基于多因素的建筑安全GA-BP神经网络事故预测模型研究

传统的建筑安全事故预测模型一般是在历史事故的相关数据上建立的预测模型,但是它们普遍没有分析事故的成因.而本文建立的结合事故成因分析的BP神经网络预测模型是先分析近十来年的建筑安全事故成因,并采用专家评分法对事故成因指标进行量化处理,将量化处理后的因素指标作为网络的输入,将事故的死亡人数作为网络的输出,建立基于多因素的BP神经网络事故预测模型.结果 发现基于多因素的BP神经网络事故预测模型比未结合事故成因分析的BP神经网络模型预测的平均相对误差降低了1.75％.为了进一步提高预测模型的精度,采用遗传算法对基于多因素的BP神经网络预测模型进行优化,优化后的预测模型平均相对误差降低了3.49％.     

基于PCA-GA-BP 的工程项目工期风险预测研究

为了在工程项目实施前准确地预测出工期风险的大小,在介绍BP 神经网络、遗传算法、主成分分析等理论的基础上,针对现有预测模型的缺点以及BP 神经网络自身缺陷,采用主成分分析法对样本数据进行降维处理,并利用遗传算法对 BP 神经网络的初始权值阈值进行优化,提出了基于PCA-GA-BP 的工程项目工期风险预测模型。将以往工程风险数据作为学习样本,训练并构建模型对待建工程项目工期风险进行预测。实例证明该模型有效、可靠,对指导实际工程具有重要意义。     

模糊聚类和BP神经网络相结合的变形同步预测

研究了用模糊聚类方法分析变形点是否属于同一块变形体上,并对处于同一块变形体上的变形点建立BP神经网络同步预测模型的方法.通过分析,依据研究的方法建立的变形预测模型对变形点的变形量有很好的预测能力.     

运用模糊模式识别选择国际项目管理模式

运用多级模糊模式识别进行管理模式的选择,建立模糊综合评价模型,制定评价指标体系,根据工程项目的特点来选择适合的管理模式。多级模糊模式识别进行管理模式的选择能够较为充分地考虑到多种不确定因素,考虑到工程与管理模式之间的匹配,对于国际工程选择管理模式提出了一种实用的方法。     

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。     

无黏性管涌型土的BP神经网络判别法研究

运用基于Matlab的神经网络工具箱(NNT)建立无黏性管涌型土的预测模型,并分别以试验数据为研究对象,运用BP神经网络模型对该段土样的渗透破坏形式进行预测。预测结果与规范及试验所得结果相同,说明了基于Matlab的BP神经网络运用于无黏性管涌型土预测的可行性和应用价值。     

基于BP神经网络的大跨软岩隧道地表沉降预测

基于金盆湾隧道地表沉降监测数据,结合BP神经网络预测模型,分析了隧道施工对地表沉降的影响,研究了在不同的样本下预测结果的可信度,结果表明,BP神经网络预测的地表沉降精度与监测数据的准确度、预测的长度与隧道施工方案相关,隧道开挖工艺发生改变时,应及时分析实时监测数据,建立新的BP神经网络预测模型进行地表沉降预测,以保障预测结果的可靠。     

基于BIM技术与BP神经网络的装配式建筑成本预测模型研究

为了科学、精准地计算装配式建筑成本,利用BIM技术与BP神经网络相结合的方式构建装配式建筑成本预测模型。BIM技术可以增强工程各相关方之间的信息交互,便捷地进行工程信息的收集与处理;BP神经网络具有强大的神经网络训练功能,通过对已知的工程数据进行训练,得到装配式建筑成本预测模型,并将模型运用于实证工程以验证其适用性,旨在丰富我国装配式建筑成本研究方法,提升装配式建筑成本管理水平。     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。     

基于粗糙集理论BP网络的地铁深基坑监控预测分析与优化

以25个深基坑工程地表沉降实测资料为训练样本,综合考虑多个主要影响因素,应用粗糙集对次要影响因素进行约简,然后建立地表沉降的7-15-1粗糙集BP(RS-BP)神经网络预测模型对5个检验样本进行预测及预测精度分析,并将该模型与传统BP神经网络预测模型进行对比。结果表明:传统BP神经网络预测其平均相对误差达到15.04%;而RS-BP神经网络预测平均相对误差较小,为5.55%,满足精度要求。因此,基于粗糙集BP神经网络预测模型在预测精度上优于传统BP神经网络预测模型。     

三种城市日用水量预测模型对比研究

为实现科学、安全供水,建立精度高、可靠性强的城市日用水量预测模型,分别运用单指数平滑法、灰色预测方法、BP神经网络三种方法,对A市进行城市日用水量预测,并具体分析了各种方法的优缺点及适用范围.通过优化对比分析,当基础数据较完善时,BP神经网络预测模型精度较高,能较好地满足预测要求.     

城市轨道交通土建工程成本数字化管控模型研究

在剖析城市轨道交通土建成本构成、土建成本控制机理及控制方法的基础上,提出城市轨道交通土建工程成本数字化管控模型的思路.首先搭建BIM5D信息数据库,其次构建基于BP神经网络的成本预测模型和基于赢得值的成本预警模型,并利用模糊层次法识别土建成本关键影响因素,最后通过成都市轨道交通27号线案例应用情况验证数字化管控模型的有...     

基于加权组合预测模型的城市用水量预测

介绍了移动算术平均预测法和BP神经网络理论在城市用水量预测方面的应用,并运用组合权系数优化理论,将移动算术平均预测法模型和BP神经网络预测模型进行加权组合。经吉首市实例验证,表明加权组合预测模型较单一的移动算术平均预测法模型和BP神经网络预测模型更全面,计算结果更精确,拟合效果更好。该模型能为我国中小城市用水量预测提供参考。     

BP神经网络预测模型在基坑监测中的应用分析

本文采用BP神经网络预测模型,通过在MATLAB软件建模,并对实际工程项目的支护结构顶水平位移的监测数据进行分析,预测其后的监测数据,结果表明BP神经网络拟合效果优越,仿真性强,具有很强的泛化能力,能够对实际工程的支护结构顶水平位移进行有效预测。     

改进灰色BP神经网络模型在建筑物沉降监测中的应用

建筑物的变形是由于多种复杂因素的影响,文章针对该影响以及单一预测模型精度不高的问题,建立了基于灰色模型和BP神经网络模型的组合预测模型。并采用复化梯形求积法对灰色模型的背景值改进,构建基于改进的组合预测模型。结合改进的灰色GM(1,1)BP神经网络组合模型对马鞍山市的某建筑物的沉降进行预测。通过对比可以看出,改进的灰色BP神经网络预测精度最高,其拟合程度更加接于实测值,可更好地适用于实际工程的中长期预测。     

基于BP神经网络的地板辐射供暖系统逐时负荷预测

采用BP神经网络,可利用较少的输入参数建立地板辐射供暖系统热负荷预测模型,以大连市某超低能耗建筑为实测对象,根据实测的供暖期逐时热负荷数据建立了BP神经网络热负荷预测模型,并进行了改进.结果表明,采用基于多项式拟合改进的神经网络预测模型能够精确地预测一个单元未来24 h的逐时热负荷,预测误差为5％左右.     

基于LMBP神经网络的建筑能耗短期预测

为解决BP神经网络预测速度慢不适于建筑能耗短期预测的问题,采用Levenberg-Marquardt算法改进BP神经网络建立了基于LMBP神经网络的建筑能耗短期预测模型。通过某建筑物1个月的电量,对模型进行训练和测试,结果表明基于LMBP神经网络的预测模型预测速度显著提高,预测精度满足实际需要,适用于建筑能耗短期预测。     

BP神经网络模型在建筑沉降预测中的应用

在系统介绍了BP神经网络预测模型在建筑沉降预测中的应用,对建模步骤做了阐述之后,建立BP神经网络预测模型对某建筑物的沉降变形做了预测。在对预测结果进行分析后发现该模型在沉降预测方面有较高的实用价值。     

基于BP神经网络对BT项目风险的评价

BT融资模式是加快城镇化发展过程中,大型基础设施项目建设的主要融资方式,准确地对BT工程项目的风险等级进行评价,有助于降低投资人的风险损失。为了更好地评价BT工程项目的风险等级,克服传统风险分析方法的不足,建立BP神经网络模型。本文以A市地铁BT工程项目为例,首先建立该项目的风险评价指标体系,然后确定合适的BP神经网络模型参数。在大量经验数据的基础上,对BP神经网络模型进行了训练与检测,通过试验发现构建18-17-1三层BP神经网络模型对风险等级的评价结果精度最高。最后通过此模型对A市地铁BT工程项目的风险等级进行了评价,取得较好的效果。     

基于DE-BP算法的空调负荷预测研究

建立了基于BP神经网络理论的空调系统负荷预测模型.针对BP神经网络参数优化过程中容易陷入局部最优的缺陷,采用差异演化算法(differential evolution algorithm,DE)对其进行优化,以提高预测精度.结合具体实例进行空调冷负荷预测,并与采用遗传算法、蚁群算法、粒子群算法对BP神经网络进行参数优化的仿真实验结果对比表明,由DE-BP算法所具有较好的预测性能.