采用差异化用水量指标预测污水处理厂的规模

目前,国内许多污水处理厂存在建设规模较大而进水量较小的矛盾.究其原因,常规的污水量预测方法因用水量指标取值不合理,常造成污水量预测结果偏高,导致污水处理厂的设计规模偏大.根据青岛市用水、排水的实际情况,在污水处理厂规模的预测中,综合考虑各污水排放区域经济社会发展的不平衡,采用差异化用水量指标预测污水量;并且通过不同的污水量预测方法,剖析污水量预测结果存在差异的原因,以此确定合理的污水处理厂规模,使之更加符合实际.     

深圳市污水量预测方法探讨

在城市污水系统布局规划中，污水量的预测是关键项目，它关系到污水系统的布局、污水处理厂的建设规模、配套管网和截污系统的建设以及污水处理厂控制用地等，至关重要。结合《深圳市污水系统布局规划》，就污水量的预测方法进行了讨论，并提出预测结果。     

遗传算法-人工神经网络应用于城市污水量预测

针对BP人工神经网络收敛速度慢和易于陷入极小值等缺点,提出了采用遗传算法优化神经网络权重及阈值的方法,并据此建立了基于遗传算法的人工神经网络预测模型,利用该模型对武汉市武昌北区城市污水量进行预测,结果表明该模型适用于城市污水量的预测。     

用神经网络和ANFIS模拟污水生物处理过程

为了对污水生物处理过程进行有效的控制,首先要对该过程进行模拟以分析其动态特性。神经网络和ANFIS同样具有以任意精度逼近任何线性或非线性函数的功能,可以作为污水生物处理过程建模的工具。通过对深圳盐田污水处理厂的模拟发现：当采用实际运行数据作为模型的训练样本时,对样本进行适当的筛选处理是非常必要的;训练样本相同时,用ANFIS进行模拟则对出水COD和NH3-N的预测误差比用BP神经网络进行模拟的误差分别低79．7％和86．8％;在同样的预测精度下,用ANFIS模拟所需的训练样本数可比用神经网络的少很多。     

一种改进的高铁桥沉降变形预报方法研究

鉴于传统BP神经网络在高铁桥沉降变形预报中随机性强、收敛速度慢、易陷入局部极值等缺点,本文引入了顾及邻域粒子群影响的改进粒子群算法(IPSO)优化BP神经网络,建立IPSO_BP的高铁桥台沉降变形预报模型,组合模型的预报结果与高铁沉降变形评估方法—Asaoka进行比较,结果表明:基于改进的粒子群优化BP神经网络模型较高铁桥传统BP预报模型收敛速度更快,预报精度更高;预报评估结果与Asaoka方法预报的结果相符,证明了IPSO_BP模型的可靠性和实用性。     

《中山市污水工程专项规划》编制中的三个问题

<中山市污水工程专项规划>编制中存在污水量指标、污水处理率、污水收集系统布置等方面的问题,建议在多专业、多学科的配合下,在充分调查研究的基础上得出接近实际情况的用水量预测结果,且不宜采用过高的指标;政府可将根据管网收集污水量计算的污水处理率作为考核指标,提高污水处理设施的效益,保证城镇污水处理厂投入运行后的实际处理负荷能力;优化污水收集系统的布置,落实污水泵站的用地,并在设计文件中体现.     

遗传优化的BP网络预测路基沉降

针对传统的BP神经网络存在收敛速度慢、易陷入局部极小点的缺点,提出了基于遗传优化的BP神经网络预测方法并建立了路基沉降预测模型。将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统的BP神经网络预测模型对比,结果表明遗传优化的BP神经网络在路基沉降预测中精度最高,适宜广泛采用。     

一种基于补偿模糊神经网络的水质预测方法

在污水处理系统过程控制中,对水质变化规律进行预测是控制系统可靠、稳定运行的重要环节。介绍了基于模糊逻揖和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点,建立污水处理厂CFNN的水质预测模型。实例预测结果表明该模型对初始值的选择不敏感,具有很好的收敛性和预测精度,适合实际工程应用。     

一种城市污水量综合模型预测方法

城市污水量的准确预测,在管网设计、优化和运行管理中的作用非常重要。总结了针对生活污水和工业废水的现有各种预测模型的优缺点、使用范围和预测精度,介绍了选取合理、简便、适应性广的几种组合预测方法,以上海市污水排放量预测为例,还预测了未来关键年份的污水排放总量。最后提出了4种预测方法,并作了对比。     

基于遗传神经网络沥青混合料体积指标的预估

介绍了BP、遗传算法（GA）优化BP两种神经网络,并以此分别对沥青混合料的体积指标（VMA和VV）进行预测,实验结果表明,基于遗传算法（GA）优化BP神经网络的沥青混合料体积指标预测方法,能够使网络收敛速度加快并避免局部极小。GA-BP神经网络在收敛速度和预测精度方面均优于BP神经网络,从而为沥青混合料体积指标的预测提供了一种新思路。     

BP神经网络方法在大坝基岩变形监测中的应用

结合工程实例,利用上游水位,下游水位和气温建立BP神经网络预报模型,应用Matlab神经网络工具箱,采用traingdx算法进行模型训练,对大坝基岩变形进行预测,结果表明,建立的BP神经网络预测大坝基岩变形的模拟值具有较高的精度。     

再生混凝土抗压强度预测方法研究

以BP神经网络在解决非线性问题方面的优越性为指导思想,建立了再生混凝土28 d抗压强度预测模型。利用具有全局搜索优势的遗传算法对BP神经网络进行优化,提高BP神经网络的预测精度。经过查阅相关文献,筛选出较为合适的L-M算法作为训练函数,把收集到的再生混凝土配合比数据代入网络进行训练与预测。结果表明,GA-BP神经网络预测精度较BP神经网络有了进一步提高。     

基于相空间重构的BP神经网络对边坡的位移预测研究

边坡的位移预测对其稳定性的预报具有十分重要的意义,从基于相空间重构的BP神经网络预测方法对位移时间序列进行了分析,对相空间重构的参数延迟量以及嵌入维数进行了论述,将预测结果与传统的BP神经网络模型的预测结果进行了比较。结果表明,基于相空间重构的BP神经网络具有更高的精度,是一种优秀的预测方法。     

基于数据驱动方法的污水源热泵故障诊断研究

利用反向神经网络(BP)构建污水源热泵机组故障诊断模型,并通过粒子群算法(PSO)优化BP神经网络的权值和阈值。以陕西省某大型污水源热泵集中供暖系统为研究对象,采集2017～2018年冬季供暖期间机组的蒸发器,冷凝器,压缩机的压力、温度等工况数据作为训练测试样本,其神经网络的结构以12种故障特征向量作输入端,4种诊断结果作输出端,隐含层根据kolmogorov定理确定为25个,从而建立故障诊断模型,并分析其性能。实验结果表明:经过PSO优化后的BP神经网络故障诊断模型训练迭代次数降低了24.45%,诊断准确率提高了12%,性能优化显著。     

基于PCA-PSO-BP神经网络的住宅供热逐时负荷预测

为了准确预测供热负荷,提出了一种基于主成分分析法和粒子群优化算法改进的BP神经网络(PCA-PSO-BP)预测模型。首先利用主成分分析法融合影响热负荷的特征指标,消除指标之间的冗余性和相关性;同时采用粒子群算法优化BP神经网络的初始权值和阈值,克服了BP神经网络容易陷入局部最优的缺陷,提高了BP神经网络的预测精度。基于北京某居住建筑供热系统的实际运行数据,对模型的性能进行了验证。仿真结果表明,改进的模型预测精度提高了4.07%。     

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。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种改进型粒子群(Improved Particle Swarm Optimizer,IPSO)算法,可以优化BP(Back Propagation)神经网络,并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明:该研究方法能够在预测精度和稳定性方面明显优于传统的PSO-BP神经网络优化证券投资组合方法。     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明:通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab平台上训练精度设为0.005、学习率0.01的BP神经网络方法可以很好地逼近非线性函数。用大于1/3样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

临近基坑的建筑物沉降预报

将BP神经网络应用于深基坑开挖引起的建筑物沉降预报,编制了基于Matlab6．5平台的建筑物沉降预报计算程序,工程实例计算表明该方预测精度较高,在工程实践中有较好的实用性。     

临近基坑建筑物沉降神经网络动态预报

将BP神经网络与遗传算法结合,建立了建筑物沉降的动态预报模型。实例分析表明所建立的模型预测精度较高,预报值与实测值吻合较好,该方法对建筑物沉降的实时预报有一定的实用性。