边坡稳定性的神经网络估计

应用神经网络理论,本文提出了圆弧破坏和楔体破坏的边坡安全系数估计的新方法。为解决安全系数估计的知识的学习问题,提出了一种推广学习算法。用它对收集到的边坡实例进行学习,然后进行推广,预测出新边坡的安全系数。与极限平衡法和极大似然法的估计结果进行了比较,可以看出,神经网络方法具有推广预测精度高、自学习功能强、考虑不确定性能力强等特点。     

岩溶地面塌陷神经网络预测

应用神经网络理论的原理 ,通过对收集到的岩溶地面塌陷实例进行学习 ,建立了岩溶地面塌陷评价及预测模型 ,对某市岩溶地面塌陷进行预测。结果表明 ,神经网络方法具有精度高、收敛速度快、容错能力强等特点 ,在岩溶地面塌陷研究中具有广阔的应用前景     

优势面等级灰色聚类评价

在以往的优势面分级的基础上,本文利用灰色聚类方法对控制大型工程区域稳定性的优势面等级进行了评价,使优势面等级分类的定量化更为可靠和可信。与以往的评价方法相比,灰色聚类方法克服了严格数值界限的弊病,是一种有价值的评价方法。     

区域稳定性的神经网络分区评价

以黄河黑山峡河段区域稳定性研究为例 ,本文系统地提出了区域稳定性的神经网络分区评价的程序与方法。结果表明 ,这一评价方法比其他方法更简洁 ,也更准确     

边坡稳定性预测的模糊神经网络模型

根据边坡稳定问题具有的模糊性,提出了一种判定边坡稳定性的模糊神经网络模型。该系统仅从期望输入输出数据集即可达到获取知识、确定模糊初始规则基的目的。再利用神经网络学习能力便不难修改规则库中的模糊规则以及隶属函数和网络权值等参数,这样大大减少了规则匹配过程,加快了推理速度,从而极大程度地提高了系统的自适应能力。最后用收集到的边坡数据样本训练和测试模糊神经网络模型,结果表明该模糊神经网络预测边坡稳定性是可行的、有效的。     

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。     

基于遗传神经网络的锚杆极限承载力预测的研究

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锚杆极限承载力预测的遗传神经网络模型。该模型以低应变动测的5个变量作为输入变量来对锚杆极限承载力进行预测,并与BP神经网络预测结果进行比较。数值算例表明,遗传神经网络在锚杆极限承载力预测中具有较高的计算效率和识别精度。     

基于ANN 的碳纤维楠竹锚杆锚固力预测研究

为减小对文物本体的破坏,本文基于新疆某土遗址加固保护中碳纤维楠竹锚杆锚固力原位测试试验,考虑锚杆直径、长度、倾斜角以及灌浆体强度、孔径、碳纤维缠绕间距等锚固力影响因素,利用人工神经网络(artificial neural network, ANN) 的误差反向传播(back propagation, BP) 算法及MATLAB 人工神经网络工具箱,建立了锚固力预测的智能模型;并以原位测试所得的数据为学习样本和检验样本,验证了该方法的适用性和可行性. 将训练好的网络模型进行扩展计算,基于L25(56) 正交表试验理论分析了锚固力对各影响因素的敏感性,为同类加固工程的实际应用提供参考依据.     

CONSTITUTIVE MODEL OF ARTIFICIAL FROZEN SOIL BASED ON CASCADE-CORRELATION NEURAL NETWORK

为解决BP (back propagation) 神经网络收敛速度慢,网络结构需事先定义等缺点,采用了级连相关神经网络模型来建立人工冻土应力和应变之间的关系. 基于该模型推导了冻土的一致刚度矩阵形式,利用人工冻土三轴试验数据对神经网络模型进行训练,并用其替换有限元计算中的传统本构模型,将计算结果与性质及含水率相同的冻土的试验结果进行了对比,发现该神经网络本构模型很好地反应了材料的非线性,能够改善数值计算结果,与实测结果吻合地很好,比具有相同隐含层神经元个数的BP 模型更接近实测结果.     

基于级连相关神经网络的人工冻土本构模型

为解决BP (back propagation) 神经网络收敛速度慢,网络结构需事先定义等缺点,采用了级连相关神经网络模型来建立人工冻土应力和应变之间的关系. 基于该模型推导了冻土的一致刚度矩阵形式,利用人工冻土三轴试验数据对神经网络模型进行训练,并用其替换有限元计算中的传统本构模型,将计算结果与性质及含水率相同的冻土的试验结果进行了对比,发现该神经网络本构模型很好地反应了材料的非线性,能够改善数值计算结果,与实测结果吻合地很好,比具有相同隐含层神经元个数的BP 模型更接近实测结果.     

基于神经网络算法的应力集中值的确定法

基于神经网络的B－P算法，根据应力集中附近的三点应变值，通过网络训练，建立了应力集中附近的三点应变值与最大应变值之间的映射关系，从而方便地确定最大应变值。结果表明，该方法使用方便，预测精度高，结果可靠。     

基于卷积神经网络的钝体尾迹识别研究

针对相同特征长度不同钝体的尾迹结构相近,肉眼难于分辨的问题,提出了一种基于卷积神经网络的钝体尾迹识别方法,并在竖直肥皂膜水洞的典型钝体模型尾迹实验中获得高准确率验证.实验平台由自建竖直肥皂膜实验装置、钝体模型(方柱、圆柱和三角柱)及图像采集系统组成,可基于光学干涉法实现对不同速度下钝体肥皂膜尾迹的高清持续拍摄.所建立卷...     

基于神经网络对扁壳结构载荷位置识别问题的研究

在建立扁壳结构识别问题的力学模型基础上,运用神经网络方法构造了三层结构的神经网络,并以此对扁壳在集中力作用下的载荷位置的识别问题进行了研究.结果表明,采用有限元方法获取基本样本,运用神经网络方法对扁壳结构载荷位置的识别具有较好的效果.     

基于BP神经网络与小冲杆试验确定在役管道钢弹塑性性能方法研究

为了能够在不停输油气工况下获得在役管道材料的弹塑性力学性能, 提出了一种人工智能BP (back-propagation)神经网络、小冲杆试验与有限元模拟相结合,通过确定材料真应力-应变曲线从而获得材料弹塑性力学性能的方法. 首先,通过系统改变Hollomon公式中的参数$K$, $n$值,获得457组具有不同弹塑性力学性能的假想材料本构关系, 其次,将得到的本构关系代入经试验验证的含有Gurson-Tvergaard-Needleman(GTN)损伤参数的小冲杆试验二维轴对称有限元模型,通过有限元计算得到了与真应力-应变曲线一一对应的457条不同假想材料的载荷-位移曲线,最终将两组数据作为数据库输入BP神经网络进行训练,建立了同种材料小冲杆试验载荷-位移曲线与真应力-应变曲线之间的关联关系.通过此关联关系,可利用试验得到的小冲杆载荷-位移曲线获取在役管道钢的真应力-应变曲线,从而确定其弹塑性力学性能.通过对比BP神经网络得到的X80管道钢真应力-应变曲线与单轴拉伸试验的结果以及引用现有文献中不同材料的试验数据对此关系进行验证,证明了该方法的准确性与广泛适用性.      

结构基于独立模态空间控制的神经网络控制

在对柔性结构振动的主动控制中，独立模态空间控制是一种适合于柔性结构振动控制的方法，但如果控制器选择不好就会带来观测溢出和控制溢出．神经网络控制则具有较好的泛化作用和鲁棒性，对抑制观测溢出和控制溢出具有较好的效果．本在独立模态空间控制的基础上设计了一种神经网络控制，并对柔性梁及板进行了控制的数值仿真，取得了较好的效果．     

基于级连相关神经网络的人工冻土本构模型1）

为解决BP (back propagation)神经网络收敛速度慢,网络结构需事先定义等缺点,采用了级连相关神经网络模型来建立人工冻土应力和应变之间的关系。基于该模型推导了冻土的一致刚度矩阵形式,利用人工冻土三轴试验数据对神经网络模型进行训练,并用其替换有限元计算中的传统本构模型,将计算结果与性质及含水率相同的冻土的试验结果进行了对比,发现该神经网络本构模型很好地反应了材料的非线性,能够改善数值计算结果,与实测结果吻合地很好,比具有相同隐含层神经元个数的BP模型更接近实测结果。     

基于循环神经网络的海冰弯曲强度预测分析

海冰弯曲强度是确定锥体海洋平台、船舶和港口码头等斜面工程结构冰载荷的重要参数,是海冰力学性质的主要研究内容。本文首先对2009—2010年的渤海海冰三点弯曲试验数据进行总结,分析了温度、盐度、密度及孔隙率对海冰弯曲强度的影响。基于现场试验数据建立了海冰弯曲强度的循环神经网络（recurrent neural network,RNN）预测模型,并采用随机梯度下降法和Adam优化算法对RNN预测模型进行了优化。本预测模型将海冰温度、盐度、加载速率和密度等参数作为输入,将海冰弯曲强度作为输出。在建模过程中,数据被随机排序和归一化处理,并采用评价指标评估其模型的准确性,对RNN预测模型进行优化。将RNN模型对海冰弯曲强度的预测结果与试验经验公式结果进行了对比。预测结果表明,RNN模型对海冰弯曲强度的预测精度显著优于试验经验公式分析结果。该预测模型能有效解决海冰弯曲强度与其影响因素间的复杂的非线性关系,可为海洋工程结构的抗冰设计提供参考依据。

     

基于改进BP算法的Elman网络在软基沉降预测中的应用

E lm an网络具有动态特性好,逼近速度快,精度高等特点,本文结合软基沉降的基本特征,建立了E lm an网络软基沉降预测模型。考虑到经典BP算法的缺陷,采用改进BP算法对网络进行训练学习。实例分析表明,本文所建立的E lm an网络模型具有一定的可靠性和实用性。     

整星隔振用磁流变阻尼器神经网络模型

为改善星箭界面振动环境,设计六杆隔振平台,采用磁流变阻尼器作为半主动控制元件,替代原有锥壳过渡支架.对整星隔振平台用磁流变阻尼器进行性能测试,得到反映磁流变阻尼器阻尼特性的实验数据.建立具有两个隐含层的反向传播神经网络对阻尼器进行建模,用于预测磁流变阻尼器阻尼特性以及控制系统设计.提出一种串行算法优化网络结构、权值和阈值,保证网络具有较好的泛化能力和稳定性.仿真结果表明,与参数化模型相比,提出的神经网络模型具有较小的训练误差和较强的泛化能力,能够很好地预测阻尼器的阻尼特性.     

NEURAL NETWORK MODEL OF MAGNETORHEOLOGICAL DAMPER FOR VIBRATION ISOLATION PLATFORM OF WHOLE-SPACECRAFT

为改善星箭界面振动环境,设计六杆隔振平台,采用磁流变阻尼器作为半主动控制元件,替代原有锥壳过渡支架.对整星隔振平台用磁流变阻尼器进行性能测试,得到反映磁流变阻尼器阻尼特性的实验数据.建立具有两个隐含层的反向传播神经网络对阻尼器进行建模,用于预测磁流变阻尼器阻尼特性以及控制系统设计.提出一种串行算法优化网络结构、权值和阈值,保证网络具有较好的泛化能力和稳定性.仿真结果表明,与参数化模型相比,提出的神经网络模型具有较小的训练误差和较强的泛化能力,能够很好地预测阻尼器的阻尼特性.