基于差异进化算法的前馈神经网络在大坝变形监测中的应用

针对当前大坝安全监测中广泛采用的回归模型欠拟合的不足,提出了基于差异进化算法的前馈神经网络模型。差异进化算法是基于种群策略的全局优化搜索算法,具有应用简单、收敛快的优点。采用该法训练的神经网络可以有效避免常规BP(back propagation)神经网络收敛于局部极小点的缺陷。将提出的方法应用于某拱坝的变形监测,通过计算表明,应用DE(differential evotntion)神经网络模型预报大坝变形的精度比常规回归模型和BP神经网络模型均有所提高。     

基于PSONN的大坝监控实时预报模型

将粒子群算法（PSO）引入大坝监测领域,提出一种基于粒子群神经网络（PSONN）的大坝监控预报模型。该模型充分发挥PSO的全局寻优能力和BP神经网络局部细致搜索优势,给BP神经网络提供了良好的初始权值。对逐一粒子群（SPSONN）、整体粒子群（WPSONN）、逐一BP（SBPNN）及整体BP（WBPNN）4种预报模型的对比分析表明：逐一预报模型（SPSONN和SBPNN）的预报精度明显高于对应的整体预报模型（WPSONN和WBPNN）的预报精度;与BP神经网络模型相比,PSONN模型不仅收敛速度明显加快,而且预报精度也有较大提高,尤其是SPSONN模型,其高精度和短历时性完全满足实时预报的需要,可以准确、有效地应用于大坝监测量的实时预报。     

基于人工神经网络的大坝变形分析与预报——以西津大坝27~#点的变形监测为例

以MATLAB语言为基础,应用BP神经网络、逐步回归分析进行西津大坝27#点的变形分析与预报研究.在此基础上,进一步提出了逐步回归BP神经网络组合的预报方法,并探讨了3种方法的预报结果.研究表明,BP神经网络用于大坝变形分析与预报是可行的,所提出的逐步回归BP神经网络组合法提高了变形影响因子选择的科学性,在预报效果上,优于前两种方法.     

基于遗传神经网络的渗流实时预报方法研究

考虑渗流的主要影响因子,运用遗传神经网络建立了大坝渗流实时预报模型。该模型具有再学习能力,在应用过程中,可以用新的观测资料对模型不断地进行学习训练,且随着样本的积累,模型预报精度不断提高,预报速度很快,因而完全满足实时预报的需要。利用该模型对丰满大坝横向扬压力进行了建模预报,预报值与实测值基本吻合,预测精度高,证明该方法用于大坝渗流实时预报的有效性和实用性。     

大坝安全诊断的混沌优化神经网络模型

为了提高大坝变形的预测精度,采用小波变换和分形理论对大坝位移观测数据的非线性动力学特性进行了分析,揭示了其具有低维混沌动力特性,这为大坝变形预测模型的建立提供了理论依据和先验知识。基于低维混沌动力特性,设计了能捕获大坝位移观测数据全局动力特性,兼具神经网络模型结构优化和动力机制时新的混沌优化神经网络大坝变形预测模型。在工程实例中,由多个度量指标组成量化评价体系,对模型预测性能进行综合评价,结果表明,所建模型比传统BP神经网络和ARMA模型具有更高的预测精度。     

隧道掘进爆破地震峰值神经网络预报研究

结合某抽水蓄能电站尾水隧道掘进爆破地面振动监测结果,建立了基于BP神经网络隧道掘进爆破振动速度峰值的预报模型。并对铁路运输安全进行预报,与现场实际较好地吻合。将神经网络模型预报的结果与传统方法(经验公式法)预报的结果相比,前者的预报结果有明显的改善。对于指导隧道掘进爆破设计,优化爆破参数,确保安全具有重要的意义。     

大坝变形预测的ANFIS模型

大坝变形预报时,存在影响因素多且各因素之间的相互关系复杂,常规的变形预测方法难以满足大坝安全监控的要求。自适应神经模糊系统(ANFIS)兼备神经网络的自学习、自适应能力,以及模糊系统良好的知识表达性能。在系统分析大坝变形主要影响因素的基础上,以水库库水位、温度及时间效应为影响因子,建立基于自适应模糊神经系统的大坝变形预测模型,并以三峡二期围堰为例进行实证分析。研究表明,该模型计算简便,适用性强,精度高,为大坝变形预报提供了新的思路。     

RBFNN模型在渗透系数反演中的应用

针对经典的BP网络存在的一些缺陷,采用了径向基函数神经网络（RBFNN）。在相同的收敛条件下,用RBFNN和经典算法的BP网络进行了比较,表明前者具有优越性。在工程实例中,基于人工神经网络的非线性特点,在三维渗流有限元的基础上,利用RBFNN反演了大坝的渗透系数。并利用反演结果进行渗流场分析,水头预报值也有很高的精度,说明反演结果是正确的,从而,验证了RBFNN应用于反演分析中的可靠性。     

基于模拟退火的Gauss-Newton算法的神经网络在渗流反分析中的应用

提出了模拟退火的Gauss-Newton算法的神经网络,克服了经典BP网络存在的一些缺陷。并以正弦函数的迭代收敛为例,证明了该方法的正确性,有效性和优越性。同时将该方法用于同乐坪大坝的渗流反分析,利用反演出的渗透系数进行渗流场计算。得到的水头预报值与观测值相吻合,可知反演结果是正确的,说明该方法用于实践工程的渗流参数识别是可行的。     

基于互信息量与BP神经网络的中长期径流预报方法研究

针对中长期径流预报因子的选择问题,采用互信息量方法筛选预报模型输入因子,在BP神经网络模型中,分别用均方误差和互信息量作为目标函数,衡量因子复合相关关系,优化选择最终预报因子并应用于碧流河汛期径流预报中。结果表明,基于互信息量筛选的预报因子与BP神经网络模型相结合,可有效识别多个预报因子与预报量间的复合相关性,对中长期径流预报因子的选择有很好参考价值。     

基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。     

典型降水预报ANN多指标优选——以太湖湖西区为例

为提高多种典型人工神经网络应用于降水预报的精度与稳定性并做出优选,对太湖流域湖西区丹徒、丹阳、金坛、溧阳、宜兴5站的年降水量时间序列建立基于组成成分分析的人工神经网络模型,并通过平均相对误差、平均绝对误差、均方根误差及合格率4项评价指标对比分析预报效果。该模型采用Mann-Kendall法、秩和检验法、谱分析法进行组成成分分析;建立BP网络、小波神经网络、RBF网络、GRNN网络及Elman网络模拟并预测随机成分,与确定性成分叠加得年降水量预报结果。在湖西区的研究结果表明,基于组成成分分析的人工神经网络模型的拟合及预测精度高于原始人工神经网络和线性自回归模型,GRNN网络的预测精度与稳定性高于其他4类神经网络。     

遗传神经网络测井解释技术在宝北区块的应用初探

将遗传算法与人工神经网络(BP网络)的原理结合,对BP网络进行了改进,提高了收敛速度,并防止陷入局部极小。应用改进后的BP算法,建立了针对测井解释的神经网络模型,并应用此模型定量计算了宝北区块的多口井的渗透率值,其解释结果及精度均令人满意。     

岩石本构模型智能辨识方法研究

岩石本构模型是研究岩石力学特征和变形机制的基础,而本构模型或模型中相关参数的识别是本构模型研究中的热点和难点问题。本文基于红板岩室内力学实验数据,分别利用遗传算法、BP神经网络以及遗传规划对红板岩本构模型进行了模式识别,结果表明,遗传算法进行参数识别需要事先假定流变模型的形式,误差较大,而BP神经网络和遗传规划可以一次性同时确定流变模型的结构形式及参数,有效避免模型假定所带来的误差。而遗传规划与BP神经网络相比,具有精度高、收敛快,可视化程度高等特点,为岩石本构参数及模型的智能识别方法的选取提供参考。     

巷道围岩参数的人工神经网络预测

应用人工智能方法解决地下工程问题,提出了预测巷道围岩参数的人工神经网络预测法,构造了预测围岩参数的神经网络模型。预测结果证明,该模型具有很高的预测精度。提出的方法有一定的实用价值和参考价值。     

基于ABC-GRNN组合模型的露天矿边坡变形预测

准确预测露天矿边坡变形是有效实现边坡临灾预警的重要保证,针对传统边坡变形预测方法无法表征和综合分析边坡变形受多种因素的影响,提出一种露天矿边坡变形的人工蜂群(ABC)算法优化广义回归网络(GRNN)组合预测模型(ABC-GRNN)。在此预测模型中,综合考虑了影响露天矿边坡变形的5个因素：开采扰动、降雨量、降雨持续时间、温度以及湿度。以山西中煤平朔安家岭露天矿为例,通过遗传算法改进BP神经网络(GA-BPNN)、支持向量机(SVM)等人工智能算法与实测变形数据进行预测效果对比分析。结果表明：ABC算法能够快速帮助GRNN寻优获取合适的传递参数,并对变形进行有效的预测。ABC-GRNN组合预测模型,将预测结果的平均绝对误差292.9 mm、平均绝对百分比误差0.691 3%及均方根误差338.9 mm分别降低到25 mm、0.043 3%和29.5 mm,说明该模型具有更高的预测精度;ABC-GRNN模型比其他模型收敛速度快,只经过7步的迭代,即可得到最小的均方误差。与其他预测模型相比较,本文模型的预测精度更高、泛化能力更强、收敛速度更快,有较高的实用价值。