CN110263911A - 一种基于神经网络的堆石混凝土技术适应度反馈调节方法 - Google Patents
一种基于神经网络的堆石混凝土技术适应度反馈调节方法 Download PDFInfo
- Publication number
- CN110263911A CN110263911A CN201910364079.9A CN201910364079A CN110263911A CN 110263911 A CN110263911 A CN 110263911A CN 201910364079 A CN201910364079 A CN 201910364079A CN 110263911 A CN110263911 A CN 110263911A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- rock
- fitness
- fill concrete
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 238000005516 engineering process Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000009123 feedback regulation Effects 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 32
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 16
- 239000000463 material Substances 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 239000004035 construction material Substances 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 230000003487 anti-permeability effect Effects 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于神经网络的堆石混凝土技术适应度反馈调节方法,包括如下步骤:构造样本数据:采集堆石混凝土适应性评价数据;构建神经网络,并将评价指标的权重作为输入层的输入样本,将适应度作为输出层的期望输出导入至神经网络,采用BP算法对神经网络进行学习训练;获取实际输入样本,并将其输入到学习训练好的神经网络,若实际适应度不符合期望适应度,则将实际输入样本和期望适应度添加至样本数据内,并返回对神经网络重新进行学习训练,改变实际输入样本中各评价指标的权重的分配,实现堆石混凝土技术适应度的反馈调节。可以实现堆石混凝土技术适应度的反馈调节,以及可以预测堆石混凝土技术更改或进步后的适应度。
Description
技术领域
本发明涉及水利工程领域,具体涉及一种基于神经网络的堆石混凝土技术适应度反馈调节方法。
背景技术
堆石混凝土技术是一种新型混凝土筑坝技术,其设计出发点在于,大坝混凝土采用大体积混凝土,降低混凝土的绝热温升和单方混凝土成本是实际工程的迫切需求。2003年,清华大学首先提出了堆石混凝土这一概念,填补了这一项技术空缺。自从它的概念提出以来,就被大量应用于工程实践,硕果累累。基于堆石混凝土适应性评价体系,利用层次分析法和模糊综合评判方法可以确定堆石混凝土的适应度,但是随着技术的进步,利用层次分析法和模糊综合评价法得到的预测值会与期望值不符,而且层次分析法以及模糊综合评价法又是自上而下的,不能对结果进行反馈调节。
发明内容
本发明所要解决的技术问题是提供一种基于神经网络的堆石混凝土技术适应度反馈调节方法,以克服上述现有技术中的不足。
本发明解决上述技术问题的技术方案如下:一种基于神经网络的堆石混凝土技术适应度反馈调节方法,包括如下步骤:
步骤1、构造样本数据:采集已有堆石混凝土适应性评价数据,包括评价指标的权重以及适应度;
步骤2、训练:构建神经网络,并将评价指标的权重作为输入层的输入样本,以及将适应度作为输出层的期望输出导入至神经网络,然后采用BP算法对神经网络进行学习训练;
步骤3、根据实际工程资料,获取实际输入样本,并将其输入到步骤2学习训练好的神经网络,计算出实际适应度;若实际适应度不符合期望适应度,则将实际输入样本和期望适应度添加至步骤1的样本数据内,并返回步骤2对神经网络重新进行学习训练,改变实际输入样本中各评价指标的权重的分配,以实现堆石混凝土技术适应度的反馈调节。
本发明的有益效果是:通过利用BP算法对神经网络进行学习训练,使其具备对样本数据的记忆和联想的能力,当随着堆石混凝土技术的更改或进步时,也可以实现堆石混凝土技术适应度的反馈调节,以及可以预测堆石混凝土技术更改或进步后的适应度,从而有效解决了层次分析法和模糊综合评价法所存在的缺陷。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤1具体步骤如下:
步骤11、确定堆石混凝土适用性评价体系的评价指标;
步骤12、根据层次分析法确定各评价指标的权重,形成权重矩阵,且满足一致性检验;
步骤13、基于模糊综合评价法根据各评价指标的定量评价值求解其对应隶属度,形成隶属度矩阵;
步骤14、将权重矩阵与隶属度矩阵两者相乘,计算得到工程最终的隶属度,即为适应度。
进一步,所述步骤11具体为:
确定堆石混凝土适应性评价体系,包括对象性、易用性、有效性、可靠性和经济性5个准则层,对象性准则层包括构筑物的设计等级、结构形式、社会价值3个评价指标;易用性准则层包括对象所在场所、施工人员专业素质、施工机械化程度、重要材料的供应能力、气候条件、地质条件6个评价指标;有效性准则层包括凝土强度评价、热效应、干缩性能、抗渗性能、抗裂性能5个评价指标;可靠性准则层包括施工难易程度、施工危险性、材料获取的难易程度、施工工期4个评价指标;经济性准则层包括堆石骨料能否就地取材、施工材料的当地成本、能量供应情况、核心货物运输的难易程度和运输距离、施工和运营期间的人工成本5个评价指标,共计23个评价指标。
进一步,所述神经网络采用四层神经网络结构,每层神经元各30个,学习率为0.3,迭代次数大于100000次。
进一步,所述四层神经网络结构中输入层与第一层隐含层之间的传递函数为tansig函数,第一层隐含层与第二层隐含层之间的传递函数为tansig函数,第二层隐含层与输出层之间的传递函数为purelin函数。
进一步,输入层与第一层隐含层之间的传递函数tansig的表达式为:
式中P为输入层待输入的数据库数据,W1为神经网络第一层隐含层的待计算权值矩阵,B1为神经网络第一层隐含层的待计算阈值矩阵,F1为第一层隐含层输出的数据;
第一层隐含层与第二层隐含层之间的传递函数tansig的表达式为:
式中F1为第一层隐含层输出的数据,W2为神经网络第二层隐含层的待计算权值矩阵,B2为神经网络第二层隐含层的待计算阈值矩阵,F2为第二层隐含层输出的数据;
第二层隐含层与输出层之间的传递函数purelin的表达式为:
F3=F2W3+B3
式中F2为第二层隐含层输出的数据,W3为神经网络输出层的待计算权值矩阵,B3为神经网络输出层的待计算阈值矩阵,F3为输出层输出的数据。
附图说明
图1为BP算法训练神经网络的流程图;
图2为神经网络反馈调节图;
图3为基于神经网络的堆石混凝土技术适应度反馈调节方法的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1、图2、图3所示,一种基于神经网络的堆石混凝土技术适应度反馈调节方法,包括如下步骤:
步骤1、构造样本数据:采集359组已有堆石混凝土适应性评价数据,每组堆石混凝土适应性评价数据包括评价指标的权重以及适应度,当然在实际采集过程中采集的组数可以是其它数量,如400、500、600、700等;
步骤2、训练:构建神经网络,将每组堆石混凝土适应性评价数据中的评价指标的权重作为输入层的输入样本,以及将适应度作为输出层的期望输出导入至神经网络,然后采用BP算法对神经网络进行学习训练;
步骤3、根据实际工程资料,获取实际输入样本,并将其输入到步骤2学习训练好的神经网络,计算出实际适应度;若实际适应度不符合期望适应度,则将实际输入样本和期望适应度添加至步骤1的样本数据内,并根据步骤2对神经网络重新进行学习训练,改变实际输入样本中各评价指标的权重的分配,以实现堆石混凝土技术适应度的反馈调节。
所述步骤1具体步骤如下:
步骤11、确定堆石混凝土适应性评价体系的评价指标,具体为:确定堆石混凝土适应性评价体系,包括对象性、易用性、有效性、可靠性和经济性5个准则层,对象性准则层包括构筑物的设计等级、结构形式、社会价值3个评价指标;易用性准则层包括对象所在场所、施工人员专业素质、施工机械化程度、重要材料的供应能力、气候条件、地质条件6个评价指标;有效性准则层包括凝土强度评价、热效应、干缩性能、抗渗性能、抗裂性能5个评价指标;可靠性准则层包括施工难易程度、施工危险性、材料获取的难易程度、施工工期4个评价指标;经济性准则层包括堆石骨料能否就地取材、施工材料的当地成本、能量供应情况、核心货物运输的难易程度和运输距离、施工和运营期间的人工成本5个评价指标;
步骤12、根据层次分析法确定各评价指标的权重,形成权重矩阵,且满足一致性检验;
步骤13、基于模糊综合评价法根据各评价指标的定量评价值求解其对应隶属度,形成隶属度矩阵;
步骤14、将权重矩阵与隶属度矩阵两者相乘,计算得到工程最终的隶属度,即为适应度。
步骤12的具体步骤如下:根据层次分析法确定23个评价指标的权重,形成权重矩阵,且满足一致性检验。
步骤13的具体步骤如下:
步骤131、确定评价集,评价集划分为={完全适应,适应,不适应};
步骤132,对23个评价指标进行值域的划分;
步骤133,确定隶属度函数;
步骤134、将23个评价指标的定量评价值代入隶属度函数求解各个指标的隶属度,形成隶属度矩阵。
步骤134中隶属度函数通常为半梯形分布函数。
所述神经网络采用四层神经网络结构,每层神经元各30个,学习率为0.3,迭代次数大于100000次。
所述四层神经网络结构中输入层与第一层隐含层之间的传递函数为tansig函数,第一层隐含层与第二层隐含层之间的传递函数为tansig函数,第二层隐含层与输出层之间的传递函数为purelin函数。
输入层与第一层隐含层之间的传递函数tansig的表达式为:
式中P为输入层待输入的数据库数据,W1为神经网络第一层隐含层的待计算权值矩阵,B1为神经网络第一层隐含层的待计算阈值矩阵,F1为第一层隐含层输出的数据;
第一层隐含层与第二层隐含层之间的传递函数tansig的表达式为:
式中F1为第一层隐含层输出的数据,W2为神经网络第二层隐含层的待计算权值矩阵,B2为神经网络第二层隐含层的待计算阈值矩阵,F2为第二层隐含层输出的数据;
第二层隐含层与输出层之间的传递函数purelin的表达式为:
F3=F2W3+B3
式中F2为第二层隐含层输出的数据,W3为神经网络输出层的待计算权值矩阵,B3为神经网络输出层的待计算阈值矩阵,F3为输出层输出的数据。
BP算法为现有成熟技术,故以下仅对其进行简单介绍:
1)初始化;
2)导入输入样本,计算各层输出;
3)计算网络输出误差;
4)计算各层误差信号;
5)调整各层权重;
6)检查网络总误差是否达到精度要求,满足,则训练结束;不满足,则返回步骤2)。
BP算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成,正向传播时,输入样本从输入层传入,经由第一层隐含层、第二层隐含层逐层处理后,传向输出层,每层神经元的状态只影响下一层神经元,输入层与第一层隐含层之间的权值矩阵为V,阈值矩阵为b1,第一层隐含层与第二层隐含层之间的权值矩阵为H,阈值矩阵为b2,第二层隐含层与输出层之间的权值矩阵为W,阈值矩阵为b3;
若输出层的实际输出与期望输出不完全相同存在均方误差E时,若E的值满足设定的要求,则训练结束;若E的值不满足预期要求,则转向误差信号的反向传播流程,通过正向传播和反向传播交替进行,在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,以使网络误差函数达到最小值,完成信息提取和记忆过程,各层的权重得到调整,直至误差值e满足要求。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于神经网络的堆石混凝土技术适应度反馈调节方法,其特征在于,包括如下步骤:
步骤1、构造样本数据:采集已有堆石混凝土适应性评价数据,包括评价指标的权重以及适应度;
步骤2、训练:构建神经网络,并将评价指标的权重作为输入层的输入样本,以及将适应度作为输出层的期望输出导入至神经网络,然后采用BP算法对神经网络进行学习训练;
步骤3、根据实际工程资料,获取实际输入样本,并将其输入到步骤2学习训练好的神经网络,计算出实际适应度;若实际适应度不符合期望适应度,则将实际输入样本和期望适应度添加至步骤1的样本数据内,并返回步骤2对神经网络重新进行学习训练,改变实际输入样本中各评价指标的权重的分配,以实现堆石混凝土技术适应度的反馈调节。
2.根据权利要求1所述的一种基于神经网络的堆石混凝土技术适应度反馈调节方法,其特征在于,所述步骤1具体步骤如下:
步骤11、确定堆石混凝土适用性评价体系的评价指标;
步骤12、根据层次分析法确定各评价指标的权重,形成权重矩阵,且满足一致性检验;
步骤13、基于模糊综合评价法根据各评价指标的定量评价值求解其对应隶属度,形成隶属度矩阵;
步骤14、将权重矩阵与隶属度矩阵两者相乘,计算得到工程最终的隶属度,即为适应度。
3.根据权利要求2所述的一种基于神经网络的堆石混凝土技术适应度反馈调节方法,其特征在于,所述步骤11具体为:
确定堆石混凝土适应性评价体系,包括对象性、易用性、有效性、可靠性和经济性5个准则层,对象性准则层包括构筑物的设计等级、结构形式、社会价值3个评价指标;易用性准则层包括对象所在场所、施工人员专业素质、施工机械化程度、重要材料的供应能力、气候条件、地质条件6个评价指标;有效性准则层包括凝土强度评价、热效应、干缩性能、抗渗性能、抗裂性能5个评价指标;可靠性准则层包括施工难易程度、施工危险性、材料获取的难易程度、施工工期4个评价指标;经济性准则层包括堆石骨料能否就地取材、施工材料的当地成本、能量供应情况、核心货物运输的难易程度和运输距离、施工和运营期间的人工成本5个评价指标。
4.根据权利要求1所述的一种基于神经网络的堆石混凝土技术适应度反馈调节方法,其特征在于,所述神经网络采用四层神经网络结构,每层神经元各30个,学习率为0.3,迭代次数大于100000次。
5.根据权利要求4所述的一种基于神经网络的堆石混凝土技术适应度反馈调节方法,其特征在于,所述四层神经网络结构中输入层与第一层隐含层之间的传递函数为tansig函数,第一层隐含层与第二层隐含层之间的传递函数为tansig函数,第二层隐含层与输出层之间的传递函数为purelin函数。
6.根据权利要求5所述的一种基于神经网络的堆石混凝土技术适应度反馈调节方法,其特征在于,
输入层与第一层隐含层之间的传递函数tansig的表达式为:
式中P为输入层待输入的数据库数据,W1为神经网络第一层隐含层的待计算权值矩阵,B1为神经网络第一层隐含层的待计算阈值矩阵,F1为第一层隐含层输出的数据;
第一层隐含层与第二层隐含层之间的传递函数tansig的表达式为:
式中F1为第一层隐含层输出的数据,W2为神经网络第二层隐含层的待计算权值矩阵,B2为神经网络第二层隐含层的待计算阈值矩阵,F2为第二层隐含层输出的数据;
第二层隐含层与输出层之间的传递函数purelin的表达式为:
F3=F2W3+B3
式中F2为第二层隐含层输出的数据,W3为神经网络输出层的待计算权值矩阵,B3为神经网络输出层的待计算阈值矩阵,F3为输出层输出的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364079.9A CN110263911A (zh) | 2019-04-30 | 2019-04-30 | 一种基于神经网络的堆石混凝土技术适应度反馈调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364079.9A CN110263911A (zh) | 2019-04-30 | 2019-04-30 | 一种基于神经网络的堆石混凝土技术适应度反馈调节方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263911A true CN110263911A (zh) | 2019-09-20 |
Family
ID=67914078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910364079.9A Pending CN110263911A (zh) | 2019-04-30 | 2019-04-30 | 一种基于神经网络的堆石混凝土技术适应度反馈调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263911A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914321A (zh) * | 2020-06-09 | 2020-11-10 | 西安理工大学 | 一种堆石混凝土三相细观模型的建立方法 |
CN113033923A (zh) * | 2021-04-30 | 2021-06-25 | 中国建筑材料科学研究总院有限公司 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN106355540A (zh) * | 2016-09-18 | 2017-01-25 | 三峡大学 | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 |
JP2017066020A (ja) * | 2015-09-30 | 2017-04-06 | 太平洋セメント株式会社 | フライアッシュセメントの品質または製造条件の予測方法 |
CN108829936A (zh) * | 2018-05-23 | 2018-11-16 | 青岛理工大学 | 基于t-s模糊神经网络的既有重力式挡土墙技术状态评估方法 |
-
2019
- 2019-04-30 CN CN201910364079.9A patent/CN110263911A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
JP2017066020A (ja) * | 2015-09-30 | 2017-04-06 | 太平洋セメント株式会社 | フライアッシュセメントの品質または製造条件の予測方法 |
CN106355540A (zh) * | 2016-09-18 | 2017-01-25 | 三峡大学 | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 |
CN108829936A (zh) * | 2018-05-23 | 2018-11-16 | 青岛理工大学 | 基于t-s模糊神经网络的既有重力式挡土墙技术状态评估方法 |
Non-Patent Citations (1)
Title |
---|
马福恒 等: ""水利工程低弹模混凝土防渗墙适应性评价研究"", 《长江科学院院报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914321A (zh) * | 2020-06-09 | 2020-11-10 | 西安理工大学 | 一种堆石混凝土三相细观模型的建立方法 |
CN111914321B (zh) * | 2020-06-09 | 2024-01-16 | 西安理工大学 | 一种堆石混凝土三相细观模型的建立方法 |
CN113033923A (zh) * | 2021-04-30 | 2021-06-25 | 中国建筑材料科学研究总院有限公司 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
CN113033923B (zh) * | 2021-04-30 | 2024-05-14 | 中国建筑材料科学研究总院有限公司 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103268420B (zh) | 一种岩石高边坡的危险性评价方法 | |
CN105654236B (zh) | 一种地下水型饮用水水源地污染风险评价方法 | |
CN111625922B (zh) | 一种基于机器学习代理模型的大规模油藏注采优化方法 | |
CN107122927A (zh) | 一种调水引流水环境改善效果综合评价方法 | |
Zhang et al. | Improving dam seepage prediction using Back‐propagation neural network and genetic algorithm | |
Rao et al. | Optimal groundwater management in deltaic regions using simulated annealing and neural networks | |
CN106355540A (zh) | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 | |
CN106779211A (zh) | 一种用于油田注采井网驱替开发的产能预测方法 | |
CN110263911A (zh) | 一种基于神经网络的堆石混凝土技术适应度反馈调节方法 | |
CN107832950A (zh) | 一种基于改进区间模糊评价的配电网投资成效评价方法 | |
CN110264112A (zh) | 基于双向加权灰色关联的配电网可靠性影响因素分析方法 | |
CN106909999A (zh) | 小型土石坝退役综合评价方法 | |
Qiu et al. | Seepage monitoring models study of earth-rock dams influenced by rainstorms | |
Xu et al. | Inversion analysis of seepage parameters based on improved shuffled frog leaping algorithm | |
Lei et al. | Assessing emergency regulation technology in the middle route of the South-to-North Water Diversion Project, China | |
Fang et al. | Risk analysis of floodwater resources utilization along water diversion project: a case study of the Eastern Route of the South-to-North Water Diversion Project in China | |
Zhu et al. | Slope stability from a hydrological perspective: taking typical soil slope as an example | |
CN116431824A (zh) | 一种流域水环境问题专家咨询系统 | |
Cheng et al. | Safety grade evaluation of aqueduct structure based on fuzzy cloud theory analysis | |
Pathak et al. | Prediction of compressive strength of self compacting concrete with flyash and rice husk ash using adaptive neuro-fuzzy inference system | |
Imariq et al. | Quantify distribution of topsoil erodibility factor for watersheds that feed the Al-Shewicha trough–Iraq using GIS | |
CN110222929A (zh) | 一种堆石混凝土技术适用性评价的定量分析方法 | |
Mohammed | Driftwood blocking sensitivity on sluice gate flow | |
Abbas et al. | Optimum hydraulic investigation of pipe aqueduct by MATLAB software and Newton–Raphson method | |
Tang et al. | Heat exchange capacity prediction of borehole heat exchanger (BHE) from infrastructure based on machine learning (ML) methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |