基于BP神经网络的苯储罐泄漏事故风险评价模型研究

为了在事故发生之前对苯储罐进行风险评价，提出1种基于BP神经网络的泄漏事故风险评价方法，利用该方法构建了苯储罐的风险评价模型，并对模型进行了训练及验证。研究结果表明:BP神经网络成功完成了建模任务，且模型训练结果较好，可利用基于BP神经网络所构建的苯泄漏事故风险评价模型对苯储罐发生泄漏事故的风险进行评价。     

基于ICEEMDAN分解和MHA-LSTM神经网络的滑坡位移预测

深度学习在机器视觉等各个领域的兴起，使长短时间记忆(LSTM)神经网络也越来越常用于滑坡预测工作中。为加强对历史信息的提取与捕捉，提出一种多头自注意力长短时间记忆(MHA-LSTM)神经网络用来预测滑坡位移。首先采用改进版的自适应噪声完备集合经验模态分解(ICEEMDAN)算法将滑坡位移分解成趋势项、周期项和噪声项；然后采用MHA-LSTM神经网络拟合带噪声的滑坡位移趋势项和周期项，两者相加即可得到滑坡总位移的预测结果；最后以白水河滑坡实测数据为例，考虑月降雨量和库水位因素的影响，对该滑坡位移的周期项和趋势项进行预测，并与其他传统神经网络的预测结果进行对比。结果表明：MHA-LSTM神经网络模型相较于其他传统神经网络模型，能更好地捕捉历史的信息特征，预测效果更佳，可为滑坡预测提供新的技术方法。     

基于粗糙集-神经网络的矿山地质环境影响评价模型及应用

采用衡山白果地区石膏矿山的11个评价指标,综合运用粗糙集和神经网络理论,构建了基于粗糙集-神经网络(RS-ANN)的矿山地质环境影响评价模型,对RSES软件约简的数据和无约简的数据采用EasyNN-plus软件进行预测评价。神经网络模型的输入属性为8个,而粗糙集-神经网络模型的输入属性为6个,训练样本均为13个,预测样本均为4个,前者的平均预测精度为1.85%～24.86%,后者为1.23%～15.28%。研究发现,粗糙集在保留关键信息的前提下可有效地对数据表进行约简,约简后的神经网络预测结果与实际情况吻合,并比无约简时总体精度有较大幅度提高。     

层次分析法在高层学生公寓火灾危险性评价中的应用

分析高层学生公寓的消防安全特点及其火灾发生危害性,评述现有的高层建筑火灾风险评价方法;在现有的评价方法的基础上,从人员因素、建筑物属性、安全疏散设施、报警与灭火系统、防火与防烟系统、建筑物内电气因素和消防安全管理7个方面综合考虑,建立了高层学生公寓的建筑火灾危险评价指标体系;利用层次分析法对高层学生公寓火灾危险性进行分析,确定其评价指标体系中各层次各指标的权重;分析结果表明:消防安全教育与培训是学生公寓火灾危险评价指标体系中最重要的因素。加强和改进高层学生公寓消防安全管理,对预防或减少高层学生公寓火灾具有现实指导价值。     

基于RBF神经网络模型的砂土液化震陷预估法

以我国海城地震、唐山地震和日本新漏地震中建筑物地基的液化震陷实测资料为基础，地震动方面选取地震烈度，，上部结构特征方面选取基底压力P、基础类型r、宽深比BD。和建筑物的长高比L/H，地基土方面选取土的相对密度Dr、上覆非液化土层厚度Da、地下水位dw，共8个影响建筑物地基震陷的主要因素作为神经网络模型的输入参数，地基震陷量与液化土层的深度之比SD作为神经网络模型的输出，采用径向基函数神经网络模型建立建筑物地基的液化震陷预估模型，并利用该模型建立了因素影响趋势线，通过对该神经网络模型的建立、运行和检验，得到了各因素对砂土液化引起的地基震陷量大小的若干影响规律。     

边坡变形时序非线性判定及混沌预测研究

以探讨边坡变形性质及混沌预测可行性为目的,基于混沌理论利用相空间重构技术对其变形时间序列进行混沌特征判定,试验显示变形系统具有混沌特性,可用混沌相关理论进行研究;基于混沌相空间重构技术,笔者构建了多种混沌预测模型进行混沌预计研究,分析各类模型的工程实际应用效果;针对单次监测时序预测精度较低的问题,提出累加时序预测方案,训练结果显示,短期预测精度变形累计值基本控制在5%以内,高程值预测相对误差均低于1%,预测精度较高,可以用于工程实际。     

基于BP模型对城市交通噪声的数据处理和预测

城市交通噪声的预测和评价技术是城市交通可持续发展的重要研究内容，直接为城市交通规划中环境容量分析和环境影响评价服务。本文通过实测的大量数据，运用神经网络中的BP模型及其算法建立车辆数、道路宽度和交通噪声之间的关系，对城市道路交通噪声数据进行处理和预测。     

人工神经网络在预测深基坑周边地表沉降变形中的应用研究

深基坑开挖引起的周边地表变形预测是一个复杂非线性问题,引起地表沉降的影响因素很多,各因素之间呈高度的非线性关系。传统的基坑用边地表沉降变形预测方法存在着一定的局限性,其预测精度有待提高,而人工神经网络是一种多元非线性动力学系统,可以灵活方便地对多成因的复杂未知系统进行高度建模,实现全面考虑各种主要影响因素的深基坑周边地表沉降变形预测。本文介绍了误差反向传播(BP)网络模型的结构、学习过程及其算法的改进,径向基函数(RBF)网络模型的结构及其学习过程;分析了影响深基坑开挖周边土体沉降变形的主要影响因素;以25个基坑工程的地表沉降实测资料为训练样本,建立了11个输入影响因素的BP神经网络模型和RBF神经网络模型,通过对样本的学习训练过程及对5个检验样本的预测精度,说明了人工神经网络用于预测基坑周边地表沉降的可行性和准确性。