基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法.pdf
康平****ng
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法.pdf
本发明公开了基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法,包括(1)建立管道网络的稳态或扩展初始数据校准优化模型,定义管道网络的所有物理参数;(2)通过熵的概念在单位管道网络区域中选取最具有代表性的节点;(3)通过人工神经网络训练预测压力监测值;(4)运用粒子群优化方法,将粒子使用在预定间隔内生成的管道粗糙度随机值初始化;(5)使用EPANET仿真器获得管道网络中的压力,比较模拟监测压力和实际监测压力,计算目标函数,最大程度地减少实际监测值和模拟监测值之间的差异。本发明提高了供水管道压力预测模型
基于人工神经网络的压力敏感涂料性能预测和测压方法.pdf
本发明公开了一种基于人工神经网络的压力敏感涂料性能预测和测压方法,其包括:步骤S1:采集图像;步骤S2:构建神经网络,对神经网络进行训练;步骤S3:测量图层厚度及粗糙度,基于训练后的神经网络预测压力敏感度及温度敏感度;步骤S4:通过压力敏感度,基于神经网络预测压力校准系数A;步骤S5:计算压力P,输出压力分布结果图。本发明具有原理简单、灵活性高、适用范围广、精确度高等优点。
基于人工神经网络和熵值法的基坑变形安全风险评估的方法.pdf
本发明公开了一种基于人工神经网络和熵值法的基坑变形安全风险评估的方法,属于工程监测信息化技术领域,包括步骤:1.收集基坑施工数据及基坑变形监测数据,建立数据集;2.建立基于反向传播算法的人工神经网络;3.训练人工神经网络模型;4.执行基坑变形预测;5.计算基坑变形安全风险指标权重;6.计算基坑变形安全风险综合评分。本发明所提出的基于熵值法的风险因子权重的确定方法可基于基坑监测历史数据来客观、准确、动态确定基坑变形安全风险因子的权重,排除人为因素的影响,所得结论更为客观并且更加具有说服力。
基于人工神经网络的超声加工表面粗糙度预测.docx
基于人工神经网络的超声加工表面粗糙度预测基于人工神经网络的超声加工表面粗糙度预测摘要:随着制造业的发展,对加工质量的要求越来越高。超声加工作为一种先进的加工技术,在表面粗糙度的控制方面具有巨大的潜力。然而,在超声加工过程中,粗糙度的预测仍然面临挑战。本文提出了一种基于人工神经网络的方法,用于预测超声加工表面的粗糙度。首先,我们搜集了大量的超声加工参数和相应的表面粗糙度数据。然后,我们使用这些数据来训练人工神经网络模型,并进行模型的验证和测试。最后,我们对实验结果进行分析和讨论,并展望了未来的研究方向。1.
基于离散Hopfield人工神经网络和复杂系统熵分划的大学生素质评价和预测模型的构建.pptx
汇报人:目录PARTONEPARTTWOHopfield网络的概述离散Hopfield人工神经网络的特点离散Hopfield人工神经网络在大学生素质评价和预测中的应用PARTTHREE熵分划的概述复杂系统熵分划的方法熵分划在大学生素质评价和预测中的应用PARTFOUR大学生素质评价和预测的重要性基于离散Hopfield人工神经网络和复杂系统熵分划的评价和预测模型的设计模型的实现和应用PARTFIVE模型的应用效果分析模型的优势分析模型的局限性分析PARTSIX结论总结对未来研究的建议THANKYOU