共查询到20条相似文献，搜索用时 156 毫秒
1.
地下工程围岩分类的神经网络可视化评价 总被引：1，自引：0，他引：1
围岩分类是地下工程技术基础研究的重要课题之一。影响围岩类别的因素有很多，并且具有高度的随机性和模糊性。神经网络方法具有自组织、自学习和高度非线性映射的能力，并且既能考虑定量因素又能考虑定性因素，因此，在围岩分类的应用方面，神经网络具有广泛的前景。文章基于改进的BP神经网络的一般原理，依据有关地下工程围岩的分类标准，选取岩体结构、岩石饱和单轴抗压强度、岩体结构面、岩石纵波速度作为围岩分类的评价指标，利用MATLAB语言构建了可视化的围岩分类神经网络模型，并收集了大量的工程资料对网络进行训练和检验。结果表明，网络的预测结果与实际结果比较一致。证明神经网络是能够在工程岩体分类方面得到推广应用的。 相似文献
2.
基于BP神经网络的土壤冰结温度及未冰水含量预测模型 总被引：5，自引：4，他引：5
土壤冻结温度与未冻水含量是冻土的重要物理参数，影响因素多，关系复杂，利用BP网络模型来描述冻结温度与未冻水含量及其与主要影响因素之间的关系，效果良好，该模型直接根据试验数据通过神经网络的自学习能力寻求输出变量与输入变量间的内在非线性规律，其优点在于可利用一个神经网络同时描述多个因素对冻结温度及未冻水含量的影响。 相似文献
3.
土壤冻结温度与未冻水含量是冻土的重要物理参数,影响因素多,关系复杂.利用BP网络模型来描述冻结温度与未冻水含量及其与主要影响因素之间的关系,效果良好.该模型直接根据试验数据通过神经网络的自学习能力寻求输出变量与输入变量间的内在非线性规律,其优点在于可利用一个神经网络同时描述多个因素对冻结温度及未冻水含量的影响. 相似文献
4.
5.
BP神经网络在化探数据分类中的应用 总被引：4，自引：0，他引：4
BP神经网络作为一种具有高度非线性映射能力的计算模型,具有优良的非线性逼近能力,在化探数据处理、矿产资源潜力评价等地学应用中,很多问题正是具有高度的非线性的。BP网络可自动模拟各种成矿因素之间的自然关系,进行全局优化搜索,减少人为干预,提高资源预测的准确率。BP网络具有简单易行、并行性强等特点,目前仍是多层前向网络的首选算法。以新疆东天山的化探数据对BP神经网络进行测试,分别以东天山地区的典型金矿、典型铜矿做矿床规模和类型的分类。测试结果表明,改进的BP神经网络收敛速度快,具有较高的学习效率,可以很好地对化探数据进行分类。 相似文献
6.
7.
应用自适应算法对BP网络进行改进，可以提高BP网络的收敛速度和全局寻优性能。在此基础上，利用多种测井数据及岩心描述资料作为网络模型的学习样本，以测井解释渗透率的神经网络模型为例，通过网络的学习、训练，建立测井解释神经网络模型。并应用此模型，定量计算出多口井的渗透率值，与常规渗透率计算结果相比，BP的解释结果及精度均令人满意，同时还取得了良好的实际应用效果。 相似文献
8.
9.
建筑物震陷预测新方法研究 总被引：1，自引：0，他引：1
利用人工神经网络的基本原理，本文修正了经典BP型神经网络的激励函数，并对学习率和训练样本进行了动态调整等多方面改进。根据70个多层建筑震陷的实测资料，在分析了建筑物震陷的影响因素基础上，提取了9个指标；采用改进后的BP算法，建立了多指标的建筑物震陷预测模型。研究结果表明，改进的BP网络性能良好，所建立的模型预测精度高，具有一定的工程实用价值；神经网络法是一种有效可行的预测新方法，人工神经网络技术具有广泛的应用前景。 相似文献
10.
11.
岩体变形模量是研究岩体变形特性的重要参数,它对工程岩体稳定性评价与优化设计具有重要意义。本文提出了基于因子分析的BP神经网络预测岩体变形模量的方法。以西藏某水电站为例,在现场调查、室内外试验的基础上,建立了48组包括密度、吸水率、纵波波速、单轴抗压强度、岩块变形模量以及泊松比等因素的数据库,采用因子分析法对6个影响因素进行分析,可得3个公共因子,该3个公共因子作为神经网络的输入参数,采用BP神经网络进行预测。结果表明:利用因子分析法可降维输入数据,消除BP神经网络中由于输入数据太多而影响数据处理速度的缺陷; 把因子分析法和BP神经网络结合进行岩体变形模量的预测,可使预测精度提高; 该研究思路不仅对岩体变形参数的预测是一个有益的尝试,而且对类似岩土工程问题的预测也有借鉴意义。 相似文献
12.
总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。 相似文献
13.
14.
导水裂隙带高度是西部矿区保水采煤的理论依据和关键参数。近年来,BP神经网络广泛应用于导水裂隙带高度预测,但BP神经网络存在收敛速度慢、易陷入局部极小等问题。为提高导水裂隙带高度预测的准确性,利用粒子群优化算法(PSO)对BP神经网络的权值和阈值进行优化,建立基于PSO-BP神经网络的导水裂隙带高度预测模型。选择开采厚度、开采深度、工作面倾斜长度、煤层倾角、覆岩结构特征为导水裂隙带高度主要影响因素,选取22例导水裂隙带高度实测数据对PSO-BP神经网络进行训练,将训练后的PSO-BP神经网络对2例测试样本的预测结果与实际值进行对比,并与BP神经网络预测模型及经验公式预测结果进行对比。结果表明:PSO-BP神经网络预测模型的平均相对误差为1.55%;BP神经网络预测模型的平均相对误差为4.8%,经验公式的最小相对误差为9.4%,PSO-BP神经网络预测精度明显优于BP神经网络和经验公式,且绝对误差和相对误差变化较稳定,可以有效预测导水裂隙带高度。 相似文献
15.
Correction of soil parameters in calculation of embankment settlement using a BP network back-analysis model 总被引：3，自引：0，他引：3
Finite element method (FEM) have been widely used for the calculation of settlement of embankment on soft soils in the last decade. However, due to the complexity of construction, spatial inhomogeneity of soils, as well as sensitivity of numerical results to the variation of soil parameters, large discrepancy typically exists between numerical outputs and field observations. This paper presents a novel method, combining FEM and an improved back-propagation (BP) neural network, for correction of soil parameters in numerical prediction of embankment settlement. Duncan–Chang hyperbolic soil model is adopted with the sensitivity of eight constitutive parameters numerically investigated. The soil parameters with large sensitivity are identified, and together with the representative settlements, are used for the training of the improved BP neural network which, once established, generates correction factors of soil parameters for subsequent more accurate FEM forward predictions. It is demonstrated that the proposed numerical back-analysis framework is very efficient in practical engineering applications to calculate highway settlement. 相似文献
16.
基于季节冻土微观结构特征的神经网络冻胀率仿真预测 总被引：1，自引：1，他引：0
为了寻求基于宏观-微观物理参数间接得到季节冻土冻胀率的途径, 根据现有技术手段容易测试到土的性质参数, 利用BP神经网络法对季节冻土冻胀率进行预测. 选取微观孔隙参数及结构单元体参数各4个、 外部条件参数3个共11个参数, 建立季节冻土冻胀率神经网络预测模型. 结果表明: 在33个检验样本中, 误差最大为0.19, 最小为0.00, 有4个样本的误差在0.1~0.19之间, 其他样本误差都在0.05以下, 占总样本数的88%, 说明模型能反映冻胀变化的基本趋势. 因此, 文中建立的基于11个宏观微观物理参数的BP神经网络冻胀率预测模型是可行的. 相似文献
17.
为了分析边坡的稳定性,利用协调粒子群算法和BP网络建立了边坡稳定性CPSO-BP预测模型。BP网络能够很好地描述边坡稳定性与其影响因素之间复杂的非线性关系,将内摩擦角、边坡角、岩石重度、边坡高度、黏聚力、孔隙压力比6个主要影响因素作为网络的输入,将边坡稳定性系数作为网络的输出。为避免BP网络陷入局部最优,利用协调粒子群算法的全局优化能力确定BP网络的连接权值和阀值,使BP网络的优势得到分发挥,达到提高模型预测精度目的。实例表明CPSO-BP模型有更好地预测精度以及将其应用于边坡稳定性预测是可行的。 相似文献
18.
文章以莱州湾凹陷垦利油田沙河街组储层为例,对传统的回归统计模型和基于BP神经网络的人工智能预测模型评价储层渗透率方法和效果进行了对比研究。目标储量报告里定火沙三段中孔、中渗;岩性（粒度）和孔隙度是储层渗透率的主要影响因素。根据岩心及测井数据,建立了孔隙度——粒度二元回归渗透率统计评价模型和BP神经网络渗透率预测模型。通过检验样本集精度对比,分析了隐含层数、隐含层节点数等网络结构参数变化对模型预测结果的影响,重点分析了不同的测井参数输入对BP神经网络模型预测结果的影响。优化后的BP神经网络模型对检验样本集的渗透率预测结果精度最高,其平均相对误差为37%,比传统的二元回归统计模型精度提高了26%。对目标油田三口井连续处理,BP神经网络模型渗透率预测结果更加合理,可以满足开发层段产能分析等生产需求。 相似文献
19.
基于遗传算法和模糊神经网络的边坡稳定性评价 总被引：4，自引：0，他引：4
边坡工程是一个动态的、模糊的、开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价。影响边坡稳定性的因素复杂且具有随机性和模糊性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的边坡稳定性评价问题。综合考虑影响边坡稳定性的各方面因素,建立了基于遗传算法的模糊神经网络模型,并利用大量工程资料对网络进行训练和测试。预测结果表明,该模型的预测精度明显高于目前同类方法。 相似文献
20.
基于灰色-进化神经网络的滑坡变形预测研究 总被引：15，自引：3，他引：15
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 相似文献