基于灰色神经网络的腐蚀损伤模型

为在小样本情况下对腐蚀损伤进行预测,结合灰色系统与神经网络,提出了灰色神经网络模型,利用该模型对已知腐蚀损伤数据进行了预测检验。为对比研究,同时采用灰色系统与神经网络方法预测了损伤值。结果表明,3种预测模型中,灰色神经网络预测精度最高,能够满足工程使用要求。     

基于灰色神经网络的有机涂层寿命预测研究

暴露于大气腐蚀环境下的有机涂层使用寿命涉及因素繁多,难于精确预测.基于灰色理论和人工神经网络理论,建立了灰色神经网络模型对有机涂层腐蚀面积进行预测,进而预测其寿命.通过飞机结构模拟试验件加速腐蚀试验后的有机涂层寿命预测实例检验,发现灰色神经网络模型预测有机涂层寿命精度较高,结果理想.     

钢在自然环境中的大气腐蚀研究进展

回顾了近年来钢在自然环境中的大气暴露腐蚀试验和腐蚀行为预测的研究。重点介绍了钢的腐蚀失重规律、环境因素和钢的化学成分对钢的大气腐蚀影响以及锈层分析的研究;此外,还介绍了幂函数预测模型、灰色模型和神经网络预测模型的研究进展。     

基于灰色理论与BP神经网络预测成都市生活垃圾产生量

根据成都市中心城区垃圾产生量的历年数据,先用以时间为单变量的灰色GM(1,1)预测模型得到历年数据的拟合值,再分析垃圾产生量与其影响因素之间的灰色关联度,选出关联度最大的4个因素建立多变量的灰色GM(1,5)预测模型与BP神经网络模型,并对垃圾产生量的预测精确度进行了对比,用预测精度最高的BP神经网络模型对未来年份的垃圾产生量进行了预测,为成都市垃圾处理处置规划提供了理论依据。     

基于灰色补偿BP神经网络优化组合模型的车辆装备冷却系腐蚀预测

目的 避免由于腐蚀破坏车辆装备冷却系,使车辆不能维持良好的工作状态,并缩短装备的使用寿命,建立一个准确、高效的预测模型,以实现对车辆装备冷却系腐蚀预测。方法 在传统GM（1,1）模型基础上,结合背景值构造优化与新陈代谢思想,建立一种新陈代谢加权不等时距模型MUGM（1,1,λ）。此外,还引入遗传算法优化BP神经网络模型对MUGM（1,1,λ）模型进行残差修正,建立灰色补偿BP神经网络优化组合模型。结果 基于优化组合模型对冷却系用铸铁材料腐蚀预测的平均误差为0.43%,模型精度为一级,预测精度高。结论 所建立的灰色补偿BP神经网络优化组合模型对于车辆装备冷却系金属腐蚀预测具有可行性。     

基于局部腐蚀损伤的铝合金预腐蚀疲劳裂纹扩展模型

目的建立铝合金预腐蚀疲劳裂纹扩展模型。方法采用表征局部环境腐蚀损伤影响程度的参数孔蚀率对腐蚀疲劳裂纹扩展速率进行修正。结果修正后的腐蚀铝合金试件的疲劳裂纹扩展速率与试验结果吻合程度良好。结论修正后的铝合金预腐蚀疲劳裂纹扩展速率模型合理有效,试验数据和预测模型可为海军飞机结构的损伤容限设计提供参考。     

LY12CZ腐蚀疲劳寿命的神经网络研究

通过对已有LY12CZ腐蚀疲劳试验数据分析,建立腐蚀年限和应力幅值对应疲腐蚀劳寿命的BP网络映射模型来预测其腐蚀疲劳寿命.为了提高网络模型预测精度,采用牛顿插值法扩充历史试验数据,满足神经网络对训练数据致密性要求.研究结果表明,网络预测结果误差较小.利用网络预测结果计算,lgSα和lgN具有较高的线性相关性,R=0.94～0.99,且斜率B为-3.3～ -3.4.     

GA-BP神经网络在铜合金海洋腐蚀预测中的应用

目的 充分利用海洋腐蚀数据,深入分析数据规律.方法 在BP神经网络的基础上引入遗传算法,以克服神经网络模型固有缺陷,提高预测精度和训练速度.结果 对GA-BP人工神经网络进行了简要阐述,并以铜合金在海水中的腐蚀数据为例,应用GA-BP人工神经网络建立了海水腐蚀预测模型,对预测结果进行了评价.结论 预测结果表明,模型能满足设计要求,具有较好的泛化能力.     

预腐蚀LY12CZ铝合金的疲劳寿命预测模型

目的研究铝合金预腐蚀疲劳的寿命评估模型。方法利用损伤力学模型,建立预腐蚀构件疲劳寿命预测模型,并利用LY12CZ铝合金进行预腐蚀疲劳的验证性实验。结果利用损伤力学建立的模型所得到的预腐蚀铝合金试件的疲劳寿命与实验结果吻合程度良好。结论基于损伤力学的铝合金预腐蚀疲劳寿命预测模型合理有效。     

基于改进灰色与广义神经网络的火电行业NO_x排放组合预测

为解决区域火电行业NOx排放量的预测问题,在原始灰色模型基础上做出改进,提出了基于指数平滑的改进灰色模型,并将该模型与广义神经网络相结合,建立了基于改进灰色与广义神经网络的组合预测模型。以1998—2011年火电行业NOx排放量数据为基础,对提出的组合预测模型与灰色模型和广义神经网络模型的预测结果进行了对比。结果表明:建立的组合模型预测结果更为精准,能够更有效应用于区域火电行业NOx排放量的预测问题。     

一种战车主减速器温度预测方法研究

目的针对战车主减速器温度预测需求,建立时间序列ARIMA多步预测和BP神经网络预测模型,提出基于BP神经网络修正误差的ARIMA模型温度预测方法。方法结合BP神经网络的非线性能力与ARIMA模型预测能力,分析ARIMA在多步预测时误差产生原因,在神经网络对ARIMA多步误差进行预测基础上计算修正因子,把误差修正因子和BP网络结合,实现对多步预测误差的修正。结果ARIMA模型多步预测时,预测误差随预测步数的逐步增加不断增大,引入了误差修正因子进行修正。通过预测值与实际值进行对比,可有效提高预测准确度。结论 BP神经网络和误差修正因子结合应用可显著提高温度预测效果。     

基于GA-BP神经网络的餐厨垃圾合成PHA工艺产量预测

为了预估混合底物碳源条件下活性污泥PHA合成产量预测的准确度,通过引入遗传算法对BP人工神经网络的权值和阈值进行优选,建立基于GA-BP神经网络的餐厨垃圾合成PHA工艺产量预测模型。以餐厨垃圾发酵液为底物碳源,利用活性污泥在ADD模式下进行PHA合成。以实验数据为基础训练神经网络模型,通过实测数据与模型预测数据之间的对比,验证了人工神经网络预测模型的精确度,并对长期PHA合成能力进行了预测。结论表明:基于遗传算法改进的GA-BP网络模型表现出比传统BP神经网络模型更佳的预测准确度,为评估混合菌群PHA最大合成产量的长期发展趋势,确定合理富集时长探索了可行方法。     

基于BP神经网络的空气污染指数预测模型研究

BP神经网络已成为研究空气污染预测的有效工具之一。文章利用近十年北京市地面气象观测资料和空气污染指数数据,通过BP神经网络技术构建了不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测。通过相关系数分析法,对比分析了预测结果与实际监测结果,研究结果表明:春、夏、秋、冬季的预测值与监测值线性相关系数分别为0.81、0.84、0.89、0.85。北京春季常伴随有沙尘天气,而文章并没有考虑沙尘天气对预测模型的影响,因此春季BP神经网络预测精度在四季中最低,其预测值与监测值的线性相关系数为0.81。由于秋季不同空气质量级别的数据都有较多分布,因此该季节构建的网络更具有代表性,其预测精度在四季中最高,预测值与监测值的线性相关系数高达0.89。总之,BP神经网络模型对于北京空气污染指数预测是行之有效的。     

飞机铝合金结构腐蚀损伤预测方法对比性研究

依据飞机LD2结构材料的加速腐蚀试验数据,提出了数据拟合、神经网络、时间序列3种腐蚀损伤预测方法,并对3种预测方法的基本原理、预测精度及预测外延性进行了对比分析。研究发现神经网络和时间序列方法预测精度较高;时间序列方法的预测外延性较好,能够以较高精度预测未来一段时期腐蚀损伤的发展趋势及损伤程度。因此,应根据研究需要选用合适的方法进行腐蚀损伤预测。     

基于神经网络集成的单个飞行事件噪声预测模型

通过分析影响单个飞行事件噪声的各种因素,构建了BP神经网络回归预测模型,并通过自适应遗传算法优选出参与集成的个体神经网络,提出了预测单个飞行事件噪声的神经网络集成预测模型.为了有效保证差异性,设置不同隐藏神经元个数和Bagging算法来构建和训练单个网络.实验结果表明,单个飞行事件噪声的神经网络集成预测模型相对单个BP神经网络模型泛化能力更强,稳定性能更好.本文方法在测试集上误差在3dB以内的平均比率为96.9%,比单个网络高6.8%.     

基于TSA-BP模型的温州站台风风暴潮增水预测

台风风暴潮灾害通常会对沿海地区造成巨大损失,因此,准确预测台风风暴潮增水对沿海地区的防灾、减灾工作具有现实意义。本文根据现有风暴潮增水预测研究的成果,建立了基于被囊群算法（tunicate swarm algorithm）优化的BP神经网络模型,将该模型应用于台风风暴潮增水预测研究中。本文选取影响温州验潮站的3个台风作为研究对象,收集并建立了3个台风影响验潮站过程的129个逐时数据样本。利用新模型对温州站进行风暴潮增水预测,结果表明,该模型与BP神经网络相比克服了陷入局部最优解的缺陷,与粒子群优化的BP神经网络模型相比,提升了模型收敛速度,具有更好的预测精度及稳定性。     

基于PSO算法的BP神经网络对水体叶绿素a的预测

BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优. 提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性. 选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力. 比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.