神经网络预测裂纹尖端约束效应

裂纹尖端约束效应的评估在结构完整性分析中十分重要.基于J-A2双参数弹塑性理论,用有限元对裂纹尖端应力、应变场进行数值模拟.研究用BP神经网络预测裂纹尖端的约束效应,采用单边缺口弯曲(SENB)试件韧带上三个点的应变值作为网络的输入数据,J-积分和约束参数A2作为输出,建立神经网络.实例数值结果表明,神经网络可以很好地模拟韧带上应变值和J-积分及约束参数A2之间的非线性关系,它可用于预测带裂纹构件裂纹尖端的约束效应.     

基于“AM-GoogLeNet+BP”联合数据驱动的混凝土细观模型压缩应力-应变曲线预测

本文结合GoogLeNet卷积神经网络和BP神经网络分别在图像数据挖掘和数据分析方面的良好性能,采用“AM-GoogLeNet+BP”联合数据驱动方法,对混凝土细观模型(含砂浆、骨料及孔隙)的单轴压缩应力-应变曲线进行了有效预测.通过引入力学参量对图像数据驱动的训练结果进行优化,从而提升了神经网络的物理可解释性.基于Python语言实现混凝土细观模型在Abaqus中的自动建模及细观图像生成过程,并将生成的细观图像数据库与相应的压缩应力-应变曲线作为训练数据集.在GoogLeNet中分别引入SENet, ECANet和CBAM三种代表性注意力机制并对三种注意力机制的性能进行对比和分析,以自适应方式提升神经网络对混凝土各相组分的分析能力,并以此得到混凝土细观模型的初步应力-应变预测曲线;将骨料体积分数、孔隙率及初步峰值应力等物理参量作为输入引入BP神经网络以改善峰值应力的预测精度,并与将物理参量直接引入卷积神经网络输入层的方法进行了对比,最后定量给出了骨料体积分数和孔隙率对峰值应力的影响权重.结果表明,对于不同骨料体积分数及孔隙率的混凝土细观模型,该方法均展现了较高的预测精度.本文采用的“...     

改进的BP神经网络在多裂纹柱体扭转中的应用

提出一种基于BP神经网络的多裂纹柱体扭转问题的数据新处理方法。以多裂纹柱体扭转问题为例,以MATLAB中的神经网络工具箱为工具,采用了改进的BP神经网络,并对其设计方案进行了详细的分析说明,发现动量参数对训练次数影响很大,而学习率对它的影响很小;采用双隐含层比单隐含层训练更稳定,收敛的也更快,同时给出了理想的学习方案。最后对柱体的抗扭刚度实验值进行快速拟合,得到了裂纹尖端的应力强度因子K3。结果证明这种设计方案计算的更精确、收敛速度更快。     

基于Matlab和BP神经网络的爆破振动预测系统

爆破振动预测是一个复杂的非线性问题,可应用非线性功能强大的BP神经网络技术来解决,但由于其数值计算量大、可操作性不强等特点,在实际工程中应用困难。为了解决该问题,本文中将Matlab程序的强大计算能力与VB的友好界面相结合,利用ActiveX自动化技术和BP神经网络算法,开发得到爆破振速峰值预测系统。该预测系统可根据各工程实际情况选取影响爆破振动的主要因素作为输入参数,以预测爆破振速峰值。通过在北京市昌平线暗挖区间隧道工程中的应用表明:该预测系统在实际工程中使用方便,操作简单,预测精度高,人机交互界面友好。     

基于灰色BP神经网络的陀螺电机状态预测

陀螺电机状态直接影响惯导系统的精度和可靠性,对其进行预测是惯导系统性能评估和寿命预测的重要途径。利用灰色理论的建模预测方法对随机性较大的数据预测精度不高;BP神经网络模型的预测方法具有良好的非线性和自学习能力,但训练效率不高且训练效果受样本数影响较大,网络容易限于局部最小值。针对陀螺电机状态特征参数的特点,本文提出一种基于灰色BP神经网络的混合模型。该模型利用BP神经网络对灰色模型误差进行建模,模型输出返回灰色模型进行输入修正。利用灰色理论、BP神经网络以及混合模型对状态特征参数进行建模和预测,结果表明,混合模型的预测误差比灰色模型减小了约2／3,比神经网络减小了约1／3,证明了该模型的有效性。     

X60管钢的J-A2双参数弹塑性断裂预测

在对X60管钢弹塑性断裂分析中,采用J-A2双参数方法来预测带表面裂纹管道的破坏压力.为将实验室得到的X60钢标准试件的JR-Δa曲线的实验数据应用到实际裂纹构件中,对单边缺口紧凑拉伸(CT)试件和带轴向表面裂纹管道进行有限元分析.用J-A2方法来量化裂纹尖端区域的约束情况,结果表明,在裂纹深度相同的情况下,管道的内侧和外侧裂纹端的约束水平基本接近,内侧裂纹的略高一些,但二者与CT试件裂纹端的约束水平相比要低一些.同时,根据带裂纹管道的有限元计算结果,对管道的断裂破坏压力进行了预测,内侧裂纹的断裂破坏压力比外侧裂纹时的稍低.对X60管钢,断裂力学预测结果要比PCORRC准则的预测结果低.     

BP-Bagging模型在光纤陀螺温度补偿中的应用

为了消除光纤陀螺的温度效应并提高陀螺的精度,BP神经网络模型广泛的应用在光纤陀螺的零偏温度漂移辨识和补偿中。然而,单神经网络模型的泛化能力差,影响模型的预测结果。结合神经网络集成学习的思想,利用Bagging集成技术产生差异大、预测能力强的个体网络,提升模型的预测能力。建立光纤陀螺零偏温度的BP-Bagging模型,将其应用在温度补偿中。通过对某型光纤陀螺的零偏漂移数据进行仿真,结果表明:BP-Bagging模型相比线性回归模型、单BP神经网络模型的补偿效果更显著,有效改善了陀螺的零偏稳定性能。     

逐孔起爆震动参数预报的BP神经网络模型

根据神经网络理论,结合逐孔起爆技术的特点,建立了爆破震动参数预报的BP网络模型。以某矿 山深孔台阶爆破为例,利用逐孔起爆过程中收集的原始资料和爆破震动监测数据,对建立的BP网络模型进 行了训练和应用。与实测值比较后发现,BP网络模型的预报结果更接近实测值。     

基于粗集—神经网络的磨粒模式识别

应用粗集理论中最小约简的近似算法 ,对磨粒的形状参数进行约简 ,找出判断磨粒模式的形状参数长短轴比 Rt和圆度 Rd,同时采用这些参数训练神经网络以进行磨粒模式识别 .结果表明 :应用此算法 ,对 63个已知样本和历时 2年多对柴油机 1 4 5个润滑油油样进行制谱分析判断 ,准确率在 90 %以上 ,比原来用模糊识别的准确率提高了约 1 0个百分点 ;使用 BP网络减化了网络结构 ,使网络的训练速度加快 ,整个系统变得简单、可靠、有效     

基于人工神经网络的机翼外形预测

研究目的是根据机翼各项气动参数,快速准确地预测出符合气动条件的机翼外形.用PARSEC方法对剖面翼型进行参数化处理,得到表征其物理特性的外形参数;用守恒型全速势方程进行流场计算;建立包含214组机翼几何及气动特性的专家数据库.人工神经网络方法对数据库进行分类,训练和测试.先用SOM(Self-Organizing Map)神经网络按气动参数对数据进行分类,再分别用BP(Back Propagation)神经网络,RBF(Radial Basis Function)神经网络和GRNN(General regression Neural Net)进行训练和测试.机翼由6个翼剖面组成,每个翼剖面包含11个PARSEC特征参量,扭转角以及相对厚度,总共78个独立的外形参数.预测值和预期值的相关性分析以及误差分析表明,GRNN的预测结果相比于BP和RBF更为准确;在预测模型的升阻比的平均相对误差的绝对值时,BP的相对误差为2.37%,RBF是0.97%,GRNN是0.40%.