粉煤灰混凝土强度的试验分析与BP神经网络预测

为了克服混凝土施工中强度评定滞后现象,提出采用BP神经网络技术进行粉煤灰混凝土早期强度预测。通过粉煤灰混凝土正交试验,并对实验结果进行极差分析,找出影响粉煤灰混凝土强度的主次要因素,进而作为BP神经网络输入参数,预测粉煤灰混凝土的抗压与抗折强度。经过预测值与实测值对比分析,结果表明BP神经网络技术有很好的预测精度。应用BP神经网络技术对混凝土施工中的质量状况及时预报,有重要的技术应用价值。     

基于遗传神经网络的交通流量预测研究

针对BP神经网络用于交通流量预测时存在的不足,采用遗传算法优化BP神经网络初始权值的方法来提高BP网络的性能.应用改进前后的BP神经网络模型对长沙市具体路段的交通流量进行预测,通过预测结果对比,发现经遗传算法改进后的BP神经网络在降低预测平均误差的同时,迭代次数也比标准BP神经网络大大减少.     

神经网络在填石路基沉降预测中的应用

应用BP神经网络对填石路基沉降进行预测.建立BP趋势提取模型,用以代替常规BP算法中使用三次样条曲线插值的预处理方法,从而使BP预测模型能克服数据波动带来的干扰,大大提高了BP神经网络预测模型的预测效果.     

BP算法的改进及其在公路工程主材价格预测中的应用

在利用相关分析法对主材价格影响因素进行筛选的基础上,建立了基于改进BP神经网络算法的公路工程主材价格预测模型.结合郑州市石屑价格预测的实例,分别采用3种BP改进算法进行预测,并对结果进行了对比分析.证明了使用改进BP神经网络进行公路工程主材价格预测是可行和有效的.     

大跨径连续梁桥施工预拱度预测

建立预应力混凝土连续梁桥施工预拱度控制的BP神经网络模型,根据施工过程中桥面实测标高与设计值的差异,用BP神经网络识别预应力损失等参数,预测后续节段的预拱度.在湖北襄樊汉江四桥的施工控制中的应用表明该方法是有效的,与实测的结果较吻合.     

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。     

BP神经网络主成分分析法在汽车保有量预测中的应用

针对影响汽车保有量预测的多个因素,采用主成分分析的方法提炼出较少的与线性无关的主要因素,并根据这些因素,利用BP神经网络方法对汽车保有量进行了预测,最后通过实例, 将BP神经网络主成分分析法计算结果和非线性模拟与全要素BP神经网络模拟结果进行比较,得知BP神经网络主成分分析法在运算效率、运算精度上较优.     

基于遗传神经网络的再生沥青混合料性能预测研究

以matlab为平台,分别应用BP神经网络和遗传算法优化的BP神经网络对再生沥青混合料的性能进行预测。以旧料掺量、油石比等8个影响因素作为输入层,以动稳定度、残留稳定度等5个性能指标作为输出层,将28组归一化处理后的试验数据进行神经网络的训练、验证和测试。结果表明:遗传算法优化的BP神经网络预测表现出更加精准的预测效果。将遗传算法优化的BP神经网络应用于工程实践中,再生沥青混合料性能预测可以大大提高试验科学性和预见性。     

基于BP神经网络的福泉高速公路车流量预测

高速公路车流量预测为高速公路管理企业对减轻高速公路的拥堵情况、改善高速公路的通行能力等方面提供了不可或缺的数据基础,也对其未来收益提供了参考。论文以福泉高速公路为研究对象,选择BP神经网络进行预测;其次分析车流量预测的影响因素,确定神经网络的输入和输出变量的数据类型、确定BP神经网络的层数及各层神经元的数量、各参数值,利用MATLAB构建完整的BP神经网络预测模型,最后收集样本数据,进行数据的预处理,利用样本数据对神经网络进行训练,包括训练完成后输入已知数据,进行实时预测,通过MATLAB进行仿真,证实方法可行有效,得到的结果证明BP神经网络的结构和参数值都是比较合理的,可以较好模拟现实环境,进行比较准确的预测。     

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。     

BP神经网络与回归分析法在公路工程施工安全经费分析上的应用

该文应用BP神经网络和多元回归分析对公路工程施工安全经费进行计算分析,结果显示,与多元回归分析相比,BP神经网络计算值与安全经费实际投入值更吻合.这为安全监管部门管理公路工程施工安全提供了一条新途径.通过BP神经网络和回归方程,均可以根据安全专项经费总额、工程投标价和工程进度,反推算出实际投入的安全经费,为安全管理部门进行安全检查监督提供有效依据.     

基于BP神经网络的既有桥墩变位分析方法研究

洪塘大桥拓宽改建工程是在旧桥原址进行的,在新桥桩基施工期间,旧桥仍然要保持正常交通运营。基于自编Python程序,采用BP神经网络根据对洪塘旧桥桥墩在新桥桩基施工期间的倾角和沉降的监测数据进行分析,预测了新桥桩基施工对旧桥桥墩倾角和沉降变化的影响,并且将预测值和实测值进行了对比。分析结果表明:基于BP神经网络的分析结果可以对多种复杂因素影响的桥梁桥墩倾角和沉降监测分析起指导作用。该方法可供其他类似工程借鉴。     

基于神经网络客流预测的高峰期公交时刻表优化

为了加强公交发车时刻与高峰期客流需求波动间的协调性,需要依据实时客流需求进行时刻表优化.根据IC卡采集到的上车乘客数据,分别采用BP神经网络和RBF神经网络算法预测计算得到断面客流量.兼顾优化决策和评价模型,设计完善了基于客流预测的公交时刻表动态优化流程.计算文山市公交线路客流数据,发现案例中采用RBF神经网络预测得到的断面流量精度较BP神经网络高出4.9%.基于RBF神经网络和BP神经网络预测客流需求优化的公交时刻表与现状运行时刻表相比,乘客出行成本分别降低了4.11%和1.35%,企业运营成本分别降低了7.06%和4.60%.定量验证了动态优化方法的可行性和有效性.      

基于BP神经网络的隧道周边位移安全监测模型

针对隧道周边位移安全监测的需要,考虑了施工对周边位移发展的影响,基于改进的BP神经网络建立了隧道周边位移的预测模型,结合茅山隧道工程,用动态建模法进行了模拟预测,结果表明该模型具有预测时间早、预测精度高的优点。     

基于BP神经网络的微观交通安全预测方法

将主成分分析及BP神经网络模型引入到道路交通安全性预测中,从微观层面分析影响交通事故的因素,重点分析道路参数,并形成文中的原始数据。对原始数据进行主成分分析,将结果作为神经网络模型的输入,建立BP神经网络模型,对道路交通安全性进行预测。结果表明,基于主成分分析的BP神经网络模型比一般BP神经网络模型精度更高,而且从微观的层面进行分析可以得到道路参数对交通事故的影响。     

基于神经网络的膜法薏苡仁油脱胶过程动态模拟和预测

应用BP神经网络对膜法薏苡仁油脱胶过程的膜通量动态模拟与预测.研究了神经网络的构建、训练、结果测试和模型泛化,并用得到的神经网络对不同运行条件下(操作压力和温度)膜通量进行预测.结果表明:神经网络能够很好地模拟膜法脱胶过程的通量变化,预测结果与实验实测结果能够很好的吻合.与传统模型法相比,神经网络能快速简便地得到模拟和预测膜分离过程.     

基于BP神经网络的地铁车厢拥挤度预测方法

为准确预测地铁车厢的拥挤度,考虑到站时车厢的下车人数、立席面积和车厢承载量等因素,提出一种基于BP神经网络的地铁车厢拥挤度预测方法.基于调查数据和Matlab平台,构建初始BP神经网络、训练以及测试等环节,实现对地铁车厢到站时各车门下车人数的预测.以立席密度为标准进行车厢拥挤度划分,标定即将到站地铁的各节车厢拥挤度.以宁波市鼓楼地铁站为例,对BP神经网络预测方法进行验证,得到不同结构的BP神经网络预测结果.结果表明,最佳预测结果的决定系数R2为0.94,平均相对误差为0.25,预测误差在可控范围内,BP神经网络在下车人数预测上是适用的.      

基于移动检测技术的城市路网拥挤预测模型

提出了一种新的基于移动检测技术、神经网络和模糊判断方法的城市路网动态交通拥挤预测模型.首先构建一个3层BP神经网络模型判断路网实时交通流状态,并应用实地移动检测数据和视频数据获取BP神经网络训练样本并对其进行训练;然后结合路网静态拓扑结构,应用多重模糊推理,对路段发生交通拥挤的发生可能性、拥挤程度和形成时间做出预测.现场实测数据表明,该模型具有良好的预测效果.     

盾构施工引起地表沉降的BP神经网络预测

根据盾构施工引起地表沉降的具体问题，结合广州地铁三号线某区间地质资料，建立了地表沉降预测的BP神经网络模型，并对网络进行了训练和测试，测试结果表明，利用神经网络进行盾构隧道施工的地表沉降预测是可行的，可用于工程实践。     

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。