一种基于BP网络和粒子群算法的拱坝可靠度分析方法

为了进行极限状态方程不明确的大型结构可靠度分析,提出了结合神经网络和粒子群优化计算拱坝可靠度的算法。确定性力学分析采用ANSYS软件,利用BP神经网络来模拟高度非线性映射关系的功能函数,基于罚函数和粒子群优化法进行可靠指标计算。综合C语言、ANSYS的APDL二次开发以及MATLAB混合编程技术,编制了该算法的可靠度分析程序。算例表明,该方法适应于隐式功能函数的复杂结构可靠度分析。     

淮安市砂土地震液化势的综合评估

建立了BP神经网络模型LM算法的砂土地震液化判别方法,采用LVQ模式分类网络对数据进行分类,选取唐山地震时76个场地、320组现场液化勘察资料为研究对象,训练和检验网络模型的数据各160组,结果表明,该方法的砂土液化预测准确度为96.8%。根据淮安市典型场地土的钻孔资料,采用《建筑抗震设计规范法》液化判别法(规范法)、美国国家地震研究中心建议的液化判别简化方法(NCEER法)和谢君斐-陈国兴液化判别方法(谢-陈法)等3种液化判别方法及本文提出的BP神经网络模型液化判别方法对22个钻孔、120标贯点进行了液化判别,结果表明:14种地震液化判别方法的计算结果基本一致;2NCEER法比谢-陈法的计算结果要保守;3谢-陈法与规范法的计算结果很吻合,预测正确率相差不大;4规范法相对BP神经网络模型法的计算结果要保守;5BP神经网络模型法比其他3种方法的预测结果更符合实际的液化规律。最后,综合4种方法的液化判别结果给出了该地区地震液化势的评估结果,并给出了部分典型地质剖面土层地震液化势分布图。     

基于神经网络的跨越地裂缝框架结构地震损伤及预测研究∗

为开展特殊地质环境下结构的损伤分析,以一跨越西安f4地裂缝的五层框架结构为研究对象,基于振动台试验和ABAQUS 有限元分析结果,进行了BP 神经网络模型的模型训练,选取变形和能量组合形式的双参数损伤模型计算结构损伤指标,采用加权系数法,开展了构件、楼层、结构三个层面的损伤预测分析,给出了不同地震作用下结构损伤程度评估。结果表明：地裂缝场地结构表现出明显上下盘效应,结构首层为薄弱层。BP 神经网络损伤预测值与有限元计算值在不同工况下均较为一致,其对于构件、层间、整体结构损伤指数预测最大误差分别为8.86%、5.66%、7.57%,该研究成果为跨越地裂缝结构的性能评估提供一种准确且高效的研究方法。     

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。     

基于BP神经网络的饱和砂土液化判别方法

基于唐山地震中大量的砂土液化现场实测资料,选取描述地震动特性的烈度、震中距、地面峰值加速度和描述砂土层埋藏环境条件的地下水位、标贯点深度(土层深度)、上覆非液化覆盖土层厚度、有效覆盖压力,以及表示砂土自身属性的标准贯入锤击数、平均粒径、不均匀系数、修正标贯击数共11个指标的不同组合作为输入变量,采用快速BP算法和LM算法构造了饱和砂土液化判别的BP神经网络预测模型.通过所建网络模型的训练、验证和应用,结果表明:(1)所建14个BP神经网络模型都是有效的,液化判别的准确度与模型输入变量的不同组合有关;(2)增加网络模型的节点(考虑因素较多)并不一定能够提高BP神经网络模型的液化判别准确度,反而增加了BP神经网络模型的复杂性和学习时间;(3)两种算法的BP神经网络模型都有很高的液化判别准确度,LM算法的计算速率要比快速BP算法快得多,但在计算过程中需要更多的内存,建议采用LM算法;(4)采用所提BP神经网络模型的权值与阈值进行其它预测样本的液化判别时,判别结果可能偏于保守;(5)从影响砂土液化的主要因素、获取指标难易程度考虑,在与<建筑抗震设计规范>砂土液化判别公式考虑指标一致的情况下,建议采用BP神经网络模型M4或M5a,该模型简单、方便,且其预测准确度远高于<建筑抗震设计规范>的砂土液化判别准确度.     

基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究

为降低风电场弃风率及对电网稳定性影响,对风电场短期功率进行准确预测显得十分重要。针对传统BP神经网络泛化能力差、网络收敛速度慢等问题,建立了一种基于主成分分析与遗传优化BP神经网络相结合的风电场短期功率预测模型。首先,利用主成分分析法对风电场原始气象数据进行分析,将得到的独立变量作为BP神经网络的输入;然后利用遗传算法确定了神经网络的最优初始权值和阈值的大致范围,并用L-M算法对BP网络权值和阈值进行细化训练;最后,利用中国北方某风电场实际运行数据进行验证,结果表明,所建立的预测模型合理有效,不仅可以加快BP神经网络收敛速度,减少预测误差,还可以提高风电场短期输出功率的预测精度,具有一定的工程应用价值。     

膨胀土路基水毁灾害及其粗糙神经网络预测

通过对膨胀土地质灾害的总结，提出了膨胀土路基水毁灾害的分类分级方法，并根据常用的地质灾害预测办法，指出膨胀土路基水毁灾害的预测是一个典型的非线性问题，当考虑降雨、干旱等气候因素耦合影响时，宜进行危险性点评估。提出了采用粗糙神经网络对膨胀土路基水毁灾害进行评价和预测的方法，并运用粗糙集理论确定了该神经网络的结构。同时，以某膨胀土路基水毁大型模型试验的数据为例，进行了灾害预测，结果表明，将粗糙神经网络运用于膨胀土路基的水毁灾害预测是切实可行的。     

基于BP神经网络的受灾点的需求紧迫性分级方法

大规模突发事件发生后,往往会涉及到多个受灾区域,使得应急救援的受灾点数目众多。当应急资源有限,运输能力受约束时,为提高应急救援效率,应急物资的调运和配送需要根据受灾点的需求优先级进行。因此,对受灾点进行需求紧迫性的分级排序就非常关键。该文提出了基于BP神经网络的分级方法,构建了影响受灾点的需求紧迫性的评价指标体系,建立了基于BP神经网络的需求紧迫性分级模型。最后,实例验证表明BP神经网络对检验样本的结果输出和期望输出是一致的;并与TOPSIS法、灰色关联分析法和熵权法3种方法的评价结果进行比较,进一步证明了该分级评价方法的科学性和有效性。     

基于监测数据的边坡参数统计特征及可靠度更新∗

掌握详细的边坡岩土体参数信息是进行边坡加固与风险评估的重要前提。目前大多采用马尔可夫链蒙特卡洛模拟方法基于现场或室内试验数据进行不确定性参数统计信息及边坡可靠度更新。然而,该方法存在计算量大、计算结果不易收敛和难以解决高维边坡不确定性参数统计特征及可靠度更新等问题。本文基于粒子群优化反向传播神经网络算法建立边坡位移代理模型优化计算过程,提出了改进的基于子集模拟的贝叶斯更新方法,进而基于边坡变形监测数据进行参数统计特征及可靠度更新。最后,将提出方法应用到长春西客站深基坑边坡工程。 结果表明：提出方法能够融合有限的场地信息有效地更新边坡岩土体参数统计特征,推断其后验概率密度函数,进而更新边坡失效概率。利用更新的土体参数计算的边坡位移与实测数据吻合,验证了提出方法的适用性和有效性。另外融合监测数据进行贝叶斯更新之后,虽然土体参数的不确定性明显降低,但是边坡失效概率受外界气温、 监测点位置及数据量值的影响会增大。     

基于混沌优化神经网络的砂土液化预测模型

针对砂土液化预测的非线性难题,在分析BP神经网络和混沌优化的各自优缺点的基础上,将混沌优化与梯度下降法相结合,构成了神经网络权值和阈值的一种新的组合优化算法(COBP),并将该组合优化算法用于砂土液化的预测建模.工程实例应用表明,该组合优化模型不仅搜索速度快,全局稳定性好,而且预测精度高,结果可靠,能达到工程应用的精度要求,为砂土液化的非线性预测提供了一种有效方法.     

粘滞阻尼减震结构抗震可靠度简化分析

通过设置粘滞阻尼器减小结构的地震反应是一种有效的被动控制方式,为与现行抗震设计水平相适应,减震结构和控制装置的设计也应该以可靠度为基础。本文结合粘滞阻尼减震结构的受力特性建立了此类耗能减震结构动力可靠度分析的实用简化计算方法。首先通过等价线性化方法,给出了层间三线型恢复力模型的等效平均刚度,粘滞阻尼器采用等效线性化的力学模型,建立了安装粘滞阻尼减震结构的等效线性随机分析模型。然后采用随机状态空间方法进行了粘滞阻尼减震结构的地震反应分析,基于层间变形失效准则和首次超越理论分析了粘滞阻尼减震结构的可靠度,并以粘滞流体阻尼器的变形超过其自身极限变形作为阻尼器的失效模式,讨论了粘滞阻尼器可靠度的计算。最后通过一个设置粘滞流体阻尼器的框架结构计算实例,说明了这种方法的运用。该方法可以作为一种实用的方法对振动控制结构在不同破坏状态下的抗震可靠度进行分析,为基于性能的抗震设计和优化提供参考。     

基于改进神经网络的恐怖袭击风险预警系统

为提高恐怖袭击应急管理的效率,设计了恐怖袭击的风险评估和预测系统。评估模型通过因子分析方法计算各类目标的相对风险指数,评估指标包含"威胁"、"脆弱性"、"后果"三大因素,具体数据从全球恐怖主义数据库(GTD)中进行采集。预测模型通过神经网络实现风险指数的预测,由于BP神经网络的梯度下降算法收敛较慢且易陷入局部最优点,因此利用遗传算法对神经网络的初始权值阈值进行优化,并提高预测精度。最后,对GTD数据库中的21类主要袭击目标进行算例分析,验证了该模型的可行性和准确性,同时还根据这些目标的风险指数进行原因分析和策略建议。     

南昌上软下硬地层中盾构施工地表沉降的BP神经网络预测方法

盾构施工引起的地表沉降的影响因素众多,给地表沉降的计算带来较大困难,而BP神经网络能较好地建立各个影响因素与地表沉降的非线性关系。为了能得到较准确的地表沉降值,采用Miscrosoft Visual C#和Matlab编制了BP神经网络预测软件。结合盾构施工过程中影响地表沉降的地层几何条件、地层参数以及施工参数,建立了BP神经网络模型,对盾构施工引起的地表沉降进行预测。将该预测模型应用于南昌地铁工程的上软下硬地层中,同时考虑了该地层掌子面泥质粉砂岩所占的比例,并对预测值与实测值的误差进行了对比分析。最终得到的预测结果与实际沉降值较一致,表明该BP神经网络模型可用于类似的工程实践。     

泥石流平均流速的MLS模型预测

泥石流的流速预测是泥石流灾害防治的核心问题之一。由于泥石流流速的影响因素众多,需要寻求能够综合反映泥石流流速影响因素的预测模型。移动最小二乘法(MLS)预测模型具有自学习和自组织及捕捉到影响因素数值微小变化的能力,可以解决泥石流流速预测存在的一些问题。采用云南蒋家沟泥石流流速实测数据作为训练样本和预测样本,以泥深、比降、密度、颗粒的平均粒径作为输入因子。讨论了用MLS方法进行泥石流平均流速预测的可行性与有效性,并将预测结果与经验公式、BP神经网络以及支持向量机进行了对比。结果表明,MLS方法的最大预测误差为4.6%,平均误差为2.7%,预测精度优于经验公式、BP神经网络及支持向量机方法。MLS方法可以为泥石流防治提供更准确的科学依据。     

土质边坡动力稳定可靠度计算方法研究

考虑爆破地震的时程效应,采用拟静力化的惯性力法,利用改进了的条分法来计算主动土压力,提出了土质边坡在爆破过程中的动力稳定性系数的计算方法,再用改进的JC法求出土坡最小稳定性系数和最小可靠度指标。实践证明,本方法是一种准确、实用的土坡稳定性计算方法。     

基于神经网络模型的房屋震害易损性估计方法

结构易损性分析是震害预测工作中的一个重要环节.本文提出了一种基于人工神经网络模型的房屋震害易损性估计方法,文中以多层砖房结构的建筑为例,给出了易损性估计神经网络模型的输入向量设计方案和具有输出约束控制的BP神经网络模型.     

基于ANSYS和JC法的滑坡抗滑桩结构可靠度分析

在深入分析可靠度指标的几何意义和JC法的基本原理的基础上,构造了滑坡抗滑桩结构的功能函数。分析了陕西省吴起县大路沟巨型黄土滑坡的工程地质条件,根据滑坡的工程地质勘察资料和滑坡治理工程的设计资料,建立了基于ANSYS的抗滑桩桩土体系有限元模型,经过自重作用下桩土结构数值的模拟,验证了该有限元模型的有效性。在此基础上,选取滑体土重度γ、滑面土内聚力C和内摩擦角、滑面以下土的压缩模量Es四个随机变量,建立了基于ANSYS软件和JC法的抗滑桩结构可靠度计算模型,并研制了相应算法,算例结果表明:基于ANSYS和JC法的抗滑桩结构的失效概率pf=0.49%,可靠度指标β=2.58,失效概率略大于蒙特卡洛(MCS)抽样算法结果和CCD响应面法(RSM)结果,但是基于ANSYS和JC法的效率最高,从而验证了该可靠度模型及算法的有效性。     

考虑软土蠕变效应的路基沉降有限元反演分析

提出了考虑软土蠕变效应的路基沉降有限元反演分析方法,通过Matlab语言将Abaqus有限元分析软件嵌入改进的鲸鱼算法中,实现了软土地层计算参数快速而又准确的获取。并采用修正的Drucker-Prager屈服准则模型与"时间硬化"蠕变法则耦合模型模拟考虑蠕变效应的路基土体的沉降变形情况。为了验证该方法的可靠性,构建了某跨越软土地区的高速公路路基有限元反演模型,模拟了整个施工期内路基的变形情况,结果表明,反演分析得到的路基变形情况与实测值有较高的一致性。另外,利用反演分析得到的计算参数预测了工后10年的路基与路面的沉降情况,为该公路的运行与管理提供很好的理论指导。     

粗集神经网络在煤与瓦斯突出预测中的应用

结合粗集理论的属性约简功能和人工神经网络的非线性映射特性,提出了煤与瓦斯突出的一种预测方法.首先用粗集理论对训练样本进行属性约简和降噪,然后将经过预处理的训练样本代入神经网络进行训练,获得稳定的网络结构,最后用训练好的神经网络对待测样本进行预测.实际应用表明:瓦斯压力、瓦斯放散速度、地质构造、煤的坚固性系数和开采深度是煤与瓦斯突出预测的必要指标;粗集神经网络模型具有较高的预测精度和良好的实用性,是一种十分有效的煤与瓦斯突出预测方法.     

基于相关向量机的蒋家沟泥石流平均流速预测模型

泥石流是我国常见的一种地质灾害,泥石流的平均流速是泥石流灾害防治的重要参数之一,准确的预测泥石流平均流速对灾害预防具有重要意义。本文建立基于相关向量机的蒋家沟泥石流平均流速预测模型,通过与蒋家沟泥石流平均流速的支持向量机、BP神经网络模型预测结果对比,验证该模型预测精度;同时采用平均相对误差和均方差2个指标评价各个模型的整体性能和稳定情况。结果表明,与实测值相比,相关向量机预测最大相对误差仅为2.02%,平均相对误差为0.64%,均方差为0.06,远低于BP神经网络模型和支持向量机模型的预测结果。由此可知,本文提出的基于相关向量机的蒋家沟泥石流平均流速预测模型效果明显优于其他2种模型,且预测结果更为准确,模型整体性能和稳定情况较好,为泥石流平均流速获取提供一条新途径。