神经网络技术在单机应变寿命监控中的应用研究

目的解决单机应变监控载荷模型中非线性问题带来的误差。方法基于人工神经网络技术,结合某型飞机典型盒段试验件有限元模型,建立用于单机应变寿命监控的神经网络载荷模型,利用随机选取的测试数据对模型的精确性进行验证,并与多元线性回归模型进行对比分析。结果 BP神经网络载荷模型的预测值比较贴近实测值,同时要优于多元线性回归模型的预测结果。结论 BP神经网络载荷模型可以用于单机应变监控,而且预测精度更高,可以更加准确地把握平尾的损伤情况。     

基于神经网络的矿区环境预测模型

收集了我国多个矿区城市的空气检测数据,采用多元统计分析和神经网络算法对检测数据进行整理分析,建立了矿区环境预测模型。通过实践检验发现,该模型预测精度较高,可以应用在环境预测实践工作中。     

神经网络模型用于数值水质模型逼近的适用性及非敏感参数的欺骗效应

水质模型被广泛应用于水环境管理和决策,但却面临着计算时间和模型应用效率等多方面的问题;利用函数映射和逼近等方法来建立水质模型的输入-输出响应关系,可有效减少计算成本并显著改善模型效率.水质模型的输入-输出响应函数关系有多种形式,本文以其中的2种为例,并分别基于2个水质模型(零维总磷模型、WASP/EUTRO5)的案例,分析和验证了神经网络模型在响应关系逼近中的适用性.案例的结果表明:神经网络函数可以有效地用于水质模型输入-输出响应关系的逼近;当网络规模超出阈值大小时,神经网络函数逼近的准确度和泛化度对网络规模不敏感.在案例研究的基础上,推导和讨论了在神经网络模型函数映射过程中所可能出现的非敏感参数的欺骗效应,以及可能由此导致的过度预测或过低预测问题;并建议在神经网络函数逼近中,应只包含水质模型的敏感参数,以防止降低神经网络模型的准确度.     

规范变换与误差修正结合的环境系统的前向网络和投影寻踪预测模型

为了建立适用于环境系统的结构简洁、形式统一、程序规范、应用普适的神经网络和投影寻踪回归预测模型,针对传统的神经网络和投影寻踪回归用于多因子、大样本预测建模,存在模型结构复杂、学习效率低的局限,提出设置环境系统预测量及其影响因子参照值和规范变换式的原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子,从而将多因子的的预测建模简化为等效规范因子的预测建模,使模型结构得到极大地简化,提高了学习效率;此外,为了提高预测模型的预测精度,还提出了对预测样本的模型输出值的误差修正公式.在对环境系统的预测量及其影响因子进行规范变换的基础上,将m个规范影响因子的每个建模样本组成m个"等效"训练样本,应用免疫进化算法优化模型参数,分别建立适用于环境系统的2个或3个规范影响因子的前向神经网络和投影寻踪回归两类预测模型;并依据误差理论,对误差修正公式修正后的模型预测精度的提高进行了严格的数学论证.将基于规范变换与相似样本误差修正相结合的两类预测模型,用于某市5个点位的SO_2浓度预测,并与6种传统预测模型和方法的预测结果进行了比较.结果表明:对同一个预测样本,同类模型的两种不同结构的的预测值及其相对误差都几乎完全相同或彼此相差甚小;此外,两种不同结构的两类预测模型用于5个样本预测,其相对误差绝对值的平均值分别为2.59%、2.67%;2.18%、2.62%,均远小于传统BP神经网络模型的25.72%、传统PPR模型的14.20%、传统SVR模型的22.13%、模糊识别模型的21.57%、组合算子模型的18.36%和多元回归模型的25.31%;而两类模型预测的最大的相对误差绝对值分别为4.11%和3.57%,更加远远小于传统的6种预测模型的37.18%、56.07%、27.40%、32.14%、38.38%和60.26%.实例分析结果证实了误差修正公式对提高模型预测精度具有切实可行性.基于规范变换与误差修正相结合的前向神经网络和投影寻踪回归两类预测模型不仅避免了"维数灾难",提高了学习效率和模型的预测精确度,而且具有简洁、普适、规范、统一和稳定的特点,对其他预测建模也有借鉴作用.     

基于BP神经网络与马尔可夫链的污水处理厂脱氮效果模拟预测

在实际污水处理厂运行过程中,其最终出水水质会受多种因素影响制约,而基于生物反应机理的活性污泥数学模型(ASM)并未将这些生物反应以外的因素考虑在内,由此带来一些不足.对此,本文提出可通过基于数据挖掘技术的黑箱模型对污水厂处理效果进行模拟预测.结合具体实际分析,提出可将BP神经网络与马尔可夫链组合应用于污水处理脱氮效果预测中.首先,通过BP神经网络模型对北京某大型污水处理厂实际进出水数据和工艺参数进行粗略拟合;其次,利用马尔可夫链对拟合结果及误差进行状态划分以进一步提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型预测分析了该厂的实际出水水质.试验结果表明,BP神经网络适用于污水处理脱氮过程的拟合计算,而通过与马尔可夫链组合,可以提高模拟预测的精度和可靠性.     

基于BP神经网络的生物法烟气NOx净化的模拟与预测研究

对生物法烟气NOX净化技术的脱除效果进行有效精确地预测,是该技术在应用中具有高效稳定的性能的前提,只有满足这一条件才有可能被推广应用。本研究基于所在实验室处置模拟烟气净化装置中的脱氮装置,采集相关数据并使用了BP神经网络这一智能算法对净化过程进行建模与预测最后验证了预测的结果。结果表明建立此类技术的BP神经网络模型是可行的,模型具有预测的作用,并可为后续的研究提供一定参考与基础,在将来的研究工作中结合成熟的自动控制技术、运用精密的传感器件收集各影响因素的水平与大小。系统通过得到各种数据不断地对网络进行训练与自适应来产生一个精确的处置模型,进而调整各种影响因素的水平以达到实现高效稳定脱除的目标。有望推进生物法脱硫脱氮技术在工业上运用的进程,同时也为理论方面的研究提供一定的参考价值。     

免疫进化算法和投影寻踪耦合的水资源需求预测

针对需水预测中的高维非线性和非正态问题,论文引入投影寻踪技术建立了需水预测模型,利用投影寻踪方法对多元数据进行分析,将高维自变量数据转变为低维数据,并结合免疫进化算法优化模型中的参数,计算简便,易于实现。模型在东莞市的应用实例表明：与神经网络模型相比,该模型取得了较高的预测精度,在需水预测中有较强适用性。     

基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测

城市短期燃气负荷具有高随机性和复杂性特征,利用单一的模型难以做出准确预测。以某城市民用类燃气日负荷为研究对象,在分析该市两年多燃气日负荷特征的基础上,建立了基于BP神经网络(BPNN)-经验模态分解(EMD)-长短期记忆(LSTM)神经网络的组合预测模型,对该市短期燃气日负荷进行了预测。首先通过BPNN模型学习温度、日期属性影响下燃气负荷的主要特征,增长趋势等次要特征则体现在BPNN模型预测产生的残差中;然后采用EMD算法分解残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律,将各IMF分量的预测值相加得到残差预测值;最后将两部分预测值代数相加得到最终的预测结果。实证结果表明:与单一的LSTM模型和BPNN-LSTM模型相比,该组合预测模型半月步长的平均绝对误差为3.4%,预测精度更高,是一种更为有效的城市短期燃气负荷预测方法。     

污水厂出水COD预测模型的对比分析

根据污水厂日报表中的数据分别建立了ARMA、逐步回归分析、基于回归分析的神经网络模型和基于时间序列分析的神经网络模型,通过比较选择了基于时间序列分析的神经网络模型作为对污水厂出水COD的预测模型,其平均预测精度为85%,取得了满意的预测结果,有利于克服根据在线监测调整工艺参数的滞后性的缺陷,保证出水水质.     

人工神经网络方法在我国环境预测中的应用

从环境预测的模型适用性出发,提出用人工神经网络技术进行环境预测的新思路,建立了环境预测的多层神经网络模型,利用最近１２年（１９８１－１９９２）的环境经济数据对２０００年环境指标进行了预测,并根据预测结果对未来的环境对策进行了分析。     

低溶解氧下氨氧化过程神经网络预测控制模型

在低溶解氧(DO)状态下,以城市生活污水为研究对象,将神经网络预测的方法应用到污水处理过程中,建立了基于神经网络的氨氧化过程预测控制模型,预测并控制污水处理氨氧化过程.该模型分为两部分,一是根据在线pH值变化预测氨氧化结束时间,其相关系数R值为0.9985;二是根据在线pH值实时预测氨氮浓度,R值为0.9083.试验结果表明该模型预测精度高、可控性好,具有较好的适应性和稳定性,对实现并稳定短程硝化以及促进主流工艺(厌氧氨氧化)有重要的指导和借鉴意义.     

低COD污水絮凝工艺模型

对低COD污水处理絮凝环节中不同影响因素进行分析,构建了模型,并对模型进行统计检验。对比模型预测结果与真实结果,可以看出,该模型能准确指导PAC、PAM的投加并对有机污染物的去除率进行可靠估计。     

基于ZYNQ图像处理研制便携式水质检测系统

综合光电检测技术和光谱分析技术中的紫外-可见吸收光谱法,研制多参数便携式地表水水质检测系统,能够现场快速检测出磷酸盐、亚硝酸盐、化学需氧量(COD)和NH₃-N水质参数。对水体中吸收特征波长在可见光部分的物质,使用摄像头采集其可见光谱,并对其可见光谱图像的灰度图进行卷积神经网络建模,吸收特征波长在紫外波段的物质,通过光电检测技术测其浓度值,将建立的卷积神经网络模型移植到ZYNQ中,结合紫外光电传感器,将被检测物质的浓度值通过LCD显示出来,以此实现水质检测仪的便携性。结果表明：所得卷积神经网络预测值为样本溶液在8种浓度值输出类型中的倾向值,准确率最高为100%,最低为40%。COD浓度值的最高误差为10%,证实该检测系统具有很好的实用价值。     

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。     

基于经验小波变换的鄱阳湖CODMn预测

高锰酸盐指数(COD_Mn)是衡量水质状况的最重要参数之一,能反映水体受还原性物质污染的程度。结合经验小波变换(EWT)和双向长短期记忆(BLSTM)神经网络,提出了一种先利用EWT将原始的COD_Mn时间序列分解成若干成分,然后利用BLSTM神经网络对分解出来的每个成分进行预测,最后将所有成分的预测结果重建获得最终COD_Mn预测值的新的混合模型EWT-BLSTM;并以2017年8月—2020年4月鄱阳湖COD_Mn监测数据为研究对象,进行模型性能验证。结果表明：EWTBLSTM模型具有良好的预测性能,预测未来1 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为2.25%,与单一BLSTM神经网络模型相比降低了10.53%;预测未来7 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为8.36%,与单一BLSTM神经网络模型相比降低了16.16%。在COD_Mn峰值处,该模型依然保持较高稳定的预测性能,说明在...     

基于小波神经网络的芦苇潜流人工湿地水质预测

人工湿地系统对污水的处理效果好,工艺简单,投资运行费用低,但影响其出水水质的因素很多,并且往往是非线性的,因此目前很难将这些影响因素模型化并用于水质预测. 已有的预测方法不是过于复杂就是预测精度不高. 神经网络是一种具有较强预测能力的新方法,适用于各种非线性模型的预测. 在小试研究的基础上,使用3种不同的、经过训练的小波神经网络,对芦苇潜流人工湿地沿程各采样口的水温,ρ(DO),pH,Eh和ρ(COD_Cr)等水质指标进行了预测. 结果显示,各指标的平均相对误差分别为:水温≤4.21%,pH≤1.36%,ρ(DO)≤9.77%,Eh≤6.50%,ρ(COD_Cr)≤17.76%,表明小波神经网络模型适用于人工湿地模型的预测.      

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。     

基于图深度学习的供水管网短期需水量预测研究

供水系统短期需水量预测是供水管网优化调度的基础,预测的准确性对供水调度有重要影响。图神经网络是一种新型神经网络架构,通过学习对象的拓扑特征优化学习效果。利用供水管网的拓扑特征搭建了图波网络(Graph Wavenet)模型,用于学习供水管网各监测点的空间拓扑关系及其需水量时间序列关系,实现了更准确的供水管网短期需水量预测。使用真实管网历史数据训练Graph Wave Net模型,未来5 min预测的最小百分比误差达到1.28%,平均百分比误差达到1.34%。实验成功地将给水管网拓扑结构用于优化深度学习模型效果,使用图卷积网络模型有效提升了供水管网短期需水量预测精度。并对图神经网络在供水管网领域的应用前景进行了简要探讨。     

大气中SO2浓度的小波分析及神经网络预测

应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型.采用主成分分析进行输入变量降维.在BP网络训练过程中,往往会出现过拟合的现象,为此,在训练过程中,将样本等间距地分离为训练集和验证集来防止这个问题.为了消除网络的权值初始化对学习系统复杂性的影响,采用了5个子网络输出取算术平均的神经网络集成的方法.预测结果表明,该模型应用于SO2浓度预测具有较高的预测精度和良好的推广能力,而且明显优于一般的神经网络模型.     

基于遗传算法优化BP神经网络的水生态修复原位控浊混凝投药预测

暴雨过后河湖浑浊度急剧升高,严重干扰了河湖水生态修复工程中沉水植物的恢复和重建。针对水生态修复原位混凝控浊过程中混凝剂选型和投加量难以确定的问题,对模拟河湖浑浊水样进行混凝实验并构建混凝预测数据集,采用BP神经网络模型对混凝剂投加量进行预测,并结合遗传算法对模型进行优化。基于混凝实验结果,选取综合混凝效果更佳和成本更低的混凝剂(硫酸铝),和不同投加量间混凝效果存在显著差异的混凝剂投加量范围在0～30 mg/L的混凝数据进行混凝预测模型的训练。结果表明：1)BP神经网络回归模型性能(R²=0.78)优于多元非线性、多元线性回归模型和BP神经网络分类模型,88.67%的样本预测绝对误差<5 mg/L;经遗传算法优化后,模型R²提升至0.86%且95%以上的样本预测绝对误差<5 mg/L,说明遗传算法有效提升了模型的预测精度和预测稳定性。2)混凝剂投药梯度是除建模数据量之外另一个影响模型性能的重要因素,在实际工程应用中,应尽可能增加建模数据量和降低投药梯度,以提高混凝投药预测模型性能。研究结果可为水生态修复原位混凝控浊过程中混凝剂种类和...