遗传神经网络在煤层自燃预测中的应用

煤层开采自燃危险性程度与许多影响因素之间存在着复杂的非线性关系，利用人工神经网络技术和人工生命学中的遗传算法，建立了预测模型，不但很好地解决了该问题，同时也大大提高了运算速度。     

基于BP神经网络的铅酸蓄电池厂地下水重金属浓度预测

将BP神经网络应用到铅酸蓄电池厂地下水的重金属浓度预测中,探讨了预测因子的选取、隐藏层节点数的选取、模型的建立等问题,得出:该模型是以p H、高锰酸盐指数、硫酸盐作为网络的输入层,重金属铅(Pb)、镉(Cd)、砷(As)作为网络的输出层,BP神经网络隐藏层的传递函数为tansig,隐藏层节点数为8,输出层的传递函数为purelin,输出层节点数为3。结果显示:Pb、Cd、As的预测值和监测值相关系数分别为0.991、0.990、0.998,表明该模型具有较好的预测精度,模拟出的重金属浓度与实测值能较好地吻合。总之,BP神经网络预测铅酸蓄电池厂地下水的重金属浓度是切实可行的。     

基于遥感技术的贵州省PM10浓度年际变化监测与分析研究

文章选取MODIS数据,利用暗像元算法反演得到气溶胶光学厚度,利用BP神经网络算法通过网络训练和验证,得出PM10浓度遥感监测模型。利用该模型反演得到贵州省2014年3、7、10、12四个典型月份的PM10浓度值。结果表明模型训练和验证PM10浓度模拟值与实测值相关性系数（r）分别为0.76和0.62,利用此模型监测贵州省PM10近地面浓度是可行的;贵州省夏、秋季PM10浓度较低,春、冬季PM10浓度较高;贵州省的PM10浓度整体较低,空气质量较好。     

城市燃气管网脆弱性评价及其应用

为研究城市燃气管网系统的本质安全性,提出了适用于城市燃气管网系统的脆弱性概念及脆弱性研究思路。根据城市燃气管网自身的行业特点与实地调研结果,从物理、结构和社会功能3个角度出发,建立了城市燃气管网脆弱性指标体系及等级标准。然后通过MATLAB R2010a的BP神经网络方法分别训练"敏感性程度"和"自身应对能力"网络模型,并构建脆弱性的函数模型。最后将城市燃气管网脆弱性等级划分为5个,用于评价城市燃气管网的脆弱性程度。训练得到的网络模型的均方差均小于0.05,结果表明,训练得到的网络模型效果良好,具有较强的泛化能力,且能够方便地用于评价未知样本,得到研究区域的燃气管网脆弱性等级值为0.91,研究区域的燃气管网脆弱性被评定为"不脆弱"。     

基于多传感器融合的林火监测

为了提高近距离火灾监测的准确率,建立了基于Arduino平台的多传感器实时监测系统.此系统安装在移动机器人身上以探测火灾.在林火发生期间,会产生CO、C02明火火焰及其他产物,并引起周围环境温度的升高.因此,选择合适的传感器,检测出以上参数,就有可能据此判断实际环境是否有火.通过在Arduino上搭建火焰传感器、温度传感器、气体传感器和烟雾传感器,可以实时监测环境参数.在无火和有火环境中进行了多次试验,进行数据采集,得到了大量原始数据.无火环境的数据是在不同的天气条件下测得的;有火环境由试验火堆模拟得到.在模拟的过程中,进行人为操作以模拟不同的火情.如通过浇湿底部的可燃物模拟预热阶段,试验数据因此更有代表性.数据分析表明,单个传感器的输出值波动大,且在有火环境和无火环境中的输出值有重叠.因此,用单一传感器来检测火灾的准确率很低.而同时分析3个传感器的输出值时,其输出值随所检测火堆的不同呈现出一致的变化规律.最后,利用神经网络进行多传感器数据融合.涉及5个输入变量,由神经网络实现对多变量的非线性问题进行模式识别.将前述试验所得数据划分为训练数据和测试数据,两类数据均包含一定比例的有火样本和无火样本.用训练数据对BP神经网络进行训练,可得到林火识别模型.用测试数据检验模型,结果表明,该BP神经网络对试验火的识别准确率为98.625％.     

基于Faster R-CNN的海底管道智能检测方法

为提高海底管道缺陷及组件的检测精度并实现智能化海底管道安全检测,提出一种基于快速区域卷积神经网络(Faster R-CNN)的海底管道智能检测方法。首先,通过基值校正和分段映射-伪彩色化方法,将漏磁检测信号转化为伪彩色图,以增强漏磁信号的关键特征;其次,基于多模态数据增强来提升检测模型的泛化能力;然后,基于多模态数据增强后的样本训练改进的Faster R-CNN网络,建立最优的智能检测模型;最后,以试验场和渤海在役管道为例,验证所提方法的有效性。结果表明：所提方法的平均检测精度可达93.8%,相较原始的Faster R-CNN算法提高8%,且平均交并比达到0.75,能够精准地实现海底油气管道多目标检测,保障海底管道的安全运行。     

应用BP神经网络进行隧道围岩快速分级

在隧道施工过程中,为准确、及时地进行围岩快速分级,引入BP神经网络方法,通过制定快速分级参数标准,对已经开挖的隧道工作面按照隧道围岩分级规范进行分级,并测量其快速分级参数,将围岩分级的结果与其对应的快速分级参数建立BP神经网络的训练集合,从而得到围岩分级模型。最后测量正在开挖隧道工作面的快速分级参数,并提供给模型进行判别,从而达到快速、精确分级目的。通过某隧道围岩样品实例验证,该模型判断结果与实际施工情况吻合,可用于指导施工阶段的隧道围岩快速分级。     

BP网络算法需水量预测模型的应用

由于水资源的日渐减少,尤其是水资源短缺的地区,水资源规划与管理显得尤为重要。需水量预测是进行水资源规划与管理的重要技术,合理且准确地预测未来的需水量,可以避免投资的浪费和减少将来用水危机的发生。本文采用BP神经网络,利用烟台市与需水量相关关系比较好的影响因子对需水量进行预测,结果表明,预测值与实测值相差较小,且BP神经网络用于需水量预测具有一定的可行性。     

基于BP和RBFNN的神经网络算法在瓦斯预测中的应用及比较

煤与瓦斯突出是目前导致井下事故的直接原因，及时准确地预测瓦斯突出情况，对于保障井下安全生产有着十分重要地意义。神经网络有良好地自学习和自感应能力。文中将BP算法和基于径向基函数的递归正交最小二乘算法应用于瓦斯预测中，同时比较了两种算法的优点及缺点。仿真测试结果表明，径向基函数神经网络在瓦斯预测中有着更好的实用性。