三峡库区场地建筑安全评价研究

三峡水库自 2 0 0 3年蓄水后 ,水对斜坡 (滑坡 )的软化作用和库岸再造大大改变了库区的工程地质条件 ,库区的地质灾害严重制约了库区移民迁镇工程 ,场地建筑安全评价显得尤为重要。笔者根据库区工程地质的特点 ,提出了场地建筑适宜性评价的指标体系 ,建立了场地建筑安全评价人工神经网络模型。通过对红石包滑坡进行各种工况下的稳定性评价 ,利用稳态坡形、坡角工程地质类比法对红石包进行库岸再造的预测 ,对三峡库区巴东县新城区红石包油库建筑进行安全评价。为库区移民迁镇工作提供科学依据。     

应用人工神经网络方法对海水入侵危害程度划区分类

本文将目前信息处理系统中最有效的人工神经网络方法,应用于海水入侵地区,对其危害程度进行划区分类,提出了解题原理,步骤和计算方法,丰富了对海水入侵现象的研究手段。在莱州市滨海地区的计算表明,该方法是可行的。     

基于人工神经网络的矿井通风系统评价研究

以矿井通风系统的“安全可靠、经济合理”和其定义所包含的各项内容为依据,从矿井通风动力、通风网络、通风设施、通风质量、通风监测、防灾抗灾能力、通风电耗、通风能力8个方面,确立了16项矿井通风系统评价指标,建立了一个新的矿井通风系统评价指标体系。采用人工神经网络中的BP网络算法,在VisualC++6.0平台上研制开发了矿井通风系统评价BP网络模型的计算机程序。并经过实际生产矿井检验,预测结果与实际完全吻合,说明了笔者所确定的矿井通风系统评价指标体系可以反映矿井通风系统的状况,所采用的BP网络算法正确,可以用来指导实际工作。该计算程序简单,易于操作,有一定的推广应用价值。     

人工神经网络在大气环境质量评价中的应用

针对大气环境中的数据监测与模式识别问题,应用人工神经网络理论,在自然环境大气腐蚀试验网站建立大气环境质量B-P网络评价模型。江津试验站成功地应用了该模型。通过1996-2000年大气环境质量评价结果表明,人工神经网络用于大气环境质量评价的方法是一种新方法,也是一种可行的方法。     

人工神经网络在电法勘探数据反演中的应用研究综述

首先对神经网络算法的基本原理进行简述,梳理目前电法勘探反演中常用的神经网络方法,评述人工神经网络算法在电法勘探资料解释中的应用效果,并进行各主流神经网络方法优缺点的对比分析;最后探讨了非线性组合反演方法的优势,并展望了电法勘探数据非线性反演的发展趋势,为选择不同算法进行电法勘探数据反演提供借鉴。其中,BP神经网络具有高度的自学习和自适应能力;遗传算法易与其他算法结合;卷积神经网络可以实现权值共享;粒子群算法收敛速度快。每种方法各具特色,神经网络组合反演,可优势互补,增强反演效果,提升计算效率。     

用微生物群落评价水系的自组织人工神经网络方法

利用原生物群落在PFU上群集过程中的变化,可以评价水质和监测水污染,运用T．Kohonen自组织人工神经网络模型,根据NacArthur－Wilson平衡模型提出了3个功能参数和另外2个结构参数,对常德市16个站四季的水质进行了分析,建立了水质污染程度预测的计算机智能专家系统,预测成功率达100％。     

水利水电工程环境影响综合评价的人工神经网络专家系统

在分级加权评价模型层次结构体系基础上,以三峡工程为背景,应用人工神经网络技术,建立了一个水利水电工程环境影响综合评价的人工神经网络专家系统,该专家系统的知识获取和存贮方式与普通专家系统不同,具有较高的推理效率,较强的容错、自适应和自我更新能力。      

BP及RBF人工神经元网络对臭氧生物活性炭水处理系统建模的比较

运用BP和RBF人工神经元网络建立臭氧生物活性炭系统模型,考察了两个网络对水处理系统建模的适应性。研究表明,BP和RBF人工神经元网络的臭氧生物活性炭系统模型准确地描述了系统影响因素的关系,可以求出系统中臭氧的经济投量;用BP人工神经元网络建立水处理系统模型,泛化能力好,但逼近速度较慢;运用RBF人工神经元网络建模,泛化能力较差,但逼近速度快。该项研究克服了运用传统方法建模的不足,为实现水处理系统的优化设计提供了可行的途径。     

应急状态下矿井瓦斯爆炸致灾因子传播快速分类器研究*

为了在矿井瓦斯爆炸灾变发生后,快速确定瓦斯爆炸冲击波的压力、温度、有毒有害气体等致灾因子在井巷网络中的传播情况。利用CFD数值模拟或爆炸实验获得瓦斯爆炸冲击波的压力、温度、有毒有害气体等致灾因子传播大数据,将影响瓦斯爆炸传播的因素以及观测点等参数作为人工神经网络的输入节点,压力、温度等致灾因子作为输出节点,建立瓦斯爆炸致灾因子传播快速预测机器学习模型,解决CFD数值模拟的建模、计算及数据分析处理等过程耗时大、不适应灾变应急的快速响应等问题。研究结果表明:在给定爆炸位置和爆炸当量的均直巷道,获得任一点的爆炸冲击波压力、温度以及有毒有害气体所需时间是瞬时的,人工神经网络平均训练误差为6.92 %,有训练样本的验证误差为5.24 %,无训练样本的验证误差为6.88 %。