心出口集装箱运价指数)的发展处于起步阶段,国内缺乏具有权威性的内河港口集装箱运价指数。本文建立基于BP神经网络预测模型,通过对原始数据进行预处理,根据神经网络理论和实际需要分析网络,设计网络结构和确定学习函数,在训练模型后确定了预测模型。以出口集装箱运费、影响集装箱运价因素等8个指标作为自变量,对武汉航运中心出口集装箱运价指数进行预测,对比分析拉氏公式预测结果及实际市场运价。实验表明:与拉氏公式相比,BP神经网络预测值与出口集装箱运价指数的发展趋势拟合度更高,对内河集装箱运价指数研究具有重要意义。     

基于BP神经网络的煤矿电机故障诊断预测

电机软故障辨识诊断一直是困扰电机维修工程师一大难题。引入BP神经网络概念,利用采集到的样本数据训练BP神经网络,得出最优网络模型。通过典型故障状态参数测试新方法的辨别能力。结合对煤矿电机参数的训练测试,通过仿真实验验证了这种新方法对电气故障诊断的有效性。     

基于遗传算法优化BP神经网络的基坑变形研究

随着我国经济建设的快速发展,大面积基坑施工工程越来越多。基坑的变形会对周围的建筑物等造成危险,影响施工的安全性,通过对基坑施工过程中的变形情况进行现场检测并建立预测模型预测基坑的变形趋势就显得尤为重要。本文以天津文化中心交通枢纽工程的基坑变形监测数据为基础,利用遗传算法对经典的BP神经网络进行优化,对基坑的变形进行预测。结果显示,基于遗传算法优化后的GA-BP网络输出的基坑变形预测结果较基本BP网络更精确,同一时刻同一测点各深度处墙体变形预测误差在大多数情况下都有所降低。     

基于ABC优化BP神经网络的船舶交通流量预测

为提高船舶交通流量预测的准确性,针对BP神经网络随机确定初始权值和阈值的缺点,提出一种基于人工蜂群算法(Artificial Bee Colony,ABC)改进BP神经网络的ABC-BP船舶交通流量预测模型.利用人工蜂群算法全局搜索能力和不易陷入局部最优的特点,对BP神经网络的初始权值和阈值进行优化,并以青岛港船舶交通...     

基于BP神经网络技术的区域物流需求量预测

区域物流需求预测是区域物流系统规划、物流资源合理配置过程中的重要环节,而区域经济是产生区域物流需求的内在决定性因素,因此寻求利用区域经济指标来预测区域物流需求具有较强的可行性,同时能够促使区域物流产业与区域经济之间的协调发展。此外,还揭示了区域经济与区域物流需求之间的非线性映射关系,同时也为区域物流需求预测提供了一种新的思路和方法.本文利用BP神经网络对湖北省物流需求进行预测,并取得了较好的预测结果。     

基于BP神经网络的武汉港货物吞吐量预测

港口吞吐量是港口设施和经营管理水平的综合性反映。本文从BP神经网络原理入手,构建影响港口货物吞吐量的因素与货物吞吐量间的预测模型,并对武汉港货物吞吐量进行了预测,得到了较好的预测结果。     

基于GA优化BP神经网络的港口集装箱吞吐量预测

为了提高港口集装箱吞吐量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型。该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值。以青岛港2012-2018年集装箱吞吐量统计数据为例,进行实例验证。结果表明,与传统的BP神经网络相比,该模型能显著地提高港口集装箱吞吐量的预测精度,用于预测港口集装箱吞吐量具有一定可行性。     

基于时间序列BP神经网络的集装箱吞吐量动态预测

集装箱吞吐量预测是港口发展规划制定的依据。在MATLAB环境下，把时间序列BP神经网络应用于港口集装箱吞吐量的预测，采用逐步递归的方法进行，同时注意尽量减少训练样本的浪费（只用1个检验样本）和充分挖掘BP神经网络适合短期预测的潜力。无论是从拟合情况，还是预测值的检验和港口发展规划的实际情况来看，都有着很高的精度．可以作为集装箱吞吐量预测的一种行之有效的方法。     

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。     

基于BP神经网络的横向受荷桩承载力预测

为研究横向受荷桩的承载性状,基于BP神经网络对其承载力进行预测。选取桩径、桩入土深度、荷载的偏心距、土的不排水抗剪强度作为神经网络的输入,得出黏土中横向受荷桩承载力的BP神经网络预测模型,发现训练BP神经网络时,桩承载力的拟合值与实测值的相对误差平均值为4.54%;检验BP神经网络时,桩承载力的预测值与实测值的相对误差平均值为5.39%。结果表明,建立的基于BP神经网络的黏土中横向受荷桩承载力预测模型是可行的。     

基于BP神经网络的桥式起重机主梁故障预测和评估

为及时发现主梁故障,做好日常检测维修工作,延长桥式起重机使用寿命,利用BP神经网络对桥式起重机主梁进行故障预测和评估。从主梁载荷分析和结构失效准则入手,建立主梁故障评估体系,利用采集的各项实际数据作为BP神经网络的输入,主梁的故障特征作为输出,进而预测主梁的故障情况。通过BP神经网络训练,验证桥式起重机主梁评估体系的可行性,为通用桥式起重机主梁故障的安全评估提供方法。     

基于AIS信息和BP神经网络的船舶航行行为预测

针对船舶航行行为多维度的特点和船舶交通服务系统(Vessel Traffic Service,VIS)对船舶行为预测的精确度和实时性需求,提出结合船舶自动识别系统(Automatic Identification System,AIS)信息和BP(Back Propagation)神经网络的船舶航行行为预测方法。构造基于AIS信息的船舶航行行为特征表达方法,根据BP神经网络预测的基本原理,以连续3个时刻的船舶航行行为特征值为输入,以第4个时刻的船舶航行行为特征值为输出,对BP神经网络进行训练,用于对未来船舶航行行为进行预测。以成山角VTS水域内的船舶AIS信息为例进行试验,结果表明:利用该方法对船舶航行行为特征值进行预测的结果准确、实时,误差在可接受的范围内。     

基于BP神经网络的加筋板动力极限强度预测方法

船舶在航行过程中常受到动力载荷的作用,因此有必要对船体结构的动力极限强度预测方法进行研究。本文首先通过与现有试验结果对比,验证了本文有限元计算方法的正确性。随后通过数值计算,得到828组几何与材料参数不同的船体加筋板模型在不同加载速度下的动力极限强度。而后,以板柔度系数、加筋梁柱柔度系数、材料屈服强度为主要输入参数,构建3层BP神经网络,预测加筋板动力极限强度。所得神经网络均方差及相关系数分别达到0.000 47与0.99。将训练的神经网络应用于实船加筋板,与有限元计算结果对比,最大误差仅6.4%,证明该BP神经网络能较好预测实船结构动力极限强度。