基于径向基函数响应面方法的大跨度斜拉桥有限元模型修正

采用ANSYS有限元软件建立某大跨度斜拉桥试验室物理模型的三维有限元模型.基于灵敏度分析,选取模型待修正参数和用于模型修正的特征量.采用实验设计方法生成数样本,通过有限元分析提取对应的特征量信息,进而建立待修正参数与特征量关系的径向基函数响应面模型.通过对响应面模型的拟合误差分析,确定径向基函数的最优形状参数.以斜拉桥自振频率和静态索力构建目标函数.基于建立的响应面模型,采用遗传优化算法进行有限元模型修正.结果表明,采用径向基函数响应面模型拟合斜拉桥设计参数与特征量之间的隐式关系有较高的精度;基于仿真数据的模型修正有较高的精度,基于试验数据的模型修正能得到合理的结果,该方法可有效地修正复杂桥梁结构有限元模型.     

考虑疲劳损伤约束的车辆焊接结构轻量化设计

针对车辆焊接结构轻量化与疲劳寿命问题,提出考虑焊缝疲劳损伤约束的轻量化设计方法.采用国际焊接学会(IIW)的焊接接头与部件的疲劳设计评估标准,基于迈纳尔损伤累积理论,预测焊缝的疲劳累积损伤;以结构质量最小为目标,在应力、位移等常规约束基础上,加入焊缝疲劳累积损伤约束,建立了车辆焊接结构的轻量化模型.研究基于有限元分析的结构轻量化优化设计策略,采用试验设计方法对设计空间合理抽样,以样本数据建立近似响应模型,采用数值优化算法寻优,提高复杂工程问题优化计算的效率.利用该方法对某焊接构架进行了考虑焊缝疲劳损伤约束的轻量化设计,采用均匀设计法对14个设计变量进行50次试验,以样本数据及响应值建立径向基神经网络近似模型,采用序列二次规划算法进行优化设计,质量减轻12.5%.对实例的计算证明该方法的可行性与实用性.     

基于粗糙集与模糊神经网络的车-地无线通信设备故障诊断研究

针对传统铁路列车车-地无线通信设备网络故障诊断模型结构复杂,诊断精度不高等问题,运用粗糙集理论(RS)、模糊系统(FS)和神经网络(NN)相融合的方法进行铁路列车车-地无线通信设备故障诊断研究。首先对原始样本数据进行模糊化处理,建立故障诊断样本数据表,基于粗糙集理论对故障样本数据进行约简,去除冗余属性,减少样本输入,然后利用约简后的数据训练神经网络,建立基于粗糙集与模糊神经网络车-地无线通信设备故障诊断系统模型结构;最后,将该模型运用于故障诊断中。试验结果对比表明,此方法简化了网络的结构,缩短了训练所需要的时间,提高了故障诊断的精度,从而验证了该方法的可行性。     

基于神经网络RBF的接触网可靠性分析

将人工神经网络理论和JC算法与有限元分析相结合应用于铁路接触网系统可靠性研究(简称为FE-RBF-JC法),建立了腕臂系统可靠度计算的数学模型,利用有限元计算方法得到一组结构的基本输入变量及输出的响应数据,采用径向基神经网络RBF进行训练的基础上建立结构的输入-输出函数关系,在该模型上,用JC方法进行腕臂系统可靠度仿真计算。研究表明,该方法精度高、简便易行,为复杂的铁路系统可靠性研究提供了一条新的途径。     

一种新型BP神经网络模型在火灾探测信息处理中的应用

现阶段,神经网络模型在火灾探测信息处理应用中存在以下缺陷:选取火灾特征组合具有主观性;选取的神经网络类型缺乏对比;缺乏大量实验数据对神经网络泛化能力的验证。利用NIST机构所做一系列火灾探测研究实验数据样本,通过信息熵理论在火灾信号选取中的应用获取火灾复合探测信号特征选取的组合形式,并在此基础上建立火灾探测信息处理神经网络初始模型。经过一系列Matlab仿真实验,分析神经网络的模型结构、传递函数和训练函数对仿真结果的影响,提出一种基于trainbr训练函数、tansig传递函数的3-7-1结构BP神经网络模型。采用网络训练时间、探测点、误报率和网络输出区间进行网络性能分析,验证所提出模型在火灾探测中应用具有训练速度快,结果稳定可靠,探测灵敏的特点。     

基于GAPSO-RBFNN的动车组电机吊架多目标稳健优化设计

基于遗传粒子群(GAPSO)算法获取最优平滑系数,从而改进径向基神经网络(RBFNN);通过电机吊架的灵敏度分析筛选出对其总质量和自然频率等质量特性影响较大的关键设计变量;结合正交试验设计与有限元分析得出电机吊架各质量特性值及对应的信噪比,将试验数据作为输入、信噪比作为输出用于GAPSO-RBFNN的训练和测试,并对比分析预测精度;基于GAPSO-RBFNN构建电机吊架的多目标稳健优化模型,采用NSGA-II多目标优化算法对其寻优求解,并与传统设计方案进行对比。结果表明:GAPSO-RBFNN的预测误差远低于传统RBFNN;优化后电机吊架各质量特性信噪比得到提高,实现了对电机吊架的多目标稳健优化,降低了电机吊架总质量,提高了其自然频率。     

基于人工神经网络的混合梁斜拉桥智能诊断方法研究

研究目的:本文以天津市河北大街混合梁斜拉桥为工程背景,基于人工神经网络模型,提出适用于混合梁斜拉桥的分步识别方法,分别采用概率和径向基函数神经网络对子结构和钢主梁子结构局部构件进行损伤识别.此外还提出适用于钢主梁局部构件识别的动-静组合损伤指标,并建立相应的径向基函数网络模型,分别针对单损伤、双损伤和三损伤的不同损伤情况进行数值模拟.研究结论:识别结果表明:(1)本文所提出的分步识别方法具有较高的识别精度,网络识别速度快,适用于大型混合梁斜拉桥的智能诊断过程;(2)所提出的动-静组合损伤指标对混合梁斜拉桥的局部损伤识别也较为敏感;(3)单处损伤测试工况中,识别精度几乎高达100％;(4)在两处和三处损伤测试工况中,位置识别正确率分别达到82.61％和78.3％.     

基于遗传单纯形算法与RBF网络的地应力场反演方法

为提升RBF神经网络性能,采用遗传单纯形算法优化RBF神经网络隐含层节点中心值,利用FLAC3D软件建立区域的数值计算模型来进行正分析计算,以若干测点的正应力值作为训练样本,用优化的RBF网络反演模型区域的岩体力学参数及初始地应力场。依据沙溪铜矿区的地质资料进行算例分析,该方法的反演计算值、实测值及其他RBF网络反演计算值对比表明:所采用的遗传单纯形算法优化RBF网络的反演方法是可行的,改善了计算精度,对类似工程有一定的参考价值。     

基于PSO-RBF神经网络的磁浮车悬浮间隙传感器非线性校正方法

针对磁浮车悬浮间隙传感器在0～20 mm范围内检测的非线性问题,建立了RBF(径向基函数)神经网络非线性校正逆模型,并采用粒子群算法对网络参数进行优化。仿真实验表明,所设计的PSO(粒子群优化)-RBF神经网络能够高精度地逼近传感器逆模型,经校正后传感器线性度可达0. 45%,全量程的检测误差小于0. 1 mm,能够满足悬浮控制系统的精度要求。     

基于BP神经网络的砂泥岩互层地质爆破参数优化研究

砂岩、泥岩互层地质在黄土地区路基工程中比较常见,其软硬相间的特性使得爆破参数设计困难,工程实践中难以达到理想的爆破效果。本文提出一种基于BP神经网络的爆破参数优化方法,该方法以影响爆破效果的主要因素作为网络输入参数、以爆破效果作为输出参数、采用搜集的数据样本作为训练和检测样本建立BP神经网络。以通过理论计算得出的爆破参数为基础,利用正交试验法筛选出16种试验方案。基于训练好的神经网络预测爆破效果,从中选择爆破效果较好的5组方案进行试爆,并根据试爆效果确定最佳爆破方案。该方法应用于横山车站路堑工程施工,效果良好。     

基于PCA-改进RBF神经网络模型的铁路隧道突水风险评价

为了准确预测铁路隧道突水风险等级,降低隧道施工过程中的突水灾害风险,结合相关规范,在调研分析影响隧道突水灾害的风险因素集的基础上遴选13个因素构建评价指标体系。利用主成分分析法对突水风险评价指标提取主成分并实现降维,模糊C-均值聚类算法计算RBF神经网络的中心,梯度下降法修正权值和方差,并将分析后得到的主成分作为改进RBF神经网络评价模型输入向量,建立了基于PCA-改进RBF神经网络铁路隧道突水风险评价模型。最后结合天秀山隧道对该模型预测效果进行验证,评价结果与实际情况相符。实例研究表明:该模型合理可操作,相比于其他方法准确率更高、训练更快、均方误差更小,为类似铁路隧道预防突水灾害事故提供了一种新的途径和借鉴。     

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。     

基于车载数据的IGBT模块损耗及结温研究

基于CRH5型动车组牵引逆变器车载数据,利用概率论解决了原始数据的零漂问题,给出了适用于全工况范围的IGBT模块损耗计算方法,分析验证了文章提出的带水冷基板热网络模型在导热硅脂层耦合的合理性,采用有限元热仿真的方法验证了热网络模型的有效性,并给出一种适用于本领域工程实际应用的热阻计算方法。     

基于混合PSO-RBF神经网络的铁路隧道岩爆分级预测

岩爆是铁路隧道建设中主要灾害之一。为了准确预测铁路隧道岩爆烈度等级,以岩石应力系数σ_θ/σ_c、岩石脆性系数σ_c/σ_t以及弹性能量指数W_et作为岩爆烈度评价指标,提出一种基于混合粒子群优化算法优化的径向基(RBF)神经网络岩爆预测模型。首先在国内外研究成果基础上,选取80组已有岩爆实例作为模型基础数据;然后运用结合了模拟退火算法的粒子群算法(混合PSO)改进径向基神经网络,通过训练数据选取最优的权值W和基函数标准差σ,得到混合PSO-RBF神经网络岩爆烈度预测模型;最后将模型应用于实际铁路隧道工程进行验证。研究结果表明:该模型兼顾个体最优和全局最优,能够正确、有效的对铁路隧道岩爆等级做出预测,为铁路隧道岩爆预测提供了一种新方法。     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。     

无砟轨道沥青混凝土支承层准静态设计方法

沥青混凝土铺装轨道结构中,沥青混凝土支承层的厚度设计目前以经验为主。本文建立了轨道板在均布荷载作用下的层状弹性体系理论模型,应用有限元分析和实测数据验证了理论模型的有效性,提出以沥青混凝土层层底拉应变、路基面竖向应力、路基面竖向位移为关键设计指标的沥青混凝土支承层厚度准静态设计方法,并进行了实例设计。结果表明:理论分析结果相比有限元计算结果偏于保守,两者都在实测数据取值范围内;理论模型修正后可用于无砟轨道沥青混凝土支承层的厚度设计;设计指标的阈值可控制设计层的最小适宜厚度。     

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。     

基于RBF神经网络的铁路沿线短时风速预测方法

对实测风速数据进行Kalman滤波,去除实测风速数据的偏差;通过归一化处理,消除数据中的冗余成分;针对RBF神经网络的预测误差会随着时间的推移而增大的问题,采用滚动式训练方法在线训练RBF神经网络;用训练好的RBF神经网络进行风速预测,再对预测结果进行反归一化处理,得到最终的预测风速.仿真结果表明,运用基于RBF神经网络的铁路短时风速预测方法对短时风速进行预测,最大相对误差仅为5.92％,可满足铁路防灾安全监控系统中风速预测子系统的要求.