模型参数误差对用神经网络进行结构损伤识别的影响

通过理论推导得到了模型参数误差对损伤引起模态参数改变的贡献的表达式,用该式可指导神经网络输入参数的选择和输入向量的构造.理论分析表明,适当地构造输入向量,可以减小模型参数误差对结构损伤识别的影响.在采用BP网络和合适的输入向量后,还用数值模拟的方式对一榀六层框架的损伤识别进行了确定性研究和概率分析,结果表明,用神经网络进行结构损伤识别,受模型参数误差的影响很小,在训练神经网络时,10%的模型参数误差是可以接受的.最后,用一个两层钢框架的实验数据验证了神经网络在有模型误差时的识别能力.     

基于神经网络的电动黄油枪运行参数的预测

本文首先介绍了神经网络预测控制模型,然后建立BP网络预测模型并运用Matlab编程语言,对黄油枪的运行参数进行预测。预测用的学习样本和测试数据都是实际测量数据,经过BP网络训练与测试达到了相应的要求。从测试结果看,采用输入参数正常的数据所得到的预测误差很小,而采用异常输入数据则产生了较大的预测误差。说明该网络预测模型有较高的准确性,能够预测出产品的异常运行参数,为产品的质量控制提供可靠依据。     

单桩极限承载能力的预测模型研究

采用BP神经网络的方法,建立了基于多影响因素的单桩承载能力的预测模型。该模型采用了三层网络结构模式,输入层采用桩长、桩径、入土深度、侧摩阻值加权平均值、桩端土承载力等参数,输出层为混凝土单桩承载能力,模型的转移函数均采用单极性Sigmoid函数,对输人数据进行了归一化处理,设计并完成了混凝士单桩承载能力的载荷试验,利用试验数据对网络模型进行训练和测试,为该模型可以为试验及生产提供依据,为节约能源及保护环境提供一种有效预测方法     

粗糙集和神经网络相融合的钻井安全评价模型

针对动态性、随机性和不确定性较强的钻井作业现场,开展了安全评价的研究。提出了一种基于粗糙集和BP神经网络对作业现场进行安全评价的方法。首先以粗糙集为基础来构建BP神经网络的前置系统,对采集到的样本数据进行属性约简。其次,根据约简结果以及作业当天的事故情况完成了BP神经网络输入层和输出层的设计,并根据输入层和输出层神经元的个数通过试凑法确定网络隐含层的神经元数量范围,并采用训练样本对不同神经元个数所对应的网络模型进行训练,选择网络误差最低的网络作为所构建的网络模型。最后,选取16 d的测试样本对网络进行验证,将网络的输出同作业现场的实际结果进行比较,有14 d的网络结果与实际结果相符,测试准确率达到了87.5%。     

基于深度全卷积神经网络的图像识别研究

将要建立多层卷积网络模型，并使用AlexNet预训练模型，在此基础上进行迁移学习，使用kaggle的猫狗数据集进一步训练，模型最终能高灵活度、高准确率的识别猫狗图像，并且不受图像中猫狗的占比大小影响。该网络模型共有6 000万参数，一共包含8个卷积层，其中某些卷积层带有归一化层和池化层，最后一层是具有两个通道的图像输出，每个通道的值分别代表图像为猫和狗的概率。整个网络模型，弃用全连接层，选用全卷积网络来代替全连接层，大大提高网络的灵活性，解决了输入图像分辨率的限制问题，并且全卷积网络的前向传播更加高效，加快了训练的速度。为了方便分析以及进一步的研究，将可视化一层卷积和二层卷积所得到的卷积核和特征图。     

应用人工神经网络求算含水层参数

以各时刻的观测降深与流量的比值作为输入向量，含水层的导水系数T和储水系数S作为输出向量构成一个求算合水层参数的BP网络，用泰斯公式生成200个训练样本来训练网络，然后把一个实际的抽水试验资料加入到已训练好的网络中，输出的含水层参数（T和S）与配线法结果一致，展现了这种方法的实用性。     

PSO优化ELM在火灾探测中的应用

为提高火灾探测精度,避免标准ELM陷入局部最优,本文基于火灾特征值CO浓度、烟雾浓度、温度建构了一种基于粒子群(PSO)优化极限学习机(ELM)的火灾探测模型,通过PSO优化ELM输入层与隐含层权值以及偏置,利用最优值进行极限学习机网络训练,将训练好的网络对测试样本进行预测并验证方法有效性.研究显示,PSO-ELM的均...     

钢筋混凝土施工质量评价的多元识别方法

利用可拓理论建立混凝土施工质量评价的多元识别模型。选取混凝土制备、运输、浇筑、养护等影响因素为输入层,混凝土施工质量程度为输出层,建立多元识别模型,并以实际数据对该网络进行训练和测试。实践表明,该模型具有较好的辨识精度。最后得出数字化的评估结果,能准确、直观地反映施工质量的优劣,表明多元识别模型在工程施工质量评价中的适用性和合理性。     

利用人工神经网络预测火灾下管桁架的温度

3层反向传播(BP)神经网络已用于预测火灾下平面管桁架钢的极限温度。网络模型的输入参数有直径比(β)、墙宽厚比(τ)、径厚比(γ)和荷载比,输出参数有极限温度。利用有限元软件ABAQUS建立神经网络模型。105组数据用于建立BP神经网络,15组数据用于测试和验证BP网络。建立BP网络的过程中,选用Levenberg-Marquardt反向传播算法。隐藏层选用tansig函数,输出层选用purelin函数。分析结果表明,使用BP网络模型预测的极限温度是准确有效的。     

基于RBF神经网络方法的混凝土强度预测

在分析普通混凝土强度各影响因素的基础上,选取6个影响因素组成输入层,以混凝土28 d强度作为输出,建立径向基函数网络,经网络训练和仿真结果对比,表明所建网络结构合理、收敛速度快、精度高,可以满足普通混凝土强度预测要求,具有广泛的应用前景。     

基于BP神经网络的静压桩承载力时间效应预测

基于珠海软土地区3根PHC管桩隔时复压试验数据,采用BP神经网络建立了静压桩承载力时间效应的BP神经网络模型来预测静压桩的长期承载力。在建模过程中将桩长、桩截面积、土体摩擦角、土体变形模量、渗透系数、最终压桩力及休止期等与静压桩承载力密切相关的7个参数引入到输入层,用Visual Basic语言编制了以最终压桩力和休止期为主要输入因素的计算程序,程序可以对比显示计算和实测曲线。在样本训练和学习过程中,任意选取2根桩的试验数据来预测第3根桩的长期承载力。通过对施工现场工程桩的试算,预测结果与实测值较为吻合,表明提出的BP神经网络模型用于预测静压桩长期承载力是切实可行的。     

基于自适应集成神经网络的火灾预测方法

针对传统火灾预测方法存在误报和漏报的问题,提出了一种基于自适应集成神经网络的火灾预测方法。首先,在信息层采用速率检测算法将不同类型传感器检测到的奇异数据输入到网络模型中。其次,在特征层采用长短期记忆网络（LSTM）和径向基前馈神经网络（RBF-BPNN）构建集成网络学习不同输入参数下的火灾特征,最后,在决策层设计模糊逻辑控制系统推理输出火灾报警等级。实验结果表明,该方法具有更高的预测精度。     

基于神经网络的深基坑沉降预测模型比较

神经网络预测为深基坑预测提供了一种有效的路径。运用哪种模型较优,输入层、输出层、隐含层参数如何选取,对预测的结果都有一定的影响,本文结合实际轨道交通工程案例,以深基坑沉降监测数据为例,对常见的几种神经网络预测模型进行了对比分析,对几种模型的残差、均方根误差(RMSE)和绝对平均误差(MAE),收敛次数这几个方面进行对比,结果表明遗传算法神经网络对深基坑沉降监测数据预测较为有效,同时对模型参数的选取提出了建议。     

洞室围岩位移长期预报混沌-神经网络模型

为实现开挖结束后大型地下洞室围岩位移的长期预报,及时评价围岩长期稳定,结合位移混沌力学参数优化BP神经网络结构,建立混沌-动态时间延滞神经网络长期预报模型。将嵌入维数m作为神经网络的输入层个数,增加神经网络预报反馈模式,动态生成预报训练样本,选取较大的时间延迟τ,预测步数为h,使相点间的时间延迟为hτ,通过有限预测步数,实现位移长期预报。实例表明,模型计算速度快,计算稳定性好。当预测步数h≤5,预测次数不大于10次时,预报精度在10%以内,预报结果实时有效,实现了大型地下洞室位移的长期预报,为大型地下洞室围岩稳定性评价提供了快速有效的新思路。     

基岩输入运动未知条件下的地基参数识别

提出了一种基岩输入运动未知条件下的层状地基参数的时域识别方法。在分析水平层状地基运动特征的基础上 ,运用最小二乘识别理论 ,通过迭代求解基岩输入运动加速度值 ,建立了层状地基参数的时域识别方法。利用地基模型实验数据 ,实施了层状地基的参数识别过程。计算结果表明 ,该方法产生良好的地基参数估计。     

Prediction of blast-induced ground vibration using artificial neural networks

Blasting is still being considered to be one the most important applicable alternatives for conventional tunneling. Ground vibration generated due to blasting is an undesirable phenomenon which is harmful for the nearby habitants and dwellings and should be prevented. In this paper, an attempt has been made to predict blast-induced ground vibration using artificial neural network (ANN) in the Siahbisheh project, Iran. To construct the model maximum charge per delay, distance from blasting face to the monitoring point, stemming and hole depth are taken as input parameters, whereas, peak particle velocity (PPV) is considered as an output parameter. A database consisting of 182 datasets was collected at different strategic and vulnerable locations in and around the project. From the prepared database, 162 datasets were used for the training and testing of the network, whereas 20 randomly selected datasets were used for the validation of the ANN model. A four layer feed-forward back-propagation neural network with topology 4-10-5-1 was found to be optimum. To compare performance of the ANN model with empirical predictors as well as regression analysis, the same database was applied. Superiority of the proposed ANN model over empirical predictors and statistical model was examined by calculating coefficient of determination for predicted and measured PPV. Sensitivity analysis was also performed to get the influence of each parameter on PPV. It was found that distance from blasting face is the most effective and stemming is the least effective parameter on the PPV.     

基于神经网络的建筑结构安全评估模型研究

为实现建筑结构安全的快速评估,提出基于神经网络的建筑结构安全评估方法。基于《民用建筑可靠性鉴定标准》的调查与检测要求并考虑数据易获取性,选择45个涵盖承载力、耐久性、历史记录和环境情况等变量作为输入参数,以《民用建筑可靠性鉴定标准》中的安全等级作为输出参数,采用深度置信网络学习输入参数与输出参数间的非线性映射关系。对输入参数的选择、样本缺值问题、小样本问题和神经网络评估的可靠性进行探讨和验证。结果表明:在无法准确判断输入参数与输出参数相关性的前提下,采用全部输入参数的评估模型具有更高的鲁棒性; 迷失森林算法相较其他常用的缺值插补算法有更好的插补性能; 采用变分自编码器扩充训练样本集能有效提高神经网络的泛化能力和分类精度; 对深度置信网络引入加权交叉熵损失函数加以改进可增加训练时对不安全类别的敏感性,牺牲少量不安全类别的查准率可以大幅提高其查全率; 基于神经网络的结构安全评估模型能较好地预测结构的安全等级,具有快速且大批量运算的优势,是实现大范围建筑群结构安全监测的有效手段。     

UNCERTAINTIES OF ASPHALT LAYER THICKNESS DETERMINATION IN FLEXIBLE PAVEMENTS-INFLUENCE DIAGRAM APPROACH

The thickness of pavement layers is an important parameter used in Pavement Management Systems (PMS). Thickness data are used for pavement condition assessment, performance predictions, selection of maintenance strategies and rehabilitation treatments, basic quality assessment, and as input to overlay thickness design. Pavement thickness is usually determined from direct testing such core samples, nondestructive testing such as radar, or historical records such as pavements network database. This paper proposes the use of Bayesian Influence Diagrams as a tool in providing a probabilistic model for thickness determination procedure in flexible pavements. The Bayesian Influence Diagram Model is presented as a framework for addressing uncertainties involved in capturing quantitative and qualitative information in the asphalt layer thickness determination procedures. The model is also used to perform value of information analysis in the determination of pavement layer thickness. The Influence Diagram representation facilitates the assessment of coherent prior distributions and makes it easier for knowledge engineers and other decision makers to express and understand more general kinds of dependency and independency assumptions.     

基于ANN的岩土体热阻系数预测模型研究

为准确预测土体热阻系数,通过室内热探针测试与数据分析,简要分析了含水量、干密度、矿物成分和颗粒形态等因素对土体热传导特性的影响,利用人工神经网络(ANN)技术,建立了计算土体热阻系数的预测模型,并与传统经验关系模型进行对比,明确所提计算模型的可靠性与优越性.结果表明:土体传热性能受众多因素影响,其热阻系数难以准确估算,基于ANN的计算模型可以较好地解决这一问题;以含水量和干密度为输入参数的单个模型适用于特定类型土体,而4个输入参数(含水量、干密度、黏粒含量和石英含量)的广义模型不受此限制,增加相关输入参数可有效保证模型计算结果的精确度;单个模型和广义模型的计算结果与实测结果吻合良好,预测能力均显著优于传统经验关系模型;对于工程性质差异显著、沉积环境复杂的不同类型土体,建议优先选用广义模型来估算其热阻系数.