基于Hopfield 神经网络的有限元模型修正

工程结构的有限元模型对结构的健康监测与可靠性评估有重大意义,但实际工程中测量数据和模型都与结构初始有限元模型有一定的差异,因此有必要对实际结构的有限元模型进行修正。首先建立有限元模型修正方程来表达结构响应与待修正参数之间的关系,再通过Hopfield递归神经网络技术,对模型修正方程进行求解。通过一个数值梁模型对提出的方法进行了验证,结果显示Hopfield神经网络在求解线性模型修正仿真中有较好的效果。     

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。     

粒子群神经网络在大跨钢结构挠度监测中的应用

针对传统BP神经网络拓扑结构不确定、收敛效率低、容易陷入局部最优解的缺陷,引入粒子群(PSO)算法替代BP神经网络中基于误差函数梯度下降的学习训练规则,构建了粒子群神经网络(PSO-BP)模型,并以重庆某大型场馆安全监测项目为例,通过对比分析验证了粒子群神经网络模型在大跨钢结构挠度监测中的可行性以及与传统BP神经网络模型相比在效率和精度方面的优越性。     

基于微粒群–BP神经网络算法的堆石坝坝体变形监控模型研究

将微粒群算法与BP神经网络算法相结合,建立基于微粒群–BP神经网络算法的大坝安全监控模型,解决传统神经网络存在的网络学习速度慢,且易于收敛到局部最优点等问题。经实例分析,该模型在用于建立大坝安全监控预报模型过程中,能更好地反映大坝应力变形的非线性问题,且在精度和速度上都有较大的提高,为实现实时在线分析评价大坝的安全性态提供了有力的技术支持。     

BP神经网络模型的高温防护服原理

专用的防高温工作服一般由三层织物材料构成,分别为I、II、III层,与外部环境相接触的层为I层,III层和皮肤之间还存在间隙,我们将间隙记为IV层,那么这种结构设计有什么科学道理呢,本文对此进行阐述。     

基于BP神经网络的多响应斜拉桥模型修正

模型修正是研究结构特征不可避免的一个问题,而保证有限元模型与原结构相一致,对于结构健康检测、损伤识别和生命周期评价等都具有重要的意义.随着现代结构的规模和复杂程度的不断增大,传统修正方法效率低且不能保证修正的准确度,只有结合深度学习神经网络修正方法,才可以准确高效地解决该问题.因此,以某钢箱梁斜拉桥为原型进行了有限元建...     

一种基于t分布变异粒子群神经网络的路基沉降预测模型

针对已有的路基沉降预测模型精度较低的问题,在BP神经网络及粒子群算法的基础上,提出一种自适应t分布粒子群BP神经网络预测模型,提高路基沉降预测精度。     

基于粒子群算法和广义回归神经网络的岩爆预测

 岩爆是岩石深部开挖中一种常见的工程地质灾害。为评价岩爆发生的可能性,提出一种基于粒子群算法和广义回归神经网络模型(PSO-GRNN模型)的岩爆预测方法。该方法利用已有岩爆数据,通过神经网络技术建立回归模型,采用粒子群算法对模型参数进行优化,减少人为因素对神经网络设计的影响。据此方法,在能量理论的基础上,选取洞壁围岩最大切向应力、岩石单轴抗压强度、抗拉强度和弹性能量指数作为主要影响因素,利用国内外26组已有工程数据建立岩爆预测的PSO-GRNN模型。通过对苍岭隧道和冬瓜山铜矿岩爆预测的工程实例分析验证该方法的可行性和适用性。所提方法可为类似工程的岩爆预测提供参考。     

结构有限元模型修正综述

结构有限元分析模型计算的结构响应与实测响应之间不可避免地存在一定偏差。利用结构现场实测的响应信息修正其结构有限元分析模型,使得修正后结构有限元模型计算的响应值与试验值趋于一致,此过程即为结构有限元模型修正。本文对结构动力模型修正和静力模型修正的一般理论及其进展进行了综述,讨论了有限元模型修正中的若干重要技术问题。     

基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用

神经网络具有结构简单,鲁棒性强,能够逼近任意函数的非线性映射能力,在多个领域得到了广泛应用。但其梯度下降法容易陷入局部最优,训练效率较低。采用粒子群算法(PSO)对BP神经网络进行改进,利用粒子群算法为BP神经网络提供精确的全局搜索能力,提高其训练效率和预测精度。基于建筑物实际沉降观测数据,对BP神经网络和PSO-BP神经网络进行对比分析。结果表明,PSO-BP神经网络的训练效果获得了较大提升,预测精度提升了约61%,预测结果明显优于传统BP神经网络。     

基于粒子群算法的RBF神经网络零件表面缺陷分类

针对金属工件表面缺陷分类问题,提出一种基于粒子群算法的RBF(Radialbasisfunction)神经网络对金属工件表面缺陷进行分类的方法。本文采用线性递减权重法确定PSO算法中的惯性权重,用于消除PSO算法容易早熟及后期容易在全局最优解附近产生振荡现象。将线性递减权重法改进的粒子群算法运用于RBF神经网络,确定RBF神经网络中权值和阈值的最优解,并对RBF神经网络进行训练从而提高分类精度。对比实验结果表明,改进的RBF神经网络对工件表面缺陷的分类平均准确率可达94%,对比标准RBF神经网络分类和BP神经网络分类准确率有较大提高。     

基于径向基神经网络的桥梁有限元模型修正

基于某预应力混凝土大跨刚构-连续梁桥的ANSYS有限元模型,提出一种基于径向基神经网络的有限元模型修正方法。该方法以不同设计参数条件下有限元模型模态分析频率作为输入向量,以对应的桥面单元、中墩、边墩的弹性模量、密度等设计参数修正值作为输出向量,利用径向基神经网络来逼近两者之间的非线性映射关系。结合该桥梁结构健康监测系统中加速度传感器监测的桥梁结构动力反应的加速度数据,利用神经网络的泛化特性,直接计算出有限元模型设计参数的修正值。研究结果表明:修正后的有限元模型能更真实地反映结构的物理状态,较好地反映该桥梁结构的真实动力特性。     

基于BP神经网络法的群桩长期沉降分析

大量工程实例说明竣工后群桩还将继续发生沉降.特别对于典型的软土地区,土层软弱,具有高含水量、高压缩性、低渗透性低强度和强结构性等特性,该地区建筑物沉降具有沉降量大,沉降发展时间长的特点.据部分上海地区实测沉降数据表明,建筑物竣工时已经完成的沉降量,大部分情况下尚达不到建筑物最终沉降量的50％,沉降稳定一般都需要5～6年,有的甚至长达10年以上.且综合相关研究表明,粘性土地基沉降有其规律性,且随地区的不同而变化.通过收集47组群桩实测长期沉降,其桩长从7.5～70m,桩数从82 ～ 689根,其中最终沉降取沉降速率小于0.01mm/d时的沉降量.采用BP神经网络对42组样本进行训练,然后通过5个检验样本检验证明采用该方法.通过实例分析得出预测值和实测值较为吻合,说明利用BP神经网络预测群桩长期沉降较为可行.     

粒子群算法优化的BP网络在GNSS高程拟合中的应用

针对BP网络用于GNSS高程拟合存在收敛速度慢、易陷入局部最优等缺陷,采用粒子群算法(PSO)优化BP神经网络。通过合理选取网络的权值和阈值,对系统的参数进行有效优化,提高网络的泛化能力和拟合准确度。在顾及EGM2008重力场模型的基础上,采取“移去—恢复”策略,用粒子群算法优化的网络进行高程拟合,并与二次多项式曲面拟合法、多面函数法和BP网络拟合方法所得结果进行对比,经工程实例数据验证,结果表明粒子群算法优化的BP网络模型拟合精度更好,可靠性更高,拟合效果较BP网络模型提高了25%,明显优于其它拟合模型,可为高程拟合研究提供新的思路和方法。     

基于PSO和ANN复合的边坡稳定性评价模型

提出了基于粒子群优化的BP网络学习算法,并结合边坡工程实例,利用搜集到的实例样本对模型进行训练和检验,并与传统BP网络相比,结果表明,该模型具有预测精度高,泛化能力强的特点,是评价边坡稳定性的一种有效方法。     

基于小波神经网络的新沂河大桥有限元模型修正

以新沂河大桥——预应力混凝土连续梁桥为工程背景,提出了一种基于小波神经网络(WNN)的有限元模型修正方法。该方法首先以不同设计参数条件下有限元模型计算频率作为网络输入,并以主梁混凝土材料密度和弹性模量、支座与伸缩缝处纵、横向约束刚度作为网络输出。进而利用小波神经网络来逼近两者之间的非线性映射关系,并验证该网络的精度及其泛化能力。结合实桥环境振动试验数据,利用保存的网络参数及神经网络的泛化特性,得到有限元模型设计参数的修正值。结果表明:有限元模型修正后的计算结果与实测结果比较吻合,最大误差不超过5%,修正后的有限元模型能较好地反映桥梁的真实状态。     

土基含水量判断的BP神经网络模型

针对判断湿软土基时采用常规含水量检测方法存在的问题,提出采用基于BP神经网络的土基含水量判断模型,理论和实践表明：采用BP神经网络方法对土基含水量进行判断,其精度完全满足工程要求,效果很好.     

基于优化方法的桅杆结构有限元模型修正

为了给桅杆结构的健康监测研究提供一个较为准确的有限元基准模型,采用规划优化算法作为桅杆结构模型修正的基本工具,同时将优化算法与大型有限元分析软件相结合,首先,利用ANSYS软件仿真得到桅杆结构的一组动力响应数据,并将它作为模拟的实测数据,用以作为有限元模型修正的基准。其次,以桅杆结构结构的杆端联结刚度可调的杆件有限元模型为对象,以杆端的节点连接刚度为修正参数,以结构模型的节点位移作为修正目标,建立了目标函数从而修正了结构的有限元理论模型。     

BP神经网络在基坑工程变形预测中的应用

结合工程实例,针对基坑开挖过程的变形特点,应用BP神经网络和基于粒子群优化算法的BP神经网络对基坑支护结构的变形进行预测,并对两种方法预测结果进行比较分析。结果表明,基于粒子群优化算法的BP网络的泛化预测性能要优于BP网络,预测深基坑地下连续墙结构水平位移更有效。