基于WOA-BP算法的海底管道腐蚀速率预测

管道腐蚀速率的影响因素众多且各因素协同作用,构成异常复杂的腐蚀体系,很难对其进行准确预测。针对单一BP模型由于初始权值和阈值的选取不当容易陷入局部最优等问题,引入WOA算法优化BP神经网络对海底管道腐蚀速率进行预测,并与GA和PSO算法优化BP预测模型进行对比,验证WOA-BP模型的预测效果和可行性。结果表明：WOA-BP模型的平均绝对百分误差和均方根误差分别为3.689%和0.1537,远低于单一BP、PSO-BP、GA-BP模型,具有较高的预测精度和稳定性,可以为海底管道内腐蚀防护和油气管道流动保障提供决策支持。     

基于遗传算法和BP神经网络的海洋工程材料腐蚀预测研究

为提高海洋工程材料腐蚀速率预测的精度,提出了一种基于遗传算法（GA）优化反向传播（Back Propagation,BP）神经网络的海洋工程材料海洋环境腐蚀速率预测模型。通过遗传算法对BP神经网络的权值和阈值进行优化,利用优化后的BP神经网络对试验数据进行预测。GA-BP模型选取具有代表性的2Cr1312不锈钢、Q235B碳钢和6082铝合金三种基本海洋工程材料数据进行试验,预测结果误差小于传统BP神经网络,并且在网络训练时间上有所缩短,预测精度上有所提高。本模型在海洋工程材料于海洋环境中腐蚀速率的实际预测中具有良好的推广价值。     

BP神经网络精度估计及其在海洋油气资源预测中的应用

在对BP算法进行深入分析的基础上,将测量数据处理与误差理论中的精度评定方法应用到BP神经网络的精度估计中,通过分别计算BP神经网络学习训练过程及预测过程的输出层中误差,实现对神经网络模型的精度评定。最后以海洋油气资源预测为例,结合实测资料建立了BP神经网络预测模型并分别进行了学习训练过程及预测过程的精度评定,以期为神经网络模型结构的优化设计提供有效参考,为提高神经网络模型的适用性提供科学依据。     

基于改进神经网络的板桩结构可靠性分析

板桩码头是港口工程的一种常用结构,计算其可靠度指标对港口工程的安全意义重大。由于板桩结构的设计计算复杂,功能函数表达难度较大。Monte-Carlo法是解决此类问题的一种方法,但需要大量的抽样与数值计算,很不经济。人工神经网络模型可以用来逼近功能函数,在此基础上可平行地建立一次二阶矩法进行可靠度分析。但传统的BP神经网络模型有着容易陷入局部极小及预测精度低等问题。针对上述问题,引入Adaboost算法来改进BP神经网络模型,提出一种基于Adaboost的BP神经网络法来计算板桩结构的可靠度。以天津某板桩码头为例,采用新方法对板桩结构进行可靠度分析,并将计算结果与传统BP神经网络法及Monte Carlo法进行比较。结果表明:新方法的计算精度高于传统BP神经网络法,且计算结果与Monte Carlo法接近。     

基于灵敏度分析的海洋油气资源BP神经网络预测模型的优化

作者针对BP神经网络结构设计中存在的问题,提出利用灵敏度分析方法对BP神经网络预测模型进行优化。通过BP算法与参数灵敏度分析的结合,寻找网络输入属性与输出属性之间的影响因子;在保证精度的前提下优选网络输入属性,简化网络结构,以增强网络的泛化能力,减少人为主观因素对网络设计的影响。最后以海洋油气资源预测为例,结合实测资料建立BP神经网络预测模型并进行了优化及预测精度评价,表明优化后的模型既能有效提高油气资源预测结果的稳定性,又不损失预测精度。     

基于改进BP神经网络的海底底质分类

通过采用遗传算法优化神经网络初始权值的方法,将GA算法与BP神经网络有机结合,应用于海底底质分类。基于多波束测深系统获取的反向散射强度数据,应用改进的BP神经网络分类方法,实现对海底基岩、砾石、砂、细砂和泥等底质类型的快速、准确识别。通过实验比较,GA-BP神经网络分类精度明显高于BP神经网络,证明了该方法的有效性和可靠性。     

BP神经网络在海洋平台桩基轴向承载力中的应用研究

目前海洋石油导管架平台桩基础的轴向极限承载力常用的设计方法为API RP2A(美国石油协会)和静力触探(CPT)的方法.在这两种方法的基础上,提出了用BP神经网络模型对桩的轴向极限承载力进行计算的思路,能够有效地预测桩的轴向极限承载力.根据BP神经网络算法具有较强的非线性映射能力和学习功能的特点,通过对影响单桩极限承载力因素的分析,依据静力触探资料建立了基于BP神经网络的单桩轴向极限承载力预测模型.通过利用API RP2A方法分析成果对该模型进行学习训练和预测检验,证明了预测模型性能良好、具有较高的精度和收敛速度快等特点,验证了神经网络方法的可行性,预测结果能够指导桩基础设计,缩短周期.因而具有较大的工程实用价值.     

基于BP神经网络的天然气水合物相平衡计算及预测

针对天然气水合物相平衡问题,文中提出用基于带动量因子的BP神经网络进行计算和预测。首先用遗传算法优化确定BP神经网络的结构和参数,得到最优化结构的神经网络;其次结合Levenberg-Marquart优化算法,建立天然气水合物相平衡计算及预测的神经网络模型;最后以实验测定的(CH4 CO2 H2S)三元酸性天然气水合物体系的平衡数据为训练和预测样本进行了计算。计算表明,预测结果与实验数据有良好的一致性,而且由于BP神经网络作为所谓的“纯粹”的算法不需要热力学模型,这对于相平衡计算是非常方便的,所以是研究天然气水合物相平衡计算及预测的一种新的有效方法。     

基于EMD的BP神经网络海水温度时间序列预测研究

为提高非线性和非平稳海水温度时间序列的预测能力,提出了一种基于经验模态分解(Empirical Mode Decomposition.简称EMD)的BP神经网络预测方法.该方法首先对原始序列进行经验模态分解,将其分解为多个平稳性得到很大改善的本征模态函数(Intrinsic Mode Function,简称IMF)之和,然后时每个本征模态函数进行预测,最后再根据EMD方法的完备性把预测结果相加得出原始序列的预测结果.预测试验结果表明.基于EMD的BP神经网络预测的精度比单纯用BP神经网络预测有很大提高.     

人工神经网络在台风风暴潮模拟中的解释应用

将BP人工神经网络引入到风暴潮数值预报的解释应用中,并以惠州站为例,根据台风参数与增水的关系建立3套神经网络模型,对风暴潮的数值预报结果进行订正,计算结果显示:BP人工神经网络可以改进风暴潮数值模式的预报精度,可以作为惠州站数值预报结果解释应用的一种方法,同时也为台风风暴潮数值预测的解释应用提供了新思路。     

基于BP神经网络的变形三体船布局优化研究

针对以DTMB5415为基础船型提出的高速可变形三体船,以CFD软件计算结果为样本值,利用BP神经网络方法对三体船静水阻力进行多次训练,在保证精度的基础上模拟预测了多组不同航速、不同布局下的单位排水量阻力值,从而得出了随航速变化下该船型可调节的适航布局。BP神经网络法较之传统CFD计算不仅能极大的缩短计算时间,而且能快速可靠的搜索到任意航速下能耗最小的布局,打破了CFD方法必须通过限定布局和航速求得阻力值来进行比较的固有模式,真正实现了三体船"可变形"的优势,工程适用性强,为计算机辅助三体船布局优化研究提供了一种新思路。     

海洋环境中平台钢腐蚀速率的三层BP 神经网络预测

利用三层BP神经网络预测海洋环境因素对材料的腐蚀速率的影响。结合实测的pH值、温度、溶解氧、盐度、生物附着等影响因素,分析了上述环境因素对平台钢腐蚀的影响,建立环境因素与腐蚀速率之间的映射关系,预测了平台钢在海洋环境中的腐蚀速率。结果表明,全浸区腐蚀速率预测误差为6.95%,潮差带腐蚀速率预测误差为4.2%,预测精度较高。说明利用三层BP神经网络预测钢在海水中腐蚀速率技术可行,具有较高的预测精度和应用价值。     

PSO-BP网络算法在运动要素解算中的应用

为了改善被测目标运动要素计算精度,提出了采用 PSO-BP 神经网络算法作为运动要素解算的方程。 该算法将粒子群算法作为 BP 神经网络的学习算法,提高 BP 网络的全局收敛性和收敛速度,将观测到的运动目标参数作为 PSO-BP 神经网络的输入,并将运动目标的方位作为主要输出量,将运动目标的方位值与误差期望值进行比较并作为 PSO 的输入修改 BP 网络权值,进而得到高精度 BP 神经网络。 对该算法进行仿真计算,结果表明:基于该算法的运动目标运动要素解算,尤其是运动方位的解算器精度可以达到 0. 128°,提高了运动要素解算的精度和速度。     

基于GPOS-BP神经网络模型的潮汐预报

为了提高预报潮汐的精度,提出了一种遗传算法(GA)与粒子群算法(PSO)结合的神经网络仿真模型进行潮汐预测,及引入遗传算法变异操作提升粒子群算法的寻优的性能,改善BP神经网络阈值和权值选取敏感、易陷入局部极小值的缺点。然后利用本文算法与调和分析法对潮汐进行非天文潮预报和天文潮预报。最后对Alexandria港口的实测潮汐数据仿真预测,实验结果验证了该方法的可行性与可靠性,且具有较高的预报精度。     

基于主成分分析的BP神经网络模型的形变预测方法

主成分分析可以提取形变主要信息,BP神经网络具有很强的预测功能,提出将两者相结合用于形变监测数据处理。通过MATLAB编程实现了该算法,并用实测数据进行验证,证明此方法能够提高预测数据的精度和可靠性。结果表明：与其他方法相比,基于主成分分析的改进BP神经网络能取得更好的预测效果。     

BP神经网络在构建声速场中的应用研究

利用BP神经网络,探讨建立某测深区域三维声速场的数学模型,实现了声速剖面的拟合与预测,声速剖面误差为厘米级,此外分析计算证明声速剖面误差带给单波束测深的影响满足测量精度要求,在波束角小于70°时多波束测深的精度也能够达到测量精度的要求。     

人工神经网络在凡纳滨对虾养殖水质预测中的应用研究

以BP神经网络为基础,建立了凡纳滨对虾养殖水质预测模型。采用3层结构,通过灵敏度分析得到网络的输入变量,在确定了模型的各结构参数后,建立了凡纳滨对虾养殖水质预测模型,并根据整个对虾养殖周期内的水质监测数据对模型进行了训练和仿真。结果显示,水质的实测值与预测值之间的相关系数为0.991 8,预测误差率结果显示,最大误差率为4.37%,最小误差率为0.12%,平均误差率为1.20%,总体预测结果较好。BP神经网络能够以较高精度预测养殖水质状况,为水质恶化的早期预报提供了有效途径。     

基于决策树与二分分割算法的BP神经网络在赤潮等级预测中的应用研究

针对赤潮灾害等级预测难的现状,提出了一种基于C4.5决策树与二分分割算法优化的BP(反向传播)神经网络赤潮等级预测模型。该模型针对传统BP神经网络输入参数难以选择和隐含层节点数量难以确定的问题,通过决策树分类获取最优的属性组合,来解决输入参数难以选择的问题;通过"二分分割算法",来解决隐含层节点数难以确定的问题。实验结果表明,该模型在青岛近海海域赤潮灾害等级预测中,预测结果的均方根误差(RMSE)小于传统BP神经网络的预测误差,并且在网络训练时间上有所缩短,预测精度上有所提高,能够获得良好的预测结果,可为赤潮等级预测提供新的解决方法。     

基于多种神经网络的风暴潮增水预测方法的比较分析

简要介绍了利用BP神经网络、小波神经网络、递归神经网络进行风暴潮增水值预测的原理。选取广东省珠江口以南的阳江站2017年风暴潮增水数据进行测试。结果表明,三种神经网络方法针对阳江地区风暴潮增水的预测均具有可靠性和实用性。以当前增水值为输入量的单因子模型更能反映真实风暴潮增水趋势,而从增水极值预测的准确性来看,以台风风力、气压、风向等相关参数为输入量的多因子模型优于单因子模型。BP神经网络更适用于多因子长时间预测,小波神经网络在单因子短时间预测上准确性更高,递归神经网络预测值与实测值相关性更强。在工程运用中,需根据地域时空特点、数据资料的丰富度与预测值评估指标选择合适的方法。     

奥里油溢油扩散面积预测非线性方法研究

奥里油盛产于委内瑞拉,是一种煤、石油等潜在的替代燃烧物,近年来已经应用于多个国家的电厂锅炉、工业炉等燃油场合。随着应用量的增大,其海上运输产生的溢油风险也越来越大。针对奥里油溢油现象并基于图像处理及边缘检测提出了一种奥里油溢油扩散面积预测的方法。在Matlab环境下,对图像进行边界提取,面积计算,最后利用BP神经网络进行面积预测。通过与实验进行比较,结果表明,采用Sobel算子进行边缘检测时提取的边缘较细、对边缘定位较准、对灰度渐变和噪声处理较好。采用BP神经网络获得的面积预测结果与实验测得的结果最大相对误差为0.88%,吻合度较好。