基于AGA-BP神经网络的采空区危险性评价

针对采空区危险性评价的影响因素众多且关系复杂的特点,提出了基于AGA-BP神经网络算法评价采空区危险性。将岩体结构、地质构造、岩石抗压强度等13个影响因子作为神经网络输入,采空区危险性等级作为输出,建立一个采空区危险性评价的BP神经网络模型;采用自适应遗传算法(AGA)对BP网络的初始权值和阈值进行全局寻优,将寻优结果回代入网络中进行训练并预测得出采空区危险性等级;利用其它智能算法与该预测结果做出比较,以验证AGA-BP算法的有效性及优越性。结果表明:该算法的优化效果明显,同时在训练时间与预测精度上较其它智能算法有突出的优势,是一种在采空区危险性评价方面值得推广的新方法。     

基于自适应遗传小波神经网络的水质评价建模

水环境污染过程的非确定性和非线性,使得传统的水质评价方法存在局限性。为了提高水质评价的准确性,提出了一种基于改进小波神经网络(wavelet neural network,WNN)的水质评价模型。采用自适应遗传算法(adaptive genetic algorithm,AGA)对小波神经网络的初始权值进行优化,再通过小波神经网络算法对网络进行训练,最后对训练好的网络展开测试。仿真结果表明,自适应遗传算法和小波神经网络的结合提高了网络的训练效率,该方法可以用于水质评价建模,并且评价结果具有较高的精度和准确性。     

基于分布式应变监测的埋地管道悬空识别方法研究北大核心CSCD

埋地管道在地基缺陷或管道泄漏作用下会产生局部悬空,悬空的发展不仅会威胁管道的安全运行,还会造成地面沉降、塌陷等地质危害。因此,提出一种基于分布式应变监测的埋地管道悬空识别方法。首先布设分布式应变传感器获取管道沿途任意位置纵向应变,然后提取弯曲应变并判断管道悬空状态的出现,再结合管道弯曲应变建立埋地管道有限元模型,最后通过遗传算法对管道有限元模型的土体刚度进行修正,根据修正后的土体刚度变化定量识别管道悬空出现的位置及范围。通过模型试验验证得出识别结果与试验悬空段两侧坡肩位置最大误差不超过0.2 m,反推出的管道应变峰值和挠度与监测结果相差最大分别为84.1με和3.5 mm,其对应的相对误差分别为7.7%和9.2%,试验误差都控制在工程可以接受的范围以内。研究结果表明:本方法可以实时监测管道的工作应力,反推出管道的挠曲变形,准确判断管道悬空的出现,精确识别出管道悬空的范围。本方法对管道运行的结构状态评估和悬空灾害识别都具有非常积极的意义。     

基于信息融合与GM的石油罐区安全监控预测模型

近年来,石油罐区安全事故发生频率呈不断上升趋势。为有效增强罐区安全监控预警系统监测数据的可靠性,并实现对事故的早期预警,基于多传感器信息融合技术和灰色模型(GM)理论,建立出石油罐区安全监控预测模型。首先,研究了基于递推最小二乘法改进的最优加权融合算法,并将其作为一级(特征级)融合模型,其次,介绍分析了灰色预测理论及GM(1,1)模型的实现过程,最后建立出基于GA-BP神经网络算法的二级(决策级)数据融合模型,并得到石油罐区安全监控预测模型。     

基于GA-ELM的冲击地压危险性预测研究

为提高冲击地压预测的效率和准确率,在分析冲击地压影响因素的基础上,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的冲击地压预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM冲击地压预测模型。利用某矿冲击地压统计数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、有效地对冲击地压发生的可能性进行预测。     

全尾砂絮凝沉降参数GA-SVM优化预测模型研究

为了得到经济、高效的絮凝沉降参数,建立GA_SVM预测模型进行优化选择。在优选过程中,以供砂浓度、絮凝剂单耗和絮凝剂添加浓度作为输入因子,以沉降速度作为综合输出因子,通过室内试验,建立训练、验证样本集;建立支持向量机（SVM）回归预测模型,用训练集对模型进行训练,进而以验证集预测值的均方误差作为适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型对絮凝沉降参数进行预测、优化。以湖南某铅锌银矿为例,通过建立的GA_SVM模型对全尾砂絮凝沉降参数进行预测,优选出该矿最佳絮凝沉降参数为:供砂浓度20%-25%,絮凝剂单耗8g/t,添加浓度009%。经实验对比,该模型对絮凝沉降参数预测结果的相对误差能控制在5%左右,精确度较高,可以作为絮凝沉降参数优选的一种新思路     

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ASM 2d的数学模型在六箱一体化工艺分析中的应用

以六箱一体化工艺为例,建立了基于ASM 2d(activated sludge process 2d,活性污泥工艺2d)的数学模型,并研究其在脱氮除磷中的应用. 在HRT(水力停留时间)为16 h的工况下,利用灵敏度分析挑选了含有7个参数的待优化参数集,通过使用遗传算法优化校正函数的方式进行校正计算,获得了校正后的六箱一体化工艺模型,并在HRT为20和24 h下对该模型做了进一步验证. 结果表明,校正后的模型对出水水质的预测性较好,在HRT为16 h下,出水ρ(COD_Cr)、ρ(TN)、ρ(TP)和ρ(NH₄+-N)的模型计算值与实测值间的绝对差值较小,分别为1.96、0.83、0.06和0.24 mg/L. 在校正后模型的基础上,详细分析了HRT为20 h时各池中ρ(NH₄+-N)、ρ(NO₃--N)和ρ(PO₄3--P)在1个周期内的动态变化,指出了影响该工艺处理效果的主要原因(如碳源不足的问题),并与通过试验分析得到的结果基本一致.      

BP神经网络和遗传算法在乳酸菌发酵参数优化中的应用

为提高短乳杆菌L2菌株γ-氨基丁酸(GABA)的产量,建立了一个反映因素与产量之间的非线性关系模型.运用Plackett-Burman设计、中心组合试验设计(CCD)对MRS培养基组成和培养条件进行了优化,筛选出4个影响发酵的关键因素:蛋白胨、葡萄糖、谷氨酸钠、初始pH.在此基础上,采用误差反向传播神经网络(BPN)和遗传算法(GA)确定了4个关键因素的适宜参数:蛋白胨21.185 g/L,葡萄糖3.857 g/L,谷氨酸钠48.948 g/L,初始pH 4.05.最终使短乳杆菌L2菌株的GABA产量达到了27.765 g/L,比原始MRS培养基的13.452 g/L提高了106.4%.研究表明利用BPN-GA方法进行发酵条件优化是一种行之有效的途径.     

基于灰色神经网络优化组合模型的火灾预测研究

为了提高火灾事故预测的精度,根据我国火灾事故数据样本较小,波动性较大的特点,将遗传算法优化的灰色无偏预测模型与遗传算法优化的BP神经网络模型结合起来,建立灰色神经网络优化组合模型,充分发挥无偏灰色预测模型适用于小样本的数据预测的优势与BP神经网络处理非线性问题的优点。分别采用遗传算法优化后的无偏灰色GM（1,1）模型、遗传算法优化的BP神经网络预测模型与灰色神经网络优化组合模型对我国1998-2008年的火灾事故进行拟合,并对2009-2011年的火灾事故发生数进行预测。结果表明:灰色神经网络优化组合模型的预测误差最小,精度最高,适用于火灾事故的预测。