改进PSO-BP神经网络模型在海堤渗压监测中的应用

发布时间：2018-12-11 08:13

【摘要】：针对传统BP神经网络存在收敛速度慢、难以脱离局部极小值的不足,利用改进粒子群算法(PSO)快速的收敛特性和强大的全局搜索能力,将改进的粒子群算法与BP神经网络结合起来,根据海堤特点分类比较渗压的影响因素,采用相关系数法选取主要影响因子构建模型输入层,对应渗压作为模型输出层,建立海堤渗压改进PSO-BP监测模型。采用浦东海堤实测信息作为实例进行分析,结果显示,与BP模型相比,改进PSO-BP模型在海堤渗压监测应用中具有更高的收敛速度和更强的预测能力,能更有效地揭示海堤渗压的变化规律。
[Abstract]:Because the traditional BP neural network has the shortcoming of slow convergence speed and difficult to get rid of the local minimum, the improved particle swarm optimization (PSO) algorithm is used for fast convergence and powerful global search ability. The improved particle swarm optimization (PSO) algorithm is combined with BP neural network to classify and compare the influencing factors of seepage pressure according to the characteristics of seawall. The main factors are selected by correlation coefficient method to construct the model input layer and the corresponding seepage pressure is used as the model output layer. An improved PSO-BP monitoring model for seawall seepage pressure was established. Using the measured data of Pudong seawall as an example, the results show that compared with the BP model, the improved PSO-BP model has higher convergence speed and stronger prediction ability in the application of seawall seepage pressure monitoring. It can more effectively reveal the variation law of seawall seepage pressure.
【作者单位】： 合肥工业大学土木与水利工程学院;
【基金】：国家自然科学基金资助项目(50979056) 水利部公益性行业专项经费资助项目(201401063-02) 三峡库区地质灾害教育部重点实验室(三峡大学)开放研究基金(2015KDZ03) 安徽省科技攻关计划项目(1604a0802106)
【分类号】：U656.314;TP183

【参考文献】

相关期刊论文 前5条

1 陆迎寿;黄铭;蓝祝光;;人工神经网络在海堤非稳定渗流参数反演中的应用[J];南水北调与水利科技;2015年06期

2 罗丹;李昌彩;吴长彬;;基于微粒群 BP神经网络算法的堆石坝坝体变形监控模型研究[J];岩石力学与工程学报;2012年S1期

3 王德明;王莉;张广明;;基于遗传BP神经网络的短期风速预测模型[J];浙江大学学报(工学版);2012年05期

4 黄铭;刘俊;;海堤渗压周期特征分析及其在神经网络监测模型中的应用[J];应用基础与工程科学学报;2010年02期

5 王晓萍;孙继洋;金鑫;;基于BP神经网络的钱塘江水质指标的预测[J];浙江大学学报(工学版);2007年02期

【共引文献】

相关期刊论文 前10条

1 吴鹏;胡启洲;杨莹;刘倩茜;刘琛;;车辆排放对大气污染的模糊监测及神经预测模型[J];交通科技与经济;2016年06期

2 叶一枝;;基于BP-GA综合算法的风速预测[J];能源与节能;2016年12期

3 丁海英;;基于BP神经网络的盾构机姿态与轨迹控制研究[J];机械设计与制造工程;2016年12期

4 李培都;司建华;冯起;鱼腾飞;赵春彦;;基于Bp神经网络和Ball-Berry模型的胡杨气孔导度模拟[J];干旱区资源与环境;2016年11期

5 严旭;李思源;张征;;基于遗传算法的BP神经网络在城市用水量预测中的应用[J];计算机科学;2016年S2期

6 黄俊;张丰伟;赵振刚;文溢;李川;;山火的无线传感与RBF分析研究[J];传感器与微系统;2016年11期

7 郑亚清;彭江华;;高校消防设施安全评价预测模型研究[J];重庆科技学院学报(自然科学版);2016年05期

8 赵瑞勇;周新志;;基于MEA-BP的微波加热褐煤温度预测[J];传感器与微系统;2016年10期

9 蒋翠玲;林家骏;;一种基于遗传算法和BP网络的鲁棒图像哈希方法[J];应用科学学报;2016年05期

10 崔晓斌;黄放;孟伟娜;梅益;;基于人工神经网络的铸钢合金成分与流动性关系的研究[J];铸造技术;2016年09期

【二级参考文献】

相关期刊论文 前10条

1 景孟旗;沈长松;刘宾;王冬;余敏林;;基于BP神经网络的堆石坝参数反分析[J];电子测试;2013年20期

2 李丹;黄铭;杨运宝;蔚清;;基于Ansys的海堤渗流分析[J];工程与建设;2013年02期

3 林奇;王伟;王颖;宋春雨;;潮位涨落过程中海堤渗流及稳定性分析[J];人民长江;2011年03期

4 黄铭;;潮位影响下的海堤渗压变化特点[J];人民长江;2010年06期

5 彭怀午;杨晓峰;刘方锐;;基于SVM方法的风电场短期风速预测[J];电网与清洁能源;2009年07期

6 辛丽萍;王均星;陈炜;王雯;;三维饱和-非饱和瞬态渗流的ANSYS模拟[J];中国农村水利水电;2009年07期

7 李娜;李郁侠;;粒子群-神经网络混合算法在短期电价预测中的应用[J];水力发电学报;2009年03期

8 张晓飞;李守义;陈尧隆;杨杰;余猛;;改进的BP神经网络在碾压混凝土坝温度场反分析中的应用[J];西安理工大学学报;2009年01期

9 孙元章;吴俊;李国杰;何剑;;基于风速预测和随机规划的含风电场电力系统动态经济调度[J];中国电机工程学报;2009年04期

10 骆进军;李波;李立辉;;基于神经网络的大坝岩体渗透系数张量反演分析[J];水电能源科学;2008年05期

【相似文献】

相关期刊论文 前10条

1 刘思君;;土壤渗压试验计算的简化方法[J];人民长江;1956年07期

2 秦俊德;陈村大坝坝基渗压问题的探讨[J];大坝与安全;1991年04期

3 郭澄平;钻孔多点渗压测量及压模系统[J];水力发电;1998年04期

4 邵凌峰;刘安宇;方朝阳;;富水水库坝基渗压水头测值变化规律分析[J];人民黄河;2013年11期

5 倪新铮;埋设在海子水库南副坝的水管式渗压仪[J];水利水电技术;1981年02期

6 张建海,何江达,范景伟;渗压对小湾坝肩岩体稳定性的影响[J];云南水力发电;2000年02期

7 宋汉周，，江晓文;湖南镇大坝右坝肩渗压异常互渗控研究[J];水文地质工程地质;1996年06期

8 秦俊德;陈村大坝坝基渗压问题的探讨[J];华东电力;1989年06期

9 潘锦江;浅议水工建筑物的基底渗压系数[J];四川水力发电;2004年03期

10 马柏林;怀柔水库主坝渗压与沉陷观测资料浅析[J];北京水利;1998年03期

相关会议论文 前3条

1 齐清兰;张力霆;;渗压固结过程中固结特性指标关系探讨[A];第14届全国结构工程学术会议论文集（第二册）[C];2005年

2 廖燕贻;;ZSY-1型钻孔渗压仪研制报告[A];三峡工程坝址区工程地质与岩石力学研究文集（上册）[C];1992年

3 邓承景;;业庄铁矿注浆帷幕稳定性监测及预测技术[A];晋琼粤川鲁冀辽七省金属（冶金）学会第二十一届矿业学术交流会论文集[C];2014年

相关博士学位论文 前1条

1 魏静;渗压作用下的有限应变固结理论研究[D];天津大学;2004年

本文编号：2372207