大坝变形监测遗传神经网络模型

在简要介绍遗传神经网络的基本概念及学习步骤的基础上,分别对大坝坝顶径向水平位移、切向水平位移和大坝坝顶沉降量监测数据进行了训练和预测。结果表明,利用遗传算法特有的全局优化能力,可以较好地完成网络的学习,而且还减少了网络训练次数,缩短了网络训练时间。     

基于进化神经网络混凝土大坝变形预测

根据丰满大坝多年变形观测数据,建立了基于进化神经网络混凝土大坝变形预测方法。经典的BP神经网络的缺陷在于收敛速度慢和泛化能力弱等特性。与普通的多元回归方法和传统的BP神经网络相比,采用遗传算法训练的人工神经网络预测模型预报大坝的变形具有精度高和全局收敛的特点。在丰满大坝工程实际应用表明,所建立的基于进化神经网络混凝土大坝变形预报方法与广泛采用的统计方法相比,可以显著提高大坝变形预报精度。     

灰色-进化神经网络模型在深埋隧道围岩变形预测中的应用

由于深埋隧道围岩的变形受到构造、应力场、地下水、开挖方式等复杂因素的综合影响,具有位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将隧道围岩位移量分解成具有确定性的趋势项和具有不确定性的随机项。建立灰色–进化神经网络模型对趋势项和随机项进行预测,既结合GM（1,1）模型较好预测序列增长趋势的特点,又结合神经网络利用自适应实现网络总体误差最小的特点,进而解决了单一利用GM（1,1）模型时预测值的随机偏离量较大的问题,保证了预测的精度。将该模型应用于基于实测位移资料的堡镇隧道围岩水平收敛位移短期预测,较好地揭示了隧道围岩收敛位移演化的规律,为合理选取二次衬砌时机提供了参考。     

大坝的变形监测要点分析

大坝变形监测是水利工程中重要的一项监理项目,它能综合反映和衡量坝体和基础状态,结构是否正常、可靠、安全。在分析大坝变形监测的意义的基础上,阐述GPS变形监测系统,然后就大坝的变形监测要点分析进行了研究。     

基于灰色-进化神经网络的滑坡变形预测研究

滑坡变形位移预测对滑坡灾害治理具有重要的意义。考虑到滑坡位移单调增长的特殊性，根据位移分解原理，采用灰色系统提取位移趋势，用基于免疫进化规划的新型进化神经网络模型逼近位移偏差，从而提出了1种滑坡位移预测的新型智能方法。并用新滩滑坡的实测位移预测研究证明了所提智能预测方法的有效性及可行性     

安图两江大坝变形监测信息系统的设计与实现

安图两江水利枢纽属大型面板堆石坝水利工程，根据其安全监测的基本情况，采用VB研制开发了安图两江大坝变形监测信息系统，该系统可以实现两江大坝变形监测信息的科学化管理，包括：变形监测基础文档信息管理；变形监测数据的编辑、计算及统计；变形监测图形信息的自动绘制等。详细论述了安图两江大坝外部变形监测信息系统设计的基本思想、开发过程，为类似工程变形观测信息的科学化管理提供参考。     

前馈神经网络在矿物识别方面的应用

本文首先介绍人工神经网络的发展现状，然后着重阐述BP人工网络的基本原理和算法，并以蓝宝石的产地识别和石榴子石分类识别作为具体实例，用此说明人工神经网络方法在矿物学中的应用，最后对识别结果及BP算法本身进行了讨论。     

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.     

基于神经网络和进化算法的混沌序列产生方法

应用具有全局最优的进化规划算法建立产生混沌序列的优化神经网络模型。该模型利用神经网络权值调整的灵活性，能够在同一网络结构中产生的多种混沌序列。计算机仿真结果表明：该模型比BP算法训练的神经网络模型能更好地重构混沌吸引子，调整网络权值即可产生多种混沌序列。     

改进的前馈型神经网络模型在承压水漏斗水位预报中的应用

建立了以改进Powell法优化的前馈型神经网络模型，模型既具有强大的函数逼近功能，又克服了传统神经网络优化方法的缺点。将神经网络模型用于承压水漏斗的动态水位预报，实例表明：模型预报效果较好。     

基于GA的混凝土坝抗震可靠度预测的神经网络模型

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的混凝土坝抗震可靠度预测的神经网络模型。该模型分别对混凝土坝抗滑稳定可靠度、抗压可靠度和抗拉可靠度进行了预测,并与BP神经网络预测结果进行比较。结果表明,遗传神经网络模型可靠,预测精度高,在岩土工程中利用该方法进行可靠性问题预测是有效及可行的。     

自适应BP算法及其在河道洪水预报上的应用

提出一种改进的BP算法,即自适应BP算法。该方法采用两种策略:一是在权重修改公式中加动量项;二是学习率随总误差的变化作自适应调整,亦即总误差增加时,学习率将减小,反之学习率增大。以上两种策略能有效的抑制网络陷于局部极小并缩短了学习时间。实例研究表明,该算法用于河道洪水的预报,能取得令人满意的结果。     

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。     

基于神经网络和演化算法的土石坝位移反演分析

构造了基于综合应用人工神经网络和演化算法的位移反演分析方法。该法使用具有较强非线性映射能力的神经网络模型代替有限元计算,提高了计算效率。采用演化算法和Vogl快速算法,同时优化神经网络的结构和权值,增加其适应性并加快训练速度;使用多种群演化等策略,改善演化算法的全局收敛性和收敛速度。以三峡茅坪溪防护土石坝的变形反演分析为例,研究了神经网络演化代数以及训练样本数量对神经网络模拟能力的影响,证明了所建立的反演分析方法的有效性。     

基于重置神经网络在油气储层预测方面的应用

神经网络在地质、油气储层方面有着极其广泛的应用,但是神经网络的结构不仅直接影响到网络性能的优劣,而且较大的影响了其现实应用的效果。这里尝试着将与重置算法相结合的BP神经网络应用于油气储层预测方面,并证实重置神经网络具有更好的应用前景和现实意义。     

基于差分进化算法的微震定位

针对传统基于走时微震定位方法存在的定位精度依赖于走时精度问题,提出了改进定位目标函数的差分进化微震定位方法。基于传统微震P波走时定位方法,在定位目标函数中加入了误差加权系数,通过降低初至拾取精度低的微震信号道对定位误差的影响,减弱了初至拾取精度对微震定位的影响;利用差分进化算法,通过种群初始化、变异、交叉和选择等操作,求解改进的微震定位目标函数,实现微震定位;对模型数据和实测数据进行试处理,结果表明：改进的目标函数能明显降低误差较大分量对总误差的贡献;提出的改进定位目标函数的差分进化微震定位方法,在部分微震信号道走时拾取误差较大甚至错误的情况下,能很大程度减弱拾取误差对定位精度的影响,可以获得较好的定位结果。     

基于BP神经网络的滑坡监测多源异构数据融合算法研究

针对滑坡监测中的多源异构数据融合问题,论文提出了一种基于BP神经网络的多源异构监测数据融合算法。该算法将影响滑坡变形的温度、湿度、风力、云量、单日降水量和累计降水量等多环境因子变量作为输入变量,以滑坡位移变化量数据作为期望输出数据,并利用各环境因子变量和滑坡位移变化量的相关性及显著性进行环境因子变量筛选,以提高算法的预测精度。论文采用甘肃省永靖县黑方台党川滑坡的实测数据进行了试验,结果表明：反向传播（Back-Propagation,BP）神经网络数据融合算法适用于具有多源异构监测数据的滑坡变形预测;在进行环境变量因子筛选后,BP神经网络数据融合算法的决定系数达到0.985,均方根误差（RMSE）达到0.4787 mm,从而有效提高了变形预测结果的精度。     

基于人工神经网络的岩性识别方法

从神经网络的机理、特点出发,探讨了采用神经网络技术进行测井岩性识别的可行性及优越性,并以十红滩地区的找矿目的层为对象,进行了岩性分析与对比,为该方法的进一步应用开拓了前景。     

BP神经网络在BOULTON法确定潜水含水层参数中的应用

本文在分析具有迟后排水的N.S.Boulton第二潜水井流模型解析解的基础上,利用复合高斯求积法和学习速率、动量因子自适应的BP神经网络相结合对该模型数值求解,提出了确定潜水含水层系统参数的Boulton-BP法.实例计算结果表明,用Boulton-BP法求得参数正演出的降深-时间过程与抽水试验所得降深-时间过程拟合很好.该方法简单,快速,不需要将抽水试验所得降深-时间过程分为前、后两段分别求参,不仅简化潜水含水层的求参过程,而且有良好的求参效果.