基于GA-BP网络混凝投药系统预测模型的研究

针对BP网络建模易陷入局部极小、收敛速度慢等缺点,建立GA-BP网络预测模型,为混凝投药系统生产指导提供决策依据。利用遗传学习算法具有全局寻优的特点,同时优化BP网络的初始权值和网络结构,建立GA-BPNN混凝投药的预测控制模型。通过算法比较和模型仿真结果分析,GA-BP混合模型较BP模型收敛速度快,其平均预测相对误差仅为9.94%,预测精度远高于BP模型。表明GA-BP模型可以有效、可靠地用于混凝剂投加量预测控制系统的生产指导中。     

基于ASO-BP神经网络的海底油气管道腐蚀速率预测

随着我国海洋油气管网的发展与建设，管道数据采集量随之增大，优秀的预测模型可以应对大量数据，准确预测管道腐蚀速率，对保障管道安全健康运行具有重大意义。将原子搜索优化算法（ASO）思想引入BP （Back propagation）神经网络，构建ASO-BP神经网络用于海底油气管道腐蚀速率的预测。以50组现场数据为例，使用Matlab进行模拟仿真计算，分别构建具有代表性的BP、GA-BP和ACO-BP模型作为对比，对海底油气管道腐蚀速率数据进行训练和预测，结果表明ASO-BP模型预测精度较高，其平均绝对百分比误差（MAPE）为3.16%，预测结果优于BP、GA-BP和ACO-BP，验证了其可靠性以及良好的预测性能，为海底管道腐蚀速率预测研究提供了新的方法和思路。     

基于组合预测模型的变压器油中溶解气体浓度预测

结合BP神经网络和灰色理论两种单项预测模型算法,提出组合优化预测模型算法,实现对变压器油中溶解气体浓度更为精确的预测。该组合模型算法机理是根据预测误差平方和最小化的原则,首先计算各单项预测模型的权重,然后将各单项模型的权重进行加权综合计算,建立组合最优预测模型。以变压器中溶解的H_2为例验证了该组合算法汲取了两种单项算法的优点,不仅使各单项预测算法的预报误差降低,也有效提高了预测模型的预报性能。     

多级压裂水平油气井产能评价方法研究

多级压裂水平油气井可以扩大油层泄油面积,增进流体的流动效率,在天然裂缝系统的基础上完善裂缝体系。本文根据水平井井身结构以及压裂裂缝形态、裂缝间距,结合不稳定渗流力学理论,建立多级压裂水平油、气井的不稳定产能预测模型,并且将粒子群优化算法与预测模型相结合,求解了多级压裂水平油气井的数学模型并形成一个产能评价体系。     

粒子群算法优化的人工神经网络预测Ni-Fe合金镀层的性能

建立了粒子群算法优化的人工神经网络预测模型。以工艺参数为输入变量,以单因素试验得到的Ni-Fe合金镀层的性能指标为输出变量,将粒子群算法优化的人工神经网络预测模型的预测结果与传统BP神经网络预测模型的预测结果进行了比较。结果表明:粒子群算法优化的人工神经网络预测模型具有更高的预测精度。通过建立模型得到了各个工艺参数对Ni-Fe合金镀层性能指标的评价指标权重。当电流密度为1.0～1.5A/dm2、镀液温度为45℃、搅拌速率为1 000～1 200r/min时,Ni-Fe合金镀层的表面粗糙度和腐蚀速率均处于较低水平。     

基于GA-PSO算法的烧结料场原料库存量优化

原料采购库存成本的约束是钢铁企业流动资金的制约瓶颈,针对钢铁企业烧结料场铁矿粉原料采购与消耗特点,以企业原料库存费用最小为目标建立了烧结料场铁矿粉原料库存量优化模型,提出一种基于遗传-粒子群算法的烧结料场铁矿粉库存量优化方法。同时,应用某钢铁企业360 m²烧结生产线的综合原料场实际生产数据进行仿真验证,结果表明,该模型可以反映该钢铁企业综合料场铁矿粉库存量的实际情况,采用的优化方法可以得到模型的最优解,为钢铁企业采购计划的制定提供决策支持。     

腐蚀海洋立管剩余强度预测

利用人工神经网络具有的高度非线性映射功能,对在役腐蚀海洋立管的剩余强度进行预测。综合分析了管径、壁厚、腐蚀缺陷长度、腐蚀缺陷深度和管材极限抗拉强度对腐蚀海洋立管剩余强度的影响,建立了反向传播(BP)神经网络预测模型。利用遗传算法(GA)优化BP神经网络的权值和阈值,构建了GA-BP神经网络预测模型。采用DNV-RP-F101标准计算出来的样本数据分别对以上两种网络模型进行训练和预测。预测结果表明:利用人工神经网络对腐蚀海洋立管剩余强度进行预测是可行的,且GA-BP神经网络能够有效地提高网络的收敛性和预测精度。     

基于MEA-BP神经网络热油管道预测模型研究

长输热油管道运行过程中,油温的准确预测是管道安全优化生产的前提。针对以往油温预测方法的误差大,推广应用难等问题,提出利用BackPropagation(BP)神经网络和思维进化算法(MindEvolutionary Algorithm,MEA)优化算法,建立MEA-BP油温预测模型。利用相关性算法获得模型输入参数,下载处理SCADA系统实际生产数据,对模型进行训练。将MEA-BP预测模型应用于实际生产,油温预测误差为0.49℃,相比理论公式及其它预测模型,具有泛化性好、预测准确性高等特点。通过研究获得基于大数据分析方法可有效实现长输管道业务需要,为管道大数据平台分析应用,未来智能化控制奠定基础。     

基于回归分析和GA-BP神经网络算法的3D打印件弯曲性能预测

为进一步探究熔融沉积成型(FDM) 3D打印参数和制件弯曲性能之间的关系,创建合理的FDM 3D打印制件弯曲强度预测模型。根据正交试验L16 (45)的设计原则和神经网络算法模型的构建要求,按照不同分层高度、填充密度、打印温度、打印速度以及外壳厚度五种因素,制备25组试验试样,并进行弯曲性能检测。随后通过建立GA-BP神经网络模型、传统BP神经网络模型以及多元回归方程模型,分别对FDM 3D打印制件弯曲性能进行预测,并将预测数据与试验测试数据进行对比。通过对比发现,GA-BP神经网络模型预测数据与试验测试数据更为接近,其平均误差为3.71%,且误差值整体波动最小,BP神经网络模型与多元回归方程模型预测精度相差不大,BP神经网络模型预测平均误差为8.05%,多元回归方程模型预测平均误差为9.07%,但多元回归方程误差值整体波动最大。因此,采用GA遗传算法优化后的BP神经网络模型在进行FDM 3D打印制件弯曲性能预测方面具有更高的精度和更良好的稳定性。     

基于BP神经网络和MIV算法的注塑件工艺参数优化研究

针对注塑件翘曲变形问题,以某塑料叶轮为研究对象,首先设计了正交试验对叶轮进行翘曲分析,通过正交试验获得的相关数据,建立了基于BP神经网络的注塑件翘曲量预测模型。在预测模型的基础上,通过采用平均影响值(MIV)算法对模型的输入参数进行筛选后,再进行仿真模拟。结果表明:经MIV算法优化后的塑件翘曲量预测模型具有较高的预测精度,模型预测的相对误差由原来的13%减小到7%,对实际注塑加工生产具有重要意义。     

应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率

焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。     

基于遗传神经网络的NEPE推进剂寿命预估

将遗传算法和神经网络相结合,建立了NEPE推进剂寿命预估的遗传神经网络(GA-BP)模型.以推进剂拉伸强度下降至原来的50%作为失效判据,利用GA-BP模型预估了NEPE推进剂在常温(20℃,相对湿度65%)下,可靠度为90%时的贮存寿命约为12.5年.结果表明,该模型预估精度高,泛化能力强.     

GA-BP神经网络在钢铁加热炉建模中的应用

基于现场采集的大量的数据,采用BP神经网络建立现场加热炉炉温的非线性模型,并提出利用遗传算法优化BP神经网络的参数与阈值,有效避免了BP神经网络易陷入局部最小值、收敛速度慢的不足。仿真结果表明:在同样的数据集下,GA-BP神经网络的稳定性更好,预测精度更高。     

基于优化神经网络的高拱坝力学参数反演

高拱坝力学性能参数变化规律复杂,使用人工智能算法进行预测已经成为反演参数的重要手段。使用遗传算法对神经网络进行优化来检验优化后算法的性能,并比较不同算法应用于参数反演中预测结果的精度。根据某高拱坝运行期变形监测数据,分别使用RBF神经网络和遗传算法优化的BP(GA-BP)神经网络对不同水位工况下的坝段分区混凝土弹性模量进行反演。基于反演结果进行有限元正分析计算,将所得结果与实测数据进行对比,检验反演精度和效率。结果表明:GA-BP网络的最大预测误差为1.8%,相比于RBF网络预测精度提高了约50%。使用神经网络进行拱坝力学参数反演实用性好,优化后的神经网络比传统BP神经网络在计算精度和效率两方面均有明显改进,且GA-BP神经网络反演比RBF神经网络反演精度更高。     

基于遗传神经网络的冰蓄冷空调系统负荷预测研究

针对现阶段冰蓄冷中央空调系统负荷预测的BP(Back Propagation)模型收敛速度慢和容易陷入局部极小点等缺点,结合遗传算法GA(Genetic Algorithm)和BP神经网络,提出了一种GA-BP算法,并在冰蓄冷中央空调负荷预测系统中应用。     

基于GA-BP神经网络的超临界CO2传热特性预测研究

超临界二氧化碳（S-CO₂）动力循环在能源利用领域中拥有广阔的应用前景,其中超临界CO₂的传热特性对其能量转换效率至关重要。开展了超临界CO₂在水平小圆管内对流传热实验研究,并通过建立遗传算法优化的BP神经网络模型（GA-BP）,对其在不同工况下的传热特性进行预测分析。实验参数范围：系统压力7.5~9.5 MPa,质量流速1100~2100 kg/（m²?s）,热通量120~560 kW/m²。实验结果表明,超临界CO₂传热系数随流体温度的升高先增大后减小,在拟临界温度附近达到最大值。GA-BP神经网络模型能有效地预测超临界CO₂的传热系数,预测数据的决定系数R²为0.99662,超过95%的数据误差位于±10%范围内,平均误差为3.55%,为超临界流体传热预测提供新的思路。     

基于改进遗传算法的BP神经网络手写数字识别

手写数字识别是光学字符识别技术的一个分支,一般采用神经网络,其中较为突出的是BP神经网络,但BP算法易陷入误差局部最小产生振荡且训练速度慢,通常先采用优化算法对其结构进行优化。为此,在分析GA-BP算法原理的基础上,提出对GA算法的相应算子中交叉和变异概率进行改进的方法,并用改进的GA算法优化BP神经网络的连接权值和阈值。以手写体数字识别为对象进行实验,结果表明：该方法具有更快的收敛速度和更可靠的稳定性,大大提高了BP神经网络的学习速度和识别率。     

采用KPCA特征提取的近红外煤炭发热量预测模型

近红外光谱分析技术通过搭建基于GA-BP神经网络方法的定量分析模型,实现煤炭发热量的快速评估。为了提高模型的学习速度和精度,必须对光谱信息进行数据处理。该过程属于复杂的非线性问题,经典的线性主成分分析方法具有一定的局限性,因此采用了一种基于多项式核主成分分析特征提取方法。通过分析主成分的特征值筛选异常样本。实验结果表明,该方法提取的特征信息主成分集中度高、降维效果明显、与输出变量间的相关性好,且能够准确判断出异常样本,大幅度提高了模型的准确性,为近红外煤质分析模型提供了一种分析速度快、准确率高的有效数据处理方法。     

Integrated multi‐echelon supply chain design with inventories under uncertainty: MINLP models,computational strategies

We address in this article a problem that is of significance to the chemical industry, namely, the optimal design of a multi‐echelon supply chain and the associated inventory systems in the presence of uncertain customer demands. By using the guaranteed service approach to model the multi‐echelon stochastic inventory system, we develop an optimization model to simultaneously determine the transportation, inventory, and network structure of a multi‐echelon supply chain. The model is an MINLP with a nonconvex objective function including bilinear, trilinear, and square root terms. By exploiting the properties of the basic model, we reformulate this problem as a separable concave minimization program. A spatial decomposition algorithm based on the integration of Lagrangean relaxation and piecewise linear approximation is proposed to obtain near global optimal solutions with reasonable computational expense. Examples for specialty chemicals and industrial gas supply chains with up to 15 plants, 100 potential distribution centers, and 200 markets are presented. © 2009 American Institute of Chemical Engineers AIChE J, 2010