基于BFGS-BP神经网络岩爆分类研究

BP神经网络模型是岩爆预测中的常用模型，为了强化预测效果，选取BFGS算法对BP神经网络模型进行优化。选取应力系数■、脆性系数■和弹性能量指数W_et作为预测指标，国内外46组案例作为样本库，分别建立BFGS-BP神经网络模型和传统BP神经网络模型，对比验证其优化效果，将建好的模型用于锦屏二级水电站和秦岭隧道加以检验，得到一种有应用前景的机器学习预测模型。     

基于灰色BP神经网络组合模型的水上交通事故数预测

为了提高水上交通事故数的预测精度,在灰色预测模型与BP神经网络模型相组合的基础上,建立了灰色BP神经网络组合预测模型。以全国水上交通事故数、机动船数、驳船数、水上运输就业人数、水路货运量和水路客运量的数据作为样本数据,进行试验计算,并将组合预测模型的预测结果分别与灰色预测模型和BP神经网络预测模型的预测结果进行了对比。试验结果表明,相较灰色预测模型和BP神经网络预测模型灰色BP神经网络组合预测模型的误差更小、预测精度更高,且具有良好的稳定性。     

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。     

基于BP神经网络的新浇筑混凝土爆破安全震动速度预测

岩体开挖爆破与局部浇筑混凝土交叉施工时,爆破产生的地震波对新浇筑混凝土的力学性能会产生不利影响,预测控制混凝土质点峰值震动速度对确保新浇筑混凝土工程质量至关重要。以新浇筑混凝土结构质点峰值震动速度为研究对象,基于BP神经网络理论,选取混凝土极限拉应变、混凝土的弹性模量和泊松比、基岩的弹性模量和泊松比5个影响因素,建立了新浇筑混凝土爆破安全震动速度BP神经网络预测模型。并对龄期为1.5 d和40 d的混凝土在两种不同基岩条件下的爆破安全震动速度进行了预测,预测结果相对误差分别为0.025、0.011、0.004和0.002,满足工程需要。研究表明,该方法计算量小,预测性能好,便于工程人员掌握。     

基于PCA-GA-BP神经网络的瓦斯含量预测分析

为提高煤层瓦斯含量预测的效率和准确率,提出了先采用主成份分析（PCA）方法来降低变量间的相关性,然后将遗传算法（GA）与BP神经网络相结合的煤层瓦斯含量预测的新方法。为了避免BP神经网络收敛速度慢、易陷入局部极小值等问题,算法采用GA对BP神经网络的权值和阈值进行优化,利用Matlab软件进行编程,建立了BP神经网络和GA-BP神经网络瓦斯含量预测模型。选取淮南某矿瓦斯含量及其影响因素作为实验数据对该模型进行了实例分析,将主成份回归和BP网络算法预测结果与该模型进行了对比分析。结果表明:PCA-GA-BP网络预测模型平均相对误差为2.759%,预测效果明显优于主成份回归和BP网络预测模型,可以准确的预测煤层瓦斯含量。     

基于PSOBP-AdaBoost模型的瓦斯涌出量分源预测研究

为准确预测瓦斯涌出量,选取某煤矿的开采煤层、临近煤层、采空区3个瓦斯涌出源作为实例研究,将BP神经网络、粒子群算法(PSO)、Ada Boost迭代提升算法和瓦斯涌出分源预测法相结合,建立基于PSOBP-Ada Boost算法的瓦斯涌出量分源预测模型,并将其与BP神经网络算法进行比较分析。结果表明,PSOBP-Ada Boost算法预测的3个瓦斯涌出源平均相对误差分别为3.24%,2.11%,3.21%;BP神经网络的平均相对误差分别为6.73%,3.19%,4.27%,基于PSOBP-Ada Boost模型的预测精度明显优于BP神经网络模型。     

基于BP神经网络不同输入变量的爆破振速预测

以某隧道爆破开挖为实例,利用BP神经网络解决复杂非线性函数逼近问题的能力,以最大段药量、爆心距、爆破分段数、泊松比、岩石基本质量指标作为影响爆破振动速度的主要因素,选取不同维数的输入变量建立BP神经网络模型来预测爆破振动速度。对比分析各组预测值与实测值之间的相对误差,选取合理维数的输入变量建立了爆破振动危害预测的BP神经网络模型。     

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.     

神经网络预测催化超临界水氧化废水效果的研究

在间歇式反应器中进行催化超临界水氧化DDNP废水试验,考察催化剂浓度、反应温度、压力、停留时间对氧化效果的影响。在实验基础上采用BP神经网络算法,建立以催化剂浓度、反应温度、压力、停留时间作为网络模型的输入层,COD去除率作为输出层的双隐层BP神经网络预测模型,预测催化超临界水氧化废水的效果,仿真结果表明模型预测效果较好。     

BP神经网络法预测唐山市需水量

需水量预测研究已成为当前水资源规划与管理研究中的重要课题之一.本文设定不同的神经网络运行次数,根据预测结果进行误差分析,BP神经网络在运行5 000次时,具有高度的可信度和可行性.应用5 000次运行次数的BP神经网络模型对唐山市规划水平年的需水量进行预测.最后引入人均综合用水量概念,结果表明,预测结果在理论上和实际上都具有可行性.     

基于BP神经网络和SVR的Fund?o尾矿坝排水数据预测对比研究

针对尾矿库运行过程中安全预警问题,选取2015年巴西Samarco铁矿溃坝事故案例,研究BP神经网络和SVR方法在排水数据预测的适用性。综合分析了排水数据的复杂且非线性的特点,以库水位、降雨量和干滩长度为输入特征,采用上述2个模型对尾矿坝排水数据进行预测。研究结果表明:基于BP神经网络预测结果的最大相对误差不高于4.35%;基于SVR算法的最大相对误差不高于9.21%;Fundo坝的排水预测结果是可行的,BP神经网络的预测精度更高,而SVR模型的运算速度更快。研究结果可为矿山安全工作的快速响应和溃坝预警提供信息支撑和参考依据。     

BP神经网络法在斜拉桥换索施工控制中的应用研究

运用神经网络理论,结合一座双塔三跨混凝土斜拉桥换索施工过程,对斜拉桥换索过程索力和主梁标高进行预测研究。运用平面杆系有限元理论计算出施工状态的理论索力和理论标高,再通过数值计算软件MATLAB7.1建立神经网络仿真模型得出各施工阶段的索力和标高预测值,为具体的换索工程提供参考。通过对比该斜拉桥换索过程中索力及主梁控制点标高的计算值和实测值可知,预测数据与目标数据相近,变化趋势一致,验证了BP神经网络在换索施工控制中进行参数预测的可行性。     

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。     

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....     

基于广义回归神经网络的矿井涌水量预测

矿井涌水量预测对矿山的安全生产和地下水资源的保护都有着重要意义。将广义回归神经网络(GRNN)引入到矿井涌水量预测中,以实例为研究基础,提出采用GRNN对矿井涌水量预测问题进行建模,将大气降水、采空区面积和底板构造断裂及采动裂隙三个影响因子作为网络输入,涌水量作为预测输出,采取交叉验证方法获得光滑因子来建立预测模型。预测结果表明,GRNN模型的预测值与真实值的最大相对误差仅为4.27%,而BP神经网络预测的最大相对误差为10.48%。同时,减少训练样本数量,即应用于小样本预测问题时,GRNN模型的预测结果较BP神经网络精度高且稳定性好。因此,应用GRNN模型进行矿井涌水量预测是准确的、可行的。     

含硫气井完整性风险等级预测研究

为保证含硫气井在开发过程中安全高效生产,提出一种基于主成分分析(PCA)和BP神经网络的含硫气井完整性风险等级预测模型。首先,采用Bow-tie方法得到含硫气井完整性失效风险因素,通过模糊评价法对风险因素进行量化处理;然后,利用PCA提取综合指标,并结合BP神经网络得到预测模型,进而得到风险等级。研究结果表明:通过PCA能使BP神经网络的输入数据由28个减少至4个,所建模型的风险等级预测精度高于未经PCA的BP神经网络;通过PCA与BP神经网络结合的预测模型可识别含硫气井开发过程中完整性失效的风险因素,完善了含硫气井风险等级预测技术。     

基于BP神经网络方法的引滦入津工程黎河段水质预测研究

根据引滦入津工程黎河段前毛庄断面水质监测数据,采用BP神经网络与非线性时间序列相结合的方法,建立BP网络非线性时间序列水质模型.应用该模型对氯化物和氨氮水质指标进行预测.结果表明,模型预测精度较好.通过预测结果验证了模型的可靠性.与机理性模型相比,提出了该模型的应用条件及优缺点.     

河南省汛期地质灾害预警的BP神经网络模型及应用

根据诱发地质灾害的内外因素建立地质灾害预警模型,评价河南省地质灾害的危险性.选取地形地貌、地质构造、岩土体类型、植被分布、水土流失、降雨和人类生产活动7个影响地质灾害的因素,建立了地质灾害预警的BP神经网络模型.根据监测数据进行训练和检验后,采用该模型对河南省汛期地质灾害进行预测,发现预测结果与实际情况基本一致.研究表明,建立的BP神经网络模型作为一种灾害预警的探索和尝试,具有一定的适用性和推广价值,可以作为地质灾害危险性评价预测方法的补充.     

BP和Elman神经网络在砂土液化预测中的研究

基于砂土液化的影响因素具有非线性关系,而神经网络模型能够逼近任意非线性函数和适合于动态系统辨识的特性,分别建立输入层为4,隐含层神经元为2,输出层为1的三层BP神经网络和Elman网络,并且通过matlab软件运算,实例比较得出Elman模型比BP模型收敛速度快、精度高,在砂土液化的预测中效果更好。     

遗传算法优化的BP神经网络在地震死亡人数评估中的应用

破坏性的地震灾害作为一种突发性自然灾害,往往会在短时间内造成大量的人员伤亡和财产损失。地震发生后若能有效地预测伤亡人数,可以更科学地组织人员救灾与配置救灾物资,对于减少震后的人员伤亡具有一定的指导作用。通过我国往期的地震数据信息,分析总结出对人员伤亡数目影响较大的7个因素,分别为地震等级、地震时间、震源深度、震中烈度、抗震设防烈度、震中烈度与抗震设防烈度之差(ΔL)、人口密度。鉴于这7个影响因素与地震时的死亡人数呈非线性关系,选用基于遗传算法(GA)优化的BP神经网络建立地震死亡人数预测模型。针对BP神经网络的局限性,利用遗传算法全局搜索最优值的特点,对BP神经网络的权值与阀值进行优化,防止BP神经网络陷入局部最优解,并且加快神经网络收敛速度,从而提高BP神经网络的预测精度。从我国1970年至2016年之间发生的地震灾害中,选取32组造成人员伤亡的地震数据,对初始数据进行处理后,利用遗传算法优化的BP神经网络预测模型进行训练并预测。选取27组样本作为训练样本,另外5组样本作为测试样本。预测分析结果表明,遗传算法优化的BP神经网络预测死亡人数与真实死亡人数相比平均误差为9.72%,均方误差为10.41,而BP神经网络的预测死亡人数的平均误差为17.61%,均方误差为18.02,因此GA-BP神经网络结果较为理想,相比传统的BP神经网络具有更高的逼近精度。