改进的BP神经网络模型预测充填体强度
魏微1,2, 高谦1
(1. 北京科技大学 土木与环境工程学院, 100083 北京; 2. 承德石油高等专科学校, 067000 河北 承德)
摘要:
为了准确评价和预测充填体强度,采用改进的BP神经网络算法,利用实验室做的18组充填体单轴抗压强度试验结果,建立了充填体强度与影响因素之间的5-7-1网络模型结构(输入层为5个神经元,隐含层为7个神经元,输出层为1个神经元,输入为胶砂比及各胶凝材料掺量,输出为充填体28 d单轴抗压强度)．结果表明,改进的BP神经网络对于充填体的强度具有良好的预测能力,建立的网络模型不仅收敛速度快而且训练精度高,对充填体强度的预测结果与训练数据和测试数据的最大相对误差仅为4.23％．
关键词: 充填体 强度 预测 改进的BP神经网络
DOI：10.11918/j.issn.0367-6234.2013.06.016
分类号:
基金项目:国家重点基础研究发展计划项目(2010CB731501);****和创新团队发展计划项目(IRT0950);河北省钢铁产业技术升级专项资金项目(SJGS-KJ-12-03)．
Strength prediction of backfilling body based on modified BP neural network
WEI Wei1,2, GAO Qian1
(1. School of Civil and Environment Engineering,University of Science and Technology Beijing, 100083 Beijing, China;2.Chengde Petroleum College, 067000 Chengde, Hebei, China)
Abstract:
To evaluate and predict the strength of backfilling body, a new method is provided to establish a model of the relationship between backfilling body strength and influence factors. The modified BP neural network algorithm is used to establish the model based on 18 groups results of the compressive strength tests of the backfilling in laboratory. The structure of the model is 5-7-1 type, that is to say 5,7 and 1 neurons are the input, hidden and output layers respectively, where the input is including the cement-sand ratio and quantity of the cemented material and the output is the 28 days compressive strength of the backfilling body. The results show that BP neural network model exhibits excellent prediction ability for the prediction of the strength of backfilling body, the prediction model speeds up the convergence rate of BP network and improves the training accuracy. The maximum relative error between the predicted results and the test data is 4.23％.
Key words: backfilling body strength prediction modified BP neural network
删除或更新信息，请邮件至freekaoyan#163.com(#换成@)
改进的BP神经网络模型预测充填体强度
本站小编 哈尔滨工业大学/2019-10-24
相关话题/网络 河北 基础 石油 实验室
领限时大额优惠券,享本站正版考研考试资料!
优惠券领取后72小时内有效，10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材，产品类型包含电子书、题库、全套资料以及视频，无论您是考研复习、考证刷题，还是考前冲刺等，不同类型的产品可满足您学习上的不同需求。 ...考试优惠券 本站小编 Free壹佰分学习网 2022-09-19基于BP神经网络遗传算法的高强钢成形研究
基于BP神经网络遗传算法的高强钢成形研究郭强1,郑燕萍1,朱伟庆1,晋保荣2(1.南京林业大学汽车与交通工程学院,南京,210037;2.南京南汽冲压件有限公司,南京,211100)摘要:对新材料DP-780高强钢依据国家标准GB/T228.1-2010进行室温拉伸试验,获得材料的力学性能参数；依据 ...哈尔滨工业大学科研学术 本站小编 哈尔滨工业大学 2020-12-05通过miRNA基因表达谱的基因共表达网络构建对星形细胞瘤的基因靶标进行预测
通过miRNA基因表达谱的基因共表达网络构建对星形细胞瘤的基因靶标进行预测邵嘉敏(石门县人民医院神经外科,湖南,常德415000)摘要:星形细胞瘤为浸润性生长肿瘤,生长缓慢,多为隐形症状,难以早期发现。多数肿瘤切除后有复发可能,且复发后肿瘤可演变成间变性星形细胞瘤或多形性胶质母细胞瘤。因此寻找其生物 ...哈尔滨工业大学科研学术 本站小编 哈尔滨工业大学 2020-12-05车辆运行风险贝叶斯网络量化分级方法
车辆运行风险贝叶斯网络量化分级方法马艳丽1,范璐洋1,2,吕天玲3,郭琳3(1.哈尔滨工业大学交通科学与工程学院,哈尔滨150090;2.中国电建集团成都勘测设计研究院有限公司,成都610072;3.黑龙江省劳动安全科学技术研究中心,哈尔滨150040)摘要:为评估自然驾驶过程中车辆运行存在的交通风 ...哈尔滨工业大学科研学术 本站小编 哈尔滨工业大学 2020-12-05一种高度并行的卷积神经网络加速器设计方法
一种高度并行的卷积神经网络加速器设计方法徐欣1,刘强1,王少军2(1.天津市成像与感知微电子技术重点实验室(天津大学),天津300072;2.哈尔滨工业大学电子与信息工程学院,哈尔滨150001)摘要:为实现卷积神经网络数据的高度并行传输与计算,生成高效的硬件加速器设计方案,提出了一种基于数据对齐并 ...哈尔滨工业大学科研学术 本站小编 哈尔滨工业大学 2020-12-05超密集网络中非合作博弈的功率分配算法
超密集网络中非合作博弈的功率分配算法赵东来,王钢,郑黎明,周若飞(哈尔滨工业大学通信技术研究所,哈尔滨150001)摘要:为了抑制超密集网络中小小区基站的密集化部署带来的干扰,并提高系统的吞吐量,本文研究了频谱共享超密集网络中的功率分配策略.首先,针对非凸的系统和速率最大化问题,采用非合作博弈模型将 ...哈尔滨工业大学科研学术 本站小编 哈尔滨工业大学 2020-12-05D-BitBot:比特币网络双向通信的P2P僵尸网络模型
D-BitBot:比特币网络双向通信的P2P僵尸网络模型周安民1,钟毅1,左政2,张磊1(1.四川大学网络空间安全学院,成都610065;2.四川大学电子信息学院,成都610065)摘要:公有区块链网络（如比特币、以太坊等）具有匿名、难以被关闭的特点,被用于僵尸网络的通信模型研究中,但现有研究中的方 ...哈尔滨工业大学科研学术 本站小编 哈尔滨工业大学 2020-12-05卷积神经网络多变量过程特征学习与故障诊断
卷积神经网络多变量过程特征学习与故障诊断陈淑梅,余建波(同济大学机械与能源工程学院,上海201804)摘要:为提取复杂多变量过程的有效特征,提高故障诊断性能,提出一种基于卷积神经网络（convolutionalneuralnetwork,CNN）特征学习的多变量过程故障诊断模型.将高维过程信号归一化 ...哈尔滨工业大学科研学术 本站小编 哈尔滨工业大学 2020-12-05区域城市轴辐式货运网络模型构建与应用
区域城市轴辐式货运网络模型构建与应用刘杰1,陈旭梅1,方曾利2,唐华军3,张义鑫1(1.综合交通运输大数据应用技术交通运输行业重点实验室(北京交通大学),北京100044;2.郑州综合交通运输研究院有限公司,郑州450011;3.澳门科技大学商学院,澳门999078)摘要:为研究区域城市轴辐式货运网 ...哈尔滨工业大学科研学术 本站小编 哈尔滨工业大学 2020-12-05层次化神经网络模型下的释义识别方法
层次化神经网络模型下的释义识别方法袁蕾,高曙,郭淼,袁自勇(武汉理工大学计算机科学与技术学院,武汉430000)摘要:释义识别技术（ParaphraseIdentification,PI）被广泛用于问答系统、抄袭检测、个性化推荐等领域.针对已有释义识别方法缺乏有效的特征提取机制问题,提出了一种新的释 ...哈尔滨工业大学科研学术 本站小编 哈尔滨工业大学 2020-12-05基于吸引关系的停车场网络连接方法
基于吸引关系的停车场网络连接方法冯树民,年东,赵琥(哈尔滨工业大学交通科学与工程学院,哈尔滨150090)摘要:为研究停车场网络拓扑结构,提出了基于吸引关系的停车场网络连接方法.通过改进现有停车需求预测模型,充分考虑停车利用率、停车周转率、城市中心指数等因素影响,建立了新的停车场需求算法.通过绘制常 ...哈尔滨工业大学科研学术 本站小编 哈尔滨工业大学 2019-10-24
