基于频率和BP神经网络的井架钢结构损伤识别

为了快速、准确地诊断井架钢结构的损伤位置和程度,提出仅基于测试精度高的频率数据和BP神经网络的识别方法。首先,选择频率变化比和频率平方变化比组合参数作为损伤位置识别因子,频率变化率作为损伤程度识别因子;然后,分步构建损伤位置和损伤程度识别的BP神经网络;最后,利用前10阶频率数据和BP神经网络对现场某井架钢结构的损伤位置和程度进行识别。分析结果表明,在测试噪声为10%时,采用前6阶损伤位置识别因子,能够清楚识别损伤位置,识别结果分别是1,5,9,15,19号单元损伤;采用前10阶损伤程度识别因子,1号单元的损伤程度识别结果分别为0.106 9,0.318 2,0.505 4,0.710 2,0.915 9,识别误差均不超过10%。     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低，BP神经网络陷入局部最优等问题，提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号，提取缺陷信号特征，用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人，断丝数量作为神经网络的输出；利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化；建立基于IPSO-BP算法的神经网络模型，用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型，且改进的粒子群算法迭代寻优速度更快。     

基于GA/PSO-BP神经网络的石家庄VOCs环境浓度预测模型研究

为了提升挥发性有机物(Volatile Organic Components, VOCs)的预测精度,在反向传播(Back-Propagation, BP)网络结构的基础上使用优化算法分别为遗传算法(Genetic Algorithms, GA)优化BP神经网络(GA-BP)和粒子群算法(Particle Swarm Optimization, PSO)优化BP神经网络(PSO-BP)对VOCs质量浓度进行预测。首先,对污染物及气象因子进行筛选。采用相关性分析法及逐步回归法进行分析筛选,并筛选出合适的输入变量。其次,建立BP神经网络结构。利用BP、GA-BP、PSO-BP神经网络,以石家庄市2022年夏季污染数据为样本对VOCs质量浓度进行预测。结果显示,经相关性分析及逐步回归法筛选,将PM_2.5质量浓度、O₃质量浓度、NO₂质量浓度、温度、相对湿度作为输入变量。经预测结果对比,PSO-BP神经网络模型的预测精度较高,烷烃、烯烃、芳香烃和含氧烃实测值与预测值之间的拟合程度(R²)分别为0.80、0....     

基于PSO优化BP神经网络的水质预测研究

为快速准确地预测河流水质,结合汾河监测数据,使用粒子群算法(PSO)优化BP神经网络模型(PSO-BP)进行水质预测.通过灰色关联度分析确定输入变量,利用PSO算法修正BP网络的初始权值、阈值,优化神经网络结构及算法全局收敛性.采用该模型对汾河主要污染物指标COD、BOD5、氨氮、挥发酚等进行预测和验证.结果表明,与传统的BP神经网络模型相比,PSO-BP模型使最大相对误差从15.43％减小到1.46％,其平均误差由4.00％减小到1.01％,预测均方根误差从5.956×10-3减小到1.605×10-4.因此,基于PSO-BP神经网络模型的预测更加精确,可用于水质预测.     

基于正则化频率变化率与神经网络的石油井架结构损伤识别

阐述结构健康监测中损伤识别的关键问题,介绍基于正则化的频率变化率的损伤定位方法,提出一套基于模态参数和神经网络的损伤识别技术。按相似理论建立了JJ160/41-K型井架实物模型,根据其基本结构和受力特点,以JJ160/41-K井架的实物模型为对象进行损伤研究。结果表明:井架模型在局部结构发生变化时整体的固有频率发生改变;将模态分析理论和神经网络方法相结合,可对已定位损伤的井架进行定量分析;通过实例运算验证了其对结构损伤诊断的有效性。     

基于MATLAB工具箱的开采煤层自燃危险性预测

正确预测开采煤层自燃发火的趋势与危险性,对煤矿安全生产具有重要的指导意义。煤层自燃发火的趋势和危险程度与其影响因素之间存在着复杂的非线性关系,而人工神经网络具有极强的非线性逼近能力,能真实刻画出输入变量与输出变量之间的非线性关系。为准确预测开采煤层自燃发火的危险性,笔者针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对开采煤层自燃的危险性进行了预测。根据开采煤层自燃的特点,选取煤本身自燃倾向性、煤层地质及赋存条件、通风技术条件3个关键影响因素作为开采煤层自燃危险性的评判指标,建立了开采煤层自燃危险性预测的神经网络模型。实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;该模型收敛速度快,准确性高,是一种十分有效的开采煤层自燃危险性预测方法。     

公路桥梁结构运营荷载下安全状态评价方法

为解决公路桥梁结构在随机运营荷载作用下安全状态评价难以量化的问题,提出基于实际影响线确定其性能状态的评价方法。首先,明确桥梁结构在车辆多轴力与单轴力荷载作用效应之间的数学模型基础上,采用莱文贝格-马夸特(LM)算法建立识别实际影响线的优化分析模型,并通过算例对模型进行理论验证;然后,根据行业技术标准规定,确定运营荷载下桥梁安全状态划分方式及具体的评价指标;最后,以公路预应力连续梁桥为对象,用所提出的方法进行实际影响线识别及安全状态评价。结果表明:以识别的影响线为依据计算的重车作用效应与加载实测结果偏差低于5%,可通过运营荷载的作用效应幅值快速进行安全状态评价。     

基于CDR的典型大跨梁桥施工全过程抗震安全评价

为减小施工桥梁的地震损失,基于桥梁在施工过程中发生地震损伤和破坏的现实,以3座典型大跨悬臂施工连续梁桥为对象,在分析地震需求和抗震能力的基础上,采用能力需求比(CDR)法,研究大跨梁桥施工全过程的抗震性能和抗震安全性。研究结果表明,在悬臂施工全过程中各构件各部位的能力需求比均大于2.5,悬臂施工全过程结构抗震安全;抗震易损的部位分别位于墩底、桩顶和1号-GPZ(KZ)3SX支座;最小能力需求比集中于8号梁段、9号梁段、边跨合龙、中跨合龙和桥面施工等阶段;抗震设计应在施工的维度上,重点关注地震风险相对较大的施工阶段,确保抗震安全。     

人工神经网络在矿井多水源识别中的应用

以焦作矿区水化数据为例,选用Na++K+、Ca2+、Mg2+、Cl-、SO2-4、HCO-36种水化离子浓度作为识别矿井水源的依据,运用Matlab软件分别建立BP神经网络与Elman神经网络的矿井多水源识别模型。应用结果表明:与静态的BP神经网络相比,在结构上增加承接层的Elman神经网络在训练和仿真中拟合能力更强,识别精度更高和泛化能力更好;矿井地下水随着地下开采与扰动具有动态性,将具有非线性动态特征的Elman神经网络应用于矿井多水源的识别,对准确判断突水来源和分析地下水运移规律具有一定的辅助和指导意义。     

基于小波神经网络的事故隐患危险性评价

提出了基于小波神经网络的事故隐患危险性评价方法,建立了小波神经网络模型.以事故隐患危险性评价指标为输入节点,以评价结果作为输出节点,对兴隆庄煤矿的安全状况进行了评价,比较误差得出此方法优于BP网络评价.     

基于物元分析与PCA的部队汽车分队安全评价模型

为改善部队汽车分队的安全状况,建立了基于主成分分析与BP神经网络的部队汽车分队安全评价模型。在利用层次分析法建立分队系统的安全评价指标体系的基础上,将专家作为样本,进行物元分析,两者联合确定指标权重,进而得到相对客观的评价样本。对样本提取主成分,使输入变量降维且相互独立,以提高网络训练和预测效果。结果表明,其预测精度优于不采用主成分分析的BP网络模型,且相对误差在4%以内,模型具有可行性。因此,结合了物元分析与主成分分析的BP网络耦合模型能更加客观、准确地评价和预测被评价对象的实际安全状况。     

基于F-R-M法的刚构-连续梁桥施工期结构强度风险分析

为了解决刚构-连续梁桥施工过程中的风险问题,提出了一种神经网络与有限元结合的定量风险分析方法（F-R-M法）。以八盘峡黄河特大桥为工程背景建立有限元模型,运用参数敏感性分析确定出最不利施工阶段的结构强度主要风险随机变量,然后以蒙特卡洛原理为基础,通过径向基（RBF）神经网络计算结构失效概率,最后对桥梁施工风险进行定量分析。结果表明:该桥在最大悬臂状态下,结构应力仿真次数超过 1 000 万次时,梁体在最大悬臂端应力失效概率仅约为 1.17×10-5,失效概率极低。基于参数敏感性的F-R-M法可以快速、较高精度地对高速铁路刚构-连续梁桥施工期结构强度风险进行定量分析。     

BP网络在手写体数字识别中的应用

介绍了BP网络在手写体数字识别中的应用，并在神经网络中引入部分连接结构。实验证明，在神经网络中引入部分连接功能可以大大增强网络的灵活性，可以根据不同的应用来调节网络密度，以达到网络的最高性能。目前识别率为94．61％，实验结果表明，BP神经网络可成功地用于手写数字字符的识别问题。     

用ART2神经网络方法进行结构的损伤识别

用ART2神经网络方法对建筑结构的损伤进行了识别 ,实验证明该方法的识别精度高 ,具有自动从环境中学习的能力 ,对未知的损伤 ,ART2网络将能自动地给出新的识别输出 ,即对未知的损伤类型也能够进行识别     

虚拟仪器技术在神经网络火灾识别模型中的应用研究

为降低火灾自动报警系统的误报、漏报率,基于BP神经网络算法,用LabVIEW虚拟仪器开发了一套智能火灾识别模型。在火灾探测区域内合理布置若干感温探测器,在火灾识别模型中,将探测到的温度场参数作为BP神经网络的输入,火灾发生与否作为输出,并对影响BP神经网络的各项参数和该模型的运行结果进行测试研究。仿真试验结果表明:选取42组训练样本,当网络训练到4 000次左右时,最大相对误差值达到目标值0.1,其中大部分相对误差值达到0.05以下,网络的实际输出值非常逼近样本的理想输出值;实际火灾试验表明:该火灾识别模型能够探测火灾的发生。     

铁路连续梁桥铅芯橡胶支座的减隔震研究

考虑了铅芯橡胶支座的非线性特性和桥梁结构的相互影响 ,并在建立有限元铁路连续梁桥全桥动力分析模型的基础上 ,采用了时程分析的方法 ,对不同地震输入激励条件下的铁路连续隔震桥梁的动力响应及参数影响规律 ,进行了计算研究 ,取得了一些有实用价值的结果 ,为铁路连续梁桥的减隔震设计 ,提高桥梁结构的抗震安全性提供了科学依据和重要参考。     

基于频率下降率的结构损伤自适应神经网络识别

笔者探讨了动量系数和学习率自适应调整的神经网络算法及结构裂纹损伤识别特征参数的选取,提出以反映结构损伤位置和程度的频率下降率作为结构裂纹损伤识别的特征参数,利用有限元网格细化法对结构裂纹损伤进行数值模拟,获取训练样本数据,通过自适应神经网络对结构裂纹损伤问题进行识别研究。从结构裂纹损伤识别实例的结果中可以看出,采用频率下降率和自适应神经网络技术对结构裂纹进行损伤识别分析具有较高的精度和可靠性。     

铁路连续梁桥减隔震设计方案研究

为了对铁路连续梁桥减隔震设计方案进行对比研究,基于通用有限元软件SAP2000,以某三跨铁路连续梁桥为例,建立该桥的全桥有限元模型。对该桥采用铅芯橡胶支座进行减隔震设计,在7条典型地震波激励下对2种设计方案的减隔震效果进行计算分析,并将2种方案的结果进行比较。结果表明,2种隔震方案都能取得较好的隔震效果,但全桥隔震时制动墩地震响应隔震率优于制动墩隔震,且全桥隔震时梁体位移小于制动墩隔震。对铁路连续梁桥进行全桥减隔震设计,可以在较小梁体位移的前提下得到较好的隔震率,更有利于桥梁上部结构的安全。     

基于遗传神经网络的化工企业安全评价

基于化工企业特点,建立了比较合理的安全评价指标结构,并构建了以遗传神经网络为基础的评价模型。通过建立训练样本,确定BP神经网络的网络结构,运用遗传算法（GA ）去优化BP网络的初始权值和阈值,再把优化之后的权值和阈值赋给BP神经网络,然后对其进行训练,训练完毕后将所建立的模型通过实例评价进行了验证,结果表明此模型在化工企业安全评价中具有较好的应用价值。     

基于BP神经网络步态识别的研究

在即将建设完成的全国公安机关视频图像资源的整合与共享平台下,将BP网络作为一个模块加入视频监控系统中,通过对BP网络的训练,形成对犯罪嫌疑人步态信息的记忆,形成记忆的BP网络对视频监控系统采集的行人步态信息进行识别,若是可疑人员立刻通知民警进行处理。从而将步态识别的应用扩大至全国视频监控范围,同时为BP神经网络的应用提供了新方向。