川藏铁路桥隧施工安全风险评价

通过评估川藏铁路工程建设的施工风险等级,为高质量推进川藏铁路工程建设提供理论支撑。剖析了国内外学者关于风险评估研究的理论与方法,针对川藏铁路施工建设中的5座特大桥梁工程和9座超长隧道工程,分析了桥梁隧道建设工程的特征,构建了川藏铁路桥梁工程的17个安全风险评价指标体系和隧道工程的20个安全风险评价指标体系,通过建立基于模糊综合评价法的风险评估模型完成了对川藏铁路重点桥梁和隧道工程的风险评价,最后构造BP神经网络模型对风险评估结果进行验证,以川藏铁路部分重点桥梁工程评分数据和部分重点隧道工程评分数据为训练数据,以剩余评分结果为验证数据,预测桥梁和隧道工程的风险等级。结果表明:采用BP神经网络预测桥梁隧道工程安全风险等级的准确率高达98. 82%,BP神经网络对于该工程施工安全风险评价具有适用性;川藏铁路重点桥隧工程项目有50%处于较危险以上,只有20%的工程处于安全级别。     

基于神经网络理论的炼钢企业安全评价研究

介绍了神经网络的基本原理,对反向传播算法神经网络(Back Propagation Algorithm Neural Network,简称BP神经网络)模型结构和模型基本算法进行了研究,并在此基础上针对炼钢企业建立了基于神经网络理论的安全评价模型.通过将神经网络理论的安全评价方法与传统安全评价方法比较,说明了基于神经网络理论的炼钢企业安全评价方法是可行的.     

基于模糊神经网络方法的信息系统安全风险评价研究

为提高信息系统安全风险评价的准确性,提出基于模糊神经网络的信息系统安全风险评价模型。该模型利用模糊理论隶属度反映各因子的相对状态,对模糊性具有很高的识别精度。将风险因子模糊隶属度矩阵输入BP神经网络中,增加了它对模糊性的识别能力。通过非线性分析处理的BP神经网络进行学习和测试,得到输出风险评价等级。实例分析结果证明算法的应用性。误差分析结果证明了模型的有效性。检验结果表明,模糊神经网络模型的识别精度高于单一的模糊评价模型和神经网络模型。     

基于BP神经网络的非煤地下矿山安全评价模型

针对非煤地下矿山安全评价的复杂性和非线性特性,BP神经网络对非线性动态系统较强的适应性,提出并建立了一种基于BP神经网络的非煤地下矿山安全评价模型。为提高该模型的可靠性,结合非煤地下矿山生产工艺特点,提出了一套便于统计和赋值的安全评价指标体系;确定了BP神经网络结构和评价结果表征方法;为提高BP神经网络算法的收敛速度和稳定性,对标准BP算法进行有效改进;通过实例运算验证了该模型的可行性。基于BP神经网络的安全评价模型为评价非煤地下矿山安全管理现状及水平提供了可操作的方法,为矿山有关部门提供了科学安全管理的依据。     

风电运维人员行为安全预警指标体系构建与分析

为提高风电运维人员安全行为水平,在独立性、完备性、梯度性、可行性原则的前提下,从人因、机械设备、作业环境、监督管理、信息沟通5个方面建立行为安全预警指标体系,利用问卷调查法获取行为安全预警数据,基于果蝇优化算法(FOA)优化反向传播(BP)神经网络,建立“15-10-1”结构的行为安全预警模型,利用该模型训练测试问卷数据。结果表明：构建的行为安全预警指标体系是科学合理的,FOA-BP神经网络模型有较强的预警能力,能够预测风电运维人员的行为安全风险。测试后,模型能实现较好的预警效果。     

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。     

基于主成分分析和BP神经网络的综合安全评价模型

提出了基于主成分分析法和BP神经网络的综合安全评价模型.利用主成分分析法的数据降维功能对评价指标进行特征提取,选用合适的主成分作为神经网络的输入,构建网络拓扑结构.在建立多层次道路危险货物运输企业安全评价指标体系的基础上,采用MATLAB对企业安全现状进行实证仿真分析.结果表明,基于主成分分析法和BP神经网络的综合安全评价模型的评价结果优于其他评价模型.研究表明,本文得到的综合模型能够更加客观、准确地反映评价对象的实际情况.     

基于支持向量机的化工工艺安全评价模型构建及优化研究*

为解决现阶段基于风险分级的安全评价方法仍存在着高维数据处理不当、评价智能化程度不高等问题,创建支持向量机的安全评价模型,利用核函数解决安全评价因子分类问题,粒子群算法（PSO）寻找最适合模型的正则项C,进一步提升安全评价模型的正确率,形成适用高维数据的化工工艺安全评价方法。研究结果表明:该模型与经典支持向量机模型和BP神经网络评价模型相比具有更高的正确率,研究结果对借用机器学习来创新安全评价理论及工程应用具有现实意义及理论价值。     

深度置信网络算法在公路边坡工程安全评价中的运用

针对传统边坡工程安全评价方法无法对边坡稳定性进行符合实际情况下工程安全评价的问题,提出一种基于深度置信网络(Deep Belief Networks, DBN)算法的公路边坡工程安全评价方法。首先,使用MATLAB建立模型;然后,对基于DBN算法的边坡稳定性安全评价方法进行研究;最后,使用DBN算法在莆炎高速公路项目中进行公路边坡工程安全评价。结果显示：(1)与反向传播(Back Propagation, BP)神经网络相比,DBN模型得到的预测值误差更小,精度更高,计算复杂度更低、可扩展性更强;(2)在实际工程中,DBN算法能够有效地对众多非线性因素共同作用下的公路边坡进行符合实际的安全评价。     

基于PCA-BP融合的边坡稳定性评价模型

针对边坡岩土体物理力学性质复杂、边坡稳定性影响因素众多等特点,提出将主成分分析(PCA)和BP神经网络结合起来进行边坡稳定性评价的方法。若BP神经网络训练误差一定,则网络信息容量与样本数成正比。当样本数较少时,就必须减少样本维数,以达到较好的匹配效果,为此,引入主成分分析法(PCA)对影响边坡稳定的众多变量进行降维处理,以消除输入数据间的相关性,有效地减少预测模型的输入量,优化网络的输入节点数,提高网络的运行效率。针对BP算法容易落入局部最小、收敛速度慢等缺点,引入粒子群优化算法(PSO)优化神经网络的连接权重与阀值,从而克服了BP神经网络的固有缺陷。在此基础上,建立基于PSO优化算法的PCA-BP融合的边坡稳定性评价模型。模型分为3个层次,第一层次为输入层,即经过PCA分析之后获得的主成分;第二层次为隐含层;第三层次为输出层,即安全系数。应用该评价模型进行算例分析,结果表明,安全系数的模型计算值与参考值的绝对误差均很小,相对误差均控制在6%以内,吻合程度较高。     

基于BP网络的建筑安装施工现场安全综合评价的研究

针对目前我国建筑安装施工现场安全评价技术的不成熟和欠科学性的现状 ,笔者分析和综合了目前安全评价技术 ,结合建筑业特点 ,提出了基于BP神经网络的建筑安装施工现场安全评价方法 ,并对该评价模型的原理、方法及算法进行了研究。首先 ,结合建筑安装施工现场安全生产的特点建立评价指标体系 ,随后 ,运用层次分析法确定指标及准则层的权重 ,并运用模糊综合评价法生成评价样本集 ,最后 ,利用样本集训练BP网络 ,待误差满足要求后 ,即可运用训练成功的BP神经网络进行安全评价。     

基于遗传神经网络的化工企业安全评价

基于化工企业特点,建立了比较合理的安全评价指标结构,并构建了以遗传神经网络为基础的评价模型。通过建立训练样本,确定BP神经网络的网络结构,运用遗传算法（GA ）去优化BP网络的初始权值和阈值,再把优化之后的权值和阈值赋给BP神经网络,然后对其进行训练,训练完毕后将所建立的模型通过实例评价进行了验证,结果表明此模型在化工企业安全评价中具有较好的应用价值。     

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。     

特种设备模糊神经网络安全评价研究

根据特种设备的特点,提出了包含其各生命周期的安全评价指标体系,建立了模糊安全评价的评价因素及其权重,建立了评价模型.应用BP神经网络,建立了特种设备安全评价的模糊神经网络模型,通过神经网络的多次学习训练,评价因素权重得到优化.开发了特种设备模糊神经安全评价系统,以塔机为例对评价因素权重进行了优化.     

铁路行车事故预测方法分析与比较

对铁路行车事故的特点和类型进行分析;根据美国铁路2005年安全年报提供的数据,运用灰色系统理论和BP神经网络方法建立铁路行车事故的预测模型;利用MATLAB软件进行预测仿真,比较和分析两种预测方法的精度及特点。结果表明:灰色系统理论预测结果固定,短期效果比较好;BP神经网络预测具有适应性和灵活性,适用于长期预测。采用灰色系统理论和BP神经网络进行铁路行车事故的预测,克服了传统数学统计预测方法中建立复杂的数学模型,预测准确性低的缺点,对预防和控制铁路事故的发生,降低事故损失具有现实意义。     

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IPSO-LSTM的新能源汽车锂电池健康状态监测

为监测新能源汽车锂电池的健康状态(SOH),防范电池故障引发安全事故风险,提出改进粒子群算法(IPSO)和长短期记忆(LSTM)神经网络相结合的模型,监测锂电池的SOH。首先,采用Spearman相关性分析法,提取锂电池SOH监测的健康因子;其次,采用线性惯性权重和非对称学习因子改进传统粒子群算法(PSO),利用IPSO算法对LSTM模型的隐含层神经元个数、神经元失活率、批处理值进行关键参数寻优,进一步优化LSTM模型,建立IPSO-LSTM锂电池SOH监测模型;最后,以新能源汽车主流采用的18650锂电池数据集验证IPSO-LSTM模型,并对比分析BP、LSTM和PSO-LSTM这3种模型。结果表明：IPSO-LSTM模型的平均绝对误差(MAE)在0.02以内、均方根误差(RMSE)在0.03以内,监测误差在15%以内,相较于BP、LSTM、PSO-LSTM模型,IPSO-LSTM模型的误差指标值均最小,模型具有更高的精度和稳定性。     

货运网络风险决策的变分不等式模型及算法

以往的货运网络均衡研究注重参与者之间的利润均衡,缺少对运输安全风险因子规律的分析.针对这一问题,考虑运输安全风险成本,对托运人、承运人和运输管理者3个参与者的运营收益进行分析,提出了道路货运网络均衡的变分不等式模型,通过变步长投影算法完成优化模型的求解和验证.最后,通过使用模拟数据集揭示道路货运安全风险发生的主要规律.结果表明,该方法能有效找到运输网络利润与安全风险的均衡点.     

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....     

基于神经网络和遗传算法的城市火灾风险评价模型

以消防安全工程学与系统安全工程理论为基础,结合我国城市发展特征及消防安全管理状况,建立了城市区域火灾风险评价指标体系;针对神经网络易陷入局部极小而引起评价指标权值分布不合理的缺陷,提出了基于神经网络和遗传算法的城市火灾风险评价模型,该模型以火灾发生的可能性以及灾后的严重程度为输入单元,火灾风险等级为输出单元,采用误差反算法训练BP网络,最终得出火灾风险等级范围,有效地解决了城市火灾的动态性和非线性特征;研究实例证明了该模型的有效性,可为城市的消防安全管理提供确实可行的参考依据。