遗传神经网络对RPC流动度预估的研究

流动度是RPC配制的一个关键指标,它直接反映了其工作性的优劣,但其影响因素复杂,难以用统一的数值关系直接描述RPC流动度与其影响因素的量化关系,目前还没有合适的计算方法,为此,提出控制RPC流动度的数值方法,即引入遗传神经网络对RPC的流动度进行预测控制。在建立网络模型后,选取适当的参数,进行训练仿真分析。结果表明,该遗传神经网络模型是有效的,对RPC的流动度预测有较高的精度和稳定的预测结果,与单纯的BP神经网络模型相比,具有精度高、训练速度快、工作性能稳定等优点。     

采用小样本统计理论的隧道围岩分类

隧道围岩级别判断存在较多的不确定影响因素,特别是各影响因素的参数信息和样本资料有限,给判断工作造成了很大的困难。利用专为小样本统计分析而提出的支持向量机方法,在分析围岩级别划分的基础上,选取隧道围岩级别划分需要考虑的9个关键因素,将这9个因素作为输入参数,同时将围岩划分为5个等级作为输出参数,建立了围岩级别判断的小样本统计模型。利用该模型对二郎山隧道的围岩级别进行测试,并与ART1神经网络和BP神经网络的结果进行对比,表明将基于小样本统计的支持向量机理论用于围岩级别判断是可行的,并且具有很好的精度。