基于人工神经网络的50CrMoA钢应力强度因子幅度门槛值ΔK_(th)的预报

应力强度因子幅度门槛ΔKth值受多个非线性因素的影响。在人工神经网络研究领域中,已经证明具有任意个隐层节点的前馈神经网络可以以任意精度逼近一个连续函数,因而在模式识别和函数逼近上得到普遍应用。基于该原理,采用人工神经网络的反向传播算法研究50CrMoA钢应力强度因子幅度门槛值ΔKth的预报,使BP神经网络在ΔKth值预报中的应用得以实现。应用实验数据比较表明:利用神经网络得到的输出值与实验值之间最大误差为1 6392%,说明该模型在学习样本数据的基础上,可以对应力强度因子幅度门槛ΔKth值进行预测。且具有预测精度较高、方法简便易行的特点,并有很强的学习和容错功能。     

基于MEA-BP神经网络的自锚式悬索桥施工阶段吊索索力预测分析

为减小自锚式悬索桥在施工过程中吊索索力偏差对桥梁线形的影响程度，提高有限元模型的计算效率，提出一种基于思维进化(MEA)算法优化BP神经网络的吊索索力预测方法，以实现对桥梁各施工阶段的高精度逼近与吊索索力的快速反馈。在考虑施工过程中材料参数、荷载参数和环境温度等因素的不确定性基础上，结合有限元模型得到神经网络训练样本集。通过MEA算法实现BP神经网络权值与阈值的寻优，从而提高BP神经网络的预测精度。以某空间索面自锚式悬索桥为工程背景，建立该座桥梁的MEA-BP神经网络预测模型。结果表明，MEA-BP神经网络较传统BP神经网络具有更强的泛化能力与预测精度，MEA-BP神经网络的预测值与现场实测值的误差在10%以内，MEA-BP神经网络模型在索力预测方面具有较好的适用性。     

基于改进的BP人工神经网络的物流需求规模预测

为了对物流需求规模进行准确预测，探讨了用于物流需求规模预测的经济指标和物流需求规模的度量指标，再应用粗糙集理论、适应度函数和BP人工神经网络理论建立了用于物流需求规模预测的模型，即改进的BP人工神经网络模型。该模型首先应用粗糙集对BP人工神经网络的输入层进行指标知识约简，以减少BP人工神经网络的复杂度，再在BP人工神经网络中引入适应度函数，以克服传统BP人工神经网络算法易陷入局部最优、训练速度较慢等缺陷，最后，将该模型应用在案例分析中。结果表明，该模型使预测精度得到很大提高；该方法为以后物流需求规模的预测提供了一种新的思路和方法。     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。     

应用人工神经网络预报爆破地震动峰值

针对传统经验公式法已不能适应复杂爆破施工环境条件下预报爆破地震动峰值,甚至完全失效的情况,探讨人工神经网络方法在爆破地震动峰值预报中的应用,建立爆破地震动峰值预报人工神经网络模型,并用C语言编制计算程序。在地下隧道爆破地震动强度测试基础上,应用获得爆破测试结果,进行地下隧道爆破地震动峰值速度的人工神经网络预报。通过垂向、水平径向、水平切向爆破地震动峰值速度实测值对人工神经网络进行训练,进而预报爆破地震动峰值速度,并对实测值和预报值进行对比和误差分析。预报值与实测值符合较好,证实人工神经网络能有效预报爆破地震动峰值。     

基于CT试验技术的沥青混合料破裂模式研究

要解决沥青路面开裂问题,需要通过对沥青混合料内部破裂过程进行研究。用 CT 试验方法结合断裂力学模型能很好地分析沥青混合料中裂纹扩展的规律,对在应力强度门槛值附近的裂纹分析可以得出其裂纹尖端分支裂纹扩展长度。该计算分支裂纹长度的方法优点在于不用测量混合料的断裂强度因子和表面能数据,具有一定的实际应用价值。     

基于BP人工神经网络的基坑围护结构变形预测方法研究

基坑的变形分析是基坑工程设计中的一个重要组成部分,如何预测基坑围护结构的变形是需要解决的问题。在分析基坑围护结构变形影响因素的基础上,采用BP(Error Back-Propagation,简称EBP或BP)人工神经网络方法建立了基坑围护结构变形的预测模型。结合南京地铁二号线逸仙桥车站基坑变形的现场监测数据对网络模型的预测结果与实测进行了对比。结果表明,利用大量的基坑工程现场实测资料,采用神经网络BP算法,可以较为准确地预测基坑围护结构的变形量,预测值与实测值吻合较好;必须坚持现场监测,并将最新监测信息及时反馈,将其添加到学习训练样本中,让神经网络重新学习,以提高基坑工程围护结构变形的预报精度。     

灰色神经网络在混凝土结构徐变预测中的应用

根据灰色系统理论处理贫信息系统的优势,以及神经网络学习和自适应的优点,将灰色神经网络组合算法应用于混凝土结构的徐变预测中.利用GM(1,1)模型和BP人工神经网络,建立灰色新陈代谢短期组合预测模型和长期组合预测模型.该组合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.通过自密实预应力混凝土梁长期变形试验结果的算例分析,表明短期和长期组合模型的预测结果均与试验结果吻合良好,该模型可以作为混凝土结构徐变预测的有效工具.     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

轨道车辆车体气密强度试验系统研究与设计

为解决目前车体气密强度试验过程中压力加载系统与应力位移测试系统两者相互独立，测试位移方式为相对位移的问题，基于NI平台，借助NI-CompactRIO微控制器和Labview软件人机交互界面设计，采用迭代学习控制算法，开发了轨道车辆车体气密强度试验系统。该试验系统实现了车体气密强度试验过程中压力加载系统与应力位移测试系统耦合，当车体各测点应力位移测试值超出预警值，会自动反馈控制调节压力加载值，使其泄压，起到有效、及时地保护试验车体的作用，提高试验的安全性及智能化程度；同时能够对不同车型任意断面任意位置处车体结构绝对位移测试，提高测试可靠性及精准度，为车体结构优化设计提供数据支撑。     

关于铁路货运大货主生命周期价值预测的研究

大货主生命周期价值预测是铁路货运营销工作的一个重要环节,利用变量的敏感度分析方法确定影响铁路大货主价值计算的关键变量,并利用这些关键变量构建BP人工神经网络,通过对铁路货运营销的历史样本数据进行学习,可以预测大货主在未来时域的价值。最后用实际数据验证了该BP神经网络的有效性。     

基于改进的BP神经网络的产品生产成本估算

基于BP神经网络的成本估算模型,利用全局搜索能力较强的遗传算法优化BP神经网络连接权,克服传统的BP算法易陷入最小值的缺点,使模型预测性能、预测精度和泛化能力得到有效改进.以列车转向架为例,建立产品生产成本GA-BP估算模型,通过8组检测样本检验训练好的遗传人工神经网络.计算结果表明:预测值与期望值的误差小于4%,说明利用遗传神经网络模型对产品成本进行估算切实可行.     

Q345qD桥梁钢对接焊缝疲劳裂纹扩展性能试验研究

为采用断裂力学方法对既有钢桥焊接细节进行疲劳评估,对6.1,10.0和23.5 mm的Q345q D桥梁钢对接焊缝进行疲劳裂纹扩展速率试验和疲劳裂纹扩展门槛值测定试验,基于两种数据处理方法得到了不同厚度、不同应力比下的疲劳裂纹扩展速率参数。试验结果表明:在通常的应力强度因子幅值范围(10~70 MPa·m0.5)内,基于单试件数据点的处理结果对应的裂纹扩展速率明显高于基于成组数据点的处理结果;Q345q D对接焊缝的疲劳裂纹扩展速率随应力比增加而增加;本批次的Q345q D对接焊缝的疲劳裂纹扩展性能优于BS7910中给出的通用钢材疲劳裂纹扩展性能;Q345q D对接焊缝疲劳扩展门槛值随应力比增加而降低,并给出了门槛值随应力比变化的公式。     

灰色理论在预测高性能混凝土长期强度中的应用

高性能混凝土（HPC）的长期强度值对于结构的应力分析，强度设计，裂缝控制及耐久性考虑等方面都有很重要的作用，而长期强度通过试验测定需要很长时间，往往不能满足工程设计和计算的需要，用灰色理论预测高性能混凝土的长期强度，使得长期强度的预测过程建立在严格的数学基础上，且预测值的精度能够满足工程需要。     

基于改进BP神经网络的铁路货运量预测

在分析铁路货运量预测方法的基础上,针对标准BP神经网络的不足,提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度,以此来得到更好的激励函数响应特征以及更好的非线性表达能力;其次,利用附加动量因子,通过对以前经验的积累,既降低了神经网络对误差曲面的局部细节敏感特性,又较好的遏制了神经网络易于限于局部最小的缺陷;最后,采取改变学习率的方法,给定一个较大的学习率初始值,在学习的过程中学习率不断减小,网络最终趋于稳定。改进BP算法既可以得到更优的解,还能够缩短训练时间。利用全国铁路货运量的相关数据对改进BP神经网络进行了验证。验证的结果表明,改进的BP神经网络预测模型在相对误差和迭代次数上有较大改善,对铁路的货运量预测很有效。     

基于时间序列的沉降预测

灰色理论在岩土工程诸多课题中得到了广泛的应用,但灰色建模存在一定的问题。考虑被预报系统的时变特性,把系统的预报问题分为系统的时变参数预报和对系统状态的预报两部分,对时变参数运用拉普拉斯极值法推导其递推公式,根据时间参数估值序列的特点进行建模和预测。工程实例表明该方法具有较好的预测精度和实用价值。     

灰色理论在预测高性能混凝土长期强度中的应用

高性能混凝土（HPC）的长期强度值对于结构的应力分析、强度设计、裂缝控制及耐久性考虑等方面都有很重要的作用，而长期强度通过试验测定需要很长时间，往往不能满足工程设计和计算的需要。用灰色理论预测高性能混凝土的长期强度，使得长期强度的预测过程建立在严格的数学基础上，且预测值的精度能够满足工程需要。     

基于声波-回弹联合法的岩石强度快速预测

研究目的:针对岩石强度试验时效性、经济性差,且将对岩石造成破坏的难题,以片麻岩为例,分别采用传统机械式回弹仪和新型能量式回弹仪,结合岩石纵波波速测试,提出声波-回弹相结合的岩石强度测试方法,采用二元非线性回归方程和BP神经网络建立岩石的声波-回弹-强度预测模型,达到快速、准确、无损地预测岩石强度的目的。研究结论:(1)声波-回弹联合法综合测试了岩样表面硬度和内部缺陷,可大大提高岩石强度预测的精度;(2)在回归分析和BP神经网络计算中,通过分析相关性系数、强度相对标准差、神经网络收敛曲线可见超声-回弹联合法对岩石强度预测精度较高,能准确地反映岩石的强度特征,而2-11-1型神经网络得到的声波-回弹联合法强度预测模型最优;(3)本研究方法可在岩土工程施工现场快速预测岩石强度,有效保障施工安全和进度。     

滑坡预测预报的Verhulst反函数残差修正模型

Verhulst反函数模型适用于非负、单调、监测数据波动小的预测问题,因而对随机波动性较大的数据序列拟合较差,故预测精度低.BP神经网络预测模型适用于随机的非线性动态数据系统,可弥补Verhulst反函数预测模型的局限性.在Verhulst反函数预测预报模型的基础上,增加残差项,运用BP神经网络对残差序列进行二次建模分析,形成滑坡失稳时间预报的verhulst反函数残差修正模型预测方法.应用VerhuIst反函数残差修正模型和Verhulst反函数模型预测方法,对国内外滑坡监测实例进行滑坡预测预报的结果表明,Verhulst反函数残差修正模型预测值的预报结果更接近实际观测数据,预测值的平均相对误差较Verhulst反函数模型减少1%～7%,预测精度高,适用范围广.     

基于神经网络的连续梁桥施工线形控制与应力分析

以温福铁路鳌江特大桥为工程背景,应用有限元分析软件建立该桥理论计算模型并进行桥梁的结构分析.对线形控制,应用BP神经网络法对施工控制的标高进行预测.计算结果和现场实测结果表明,该方法提高了线形预测的精度;对实测应变进行修正,剔除了实测应变中的非应力应变,以更好掌握桥梁施工中的实际受力状态.