摘要：为了提高离心式压缩机叶轮设计效率并降低计算资源消耗,针对遗传算法优化中计算量大、效率低的问题,提出基于改进粒子群优化算法(IPSO)优化bp神经网络的方法。通过少量计算流体动力学(CFD)仿真样本,训练bp神经网络建立效率与叶轮参数的映射关系,结合IPSO优化其参数,同时利用遗传算法(GA)确定叶轮的最佳性能参数。研究表明,改进的IPSO算法通过增强粒子群的动态适应性和全局搜索能力,提高了bp神经网络的预测精度和优化效率。优化后的叶轮等熵效率提高1.34%,多变效率提高1.04%,流量增加10.4%。该方法显著提升了离心式压缩机叶轮的设计效率和性能,为复杂流体机械的优化设计提供了新思路。

摘要：随着我国风力发电技术的不断发展和完善,风电在电力系统运行和调度的作用越来越突出。为了高效准确地预测风电功率,减少大量风电入网带来的负面影响,本文基于bp神经网络结合ERA5数据对我国北方某风电场进行风电功率预测,并采用粒子群优化(particle swarm algorithm,PSO)算法优化模型,结合平均绝对误差、均方根误差和Pearson相关系数分析风电功率预测效果。结果表明,模型训练集中预测与实测风电功率变化趋势基本一致,呈现同增同减的趋势,bp模型的平均绝对误差为702.12 W,均方根误差为1000.18 W,相关系数为0.91,PSO-bp模型的平均绝对误差为700.75 W,均方根误差为995.16 W,相关系数为0.94;测试集中ERA5数据在一定程度上高估了风电功率,但整体趋势基本一致,bp模型的平均绝对误差为861.09 W,均方根误差为1150.86 W,相关系数为0.81;PSO-bp模型的平均绝对误差为829.55 W,均方根误差为1117.39 W,相关系数为0.83,模型的预测效果相对较好,PSO-bp模型相较于bp模型的预测效果均有一定程度的提高,在该区域的风电功率预测方面有较好的适用性。研究结果可为缺乏观测数据或观测数据质量不高的地区预测风电功率提供参考。

摘要：对无人机设计方案、图像处理和火焰分割算法的技术原理进行了介绍,并利用bp神经网络对图像中的火焰面积变化率和火焰尖角等特征进行识别,实现了对森林火灾的快速监测。实验结果表明:系统的准确率为98.5%,比普通神经网络的84.5%更高;耗时仅22 s,比普通神经网络159 s缩短很多。这表明,bp神经网络是更可靠且更有效率的火灾识别方案。

摘要：通过监测刀具磨损情况,能够有效应对生产加工中的意外状况。为了精确监测刀具的磨损状态,提出了一种多传感器特征融合及bp神经网络结合的刀具磨损预测方法。首先对工业加工中采集到的切削力、振动、声发射信号进行小波阈值去噪,然后在时域、频域和时频域内分析并提取特征,再将融合后的各类传感器特征使用Pearson相关系数和主成分分析(PCA)实现数据降维,最后将降维后的融合特征输入搭建好的bp神经网络,通过非线性仿真分析,从而实现刀具磨损量的预测。案例验证表明:与单一传感器预测相比,提出的多传感器特征融合的刀具磨损预测方法误差最小,且决定系数R2达到0.993。

摘要：航行模拟器是现代航海教育与培训中的关键工具,风向、风速、流速与航速之间的关系对船舶操控和航行安全具有重要影响。本文基于bp(Back Propagation)神经网络模型,针对航海模拟器中的实际数据进行分析与预测,研究船速、风向、风速和流速等变量与船舶航速之间的复杂非线性关系。通过采集航行数据并构建bp神经网络模型,利用反向传播算法优化网络权重和偏置,以提升预测精度。试验结果表明,bp神经网络能够在不同风速条件下准确预测船舶航速,相较于传统基于流体力学的模型,具有更高的预测精度和泛化能力。该模型为船舶的航行决策、燃油优化以及船员操作提供了有力支持。

摘要：机制砂混凝土强度影响因素复杂,收集国内外权威文献试验数据建立了162组机制砂抗压强度的数据库,利用bp神经网络对机制砂混凝土抗压强度进行预测。采用多层反向传播算法对人工神经网络模型进行训练并预测,发现bp神经网络模型具有良好的预测和泛化能力,模型的预测值与实测值高度吻合;基于bp神经网络模型分析了石粉含量对机制砂混凝土不同强度等级的影响,发现石粉含量约10%时达到最大值,预测值与实际值的误差在8%以内。深度学习方法可有效提高机制砂混凝土配合比设计的试验效率,降低材料和时间成本。

摘要：针对新型传感器研发中,电阻式半导体气体传感器电阻跨度大、输出特性不明确、测试精度要求高等问题,设计了一种高精度、宽量程传感器信号采集单元获取数据,引入bp神经网络进行数据拟合,并通过SA算法优化神经网络建立气体传感器模型,以MQ-8氢气传感器为例进行实验测试分析,结果表明测试样本的决定系数可达0.99985,整体平均误差为0.6%,实现了对气体浓度的高精度预测,为传感器研发中的数据分析提供了支撑。

摘要：本文通过分析建筑工程造价影响因素,选取了包括基础类型、结构类型、工程总层数等在内的8个主要特征因素,并对这些特征因素进行量化处理,构建了影响工程造价的特征向量。同时,本文基于灰色系统理论,运用灰色预测和灰色系统模型对数据进行处理,提高了数据的准确性和可靠性。基于此,本文结合bp神经网络算法,实现了对建筑工程造价的快速预测。通过反复调试和对比,确定了合适的网络参数,最终实现了对建筑工程造价的有效预测。

摘要：渗流计算在大坝设计与运用中扮演着重要的角色,快速、准确确定坝体各分区渗透系数是渗流计算的中心工作。利用拉丁超立方抽样(LHS)生成均布渗透系数反演数据集,以bp神经网络作为基础模型,引入寻优能力强、收敛速度快的新算法冠豪猪优化器(CPO)寻优模型超参数,形成完整的LHS-CPO-bp神经网络渗透系数反演模型。利用该模型对某黏土斜墙坝工程坝体分区材料进行渗透系数反演。将反演结果带入有限元模型进行正分析得到计算测点水头值并与实测水头值进行比较,同时对比了其它几种常见元启发式算法与bp神经网络组合模型的反演效果。结果表明,LHS-CPO-bp神经网络反演模型对测试集的预测效果较好,模型各输出的相关系数R2均不低于0.816。由实际渗透系数预测值计算出的计算水头值与实际测点水头值的最大相对误差不超过1.187%,精度明显优于其余几种对比模型。研究成果可为类似工程提供参考和借鉴。

摘要：为了提高直流电磁泵的压力来驱动液态金属流动进行散热,改善泵的输送效率,采用数值模拟与智能算法相结合的优化设计方法,对泵的结构参数和输入电流进行了优化。以液态金属镓铟锡合金为工质,在1.5 L/min流量工况下,利用COMSOL软件对电磁泵进行了数值模拟仿真,求得了泵的静压差并将其与试验值进行了对比,验证了仿真模型的准确性。采用Box-Behnken试验设计方法进行数据采集,根据试验数据构建bp神经网络代理模型,以压力和效率最大化为优化目标,结合NSGA-Ⅱ算法进行结构优化。结果表明:在相同流量下,优化后泵的输入电流减小了20 A,更利于散热;压力和效率分别提高了2577.6 Pa和11.8%,沿程损耗降低,整体性能得到改善;对比流场分析,泵内部流动速度更均匀,流线分布更加平稳。