CN113836797A - 基于ga-bp神经网络的湿气管道持液率预测方法 - Google Patents
基于ga-bp神经网络的湿气管道持液率预测方法 Download PDFInfo
- Publication number
- CN113836797A CN113836797A CN202111053777.0A CN202111053777A CN113836797A CN 113836797 A CN113836797 A CN 113836797A CN 202111053777 A CN202111053777 A CN 202111053777A CN 113836797 A CN113836797 A CN 113836797A
- Authority
- CN
- China
- Prior art keywords
- neural network
- genetic algorithm
- liquid holdup
- population
- algorithm
- 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 78
- 239000007788 liquid Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 230000002068 genetic effect Effects 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims abstract 3
- 210000000349 chromosome Anatomy 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000005514 two-phase flow Effects 0.000 abstract description 2
- 238000003889 chemical engineering Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 22
- 238000012360 testing method Methods 0.000 description 10
- 230000035772 mutation Effects 0.000 description 9
- 108090000623 proteins and genes Proteins 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 241000521257 Hydrops Species 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000272201 Columbiformes Species 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- SESFRYSPDFLNCH-UHFFFAOYSA-N benzyl benzoate Chemical compound C=1C=CC=CC=1C(=O)OCC1=CC=CC=C1 SESFRYSPDFLNCH-UHFFFAOYSA-N 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于GA‑BP神经网络预测湿气管道持液率的方法，收集并分析了大量湿气管道实验数据，作为云联数据进行大量机器学习；构建遗传算法优化的BP神经网络，主要进行了以下工作：确定BP神经网络初始结构；确定遗传算法中种群大小、编码长度和适应度；选择遗传算子；计算最优权值和阈值；检验模型准确性；计算湿气管道系统的持液率参数。本发明为解决BP神经网络的不足，采用遗传算法优化BP神经网络，遵循“优胜劣汰”的原则，具有良好的全局搜索性能，较好的克服了BP算法局部最优的缺陷，同时可优化BP神经网络初始权重和阈值，进一步提高BP神经网络的计算精度。适用范围广，准确率高达95％以上。除了湿气管道，本发明同样适用于动力工程、核能利用、化工等工业领域的气液两相流持液率流动参数预测。
Description
技术领域
本发明涉及一种基于GA(遗传算法)-BP神经网络的气液流动参数预测方法，以对湿气管道的持液率进行在线预测，属于多相流预测领域。
背景技术
作为当今世界主要的战略资源之一，石油拥有着不可动摇的地位，各国因为石油能源的争夺引发战争。然而在油气田开发过程中，油田产出物主要为有石油，天然气以及水，其中石油和水混合产出，为了减少生产成本，通常将它们以混合物的形式进行输送。在湿气管道输送过程中，通常使用气液混输的方式进行输送，这样即减少了气液分离后单相输送的经济成本，又节省了施工周期，提高油田经济效益。起伏地形条件下，湿气管路往往会在管路低洼处形成积液，而积液的累积会影响管路输送效率，严重时会导致管路堵塞无法正常运行。积液的形成又与管路的流型、持液率和压降密不可分，其中持液率是重要的运行参数。持液率反映了管道截面上液体所占的比率，这对管内油气界面分布的了解、对于管道清管周期的确定都有重要意义。
目前，用于计算水平管道持液率的计算模型有很多，大多数是经验或半经验公式，计算结果误差较大。随着计算机科学的兴起，智能算法逐渐应用于持液率预测方面。陈星杙等基于ACE算法建立了水平管道持液率计算模型；肖荣鸽等将BP神经网络算法应用于水平管道持液率的预测；邵孟良等基于遗传算法对BP神经网络的权值和阀值进行优化，建立精度较高的气液两相流持液率预测模型；Emad A等采用自适应模糊神经网络算法建立了多相流流型判别模型和持液率预测模型，为油气行业持液率计算提供了新思路。
水平管道持液率受很多因素综合影响，因此持液率预测是属于多因素影响的复杂非线性映射问题，而BP神经网络算法刚好能解决此类问题。但传统的BP神经算法由于初始权值和阀值的选取具有很大的随机性，伴随着预测精度差、预测不稳定等问题。为了解决这一问题，研究者提出了一种利用遗传算法优化BP神经网络对持液率进行预测的方法。
发明内容
本发明的目的是提供基于GA(遗传算法)-BP神经网络的湿气管道持液率预测方法，通过大量机器学习，对湿气管道的持液率进行在线预测。
本发明通过对湿气管道的管径、压力、气速、液速、温度、液相粘度等6个影响变量和目标变量持液率进行分析以及归一化处理，建立影响变量与目标变量的映射关系，通过GA-BP神经网络不断训练、学习，达到计算湿气管道持液率预测的目标。
基于GA-BP神经网络预测湿气管道持液率的方法，具体步骤如下：
利用遗传算法构建神经网络结构部分：
步骤1：随机产生N个染色体数字串，组成初始种群，其中每个染色体表示一种参数组合对应的神经网络模型；
步骤2：REPEAT取出种群中第I个染色体，解码后得到一种参数组合，构成一个神经网络；评价所得神经网络，计算其对应染色体的适应度；UNTIL种群为空；进行选择、交叉、变异运算，构成下一代种群；
步骤3：新种群满足性能评价标准或到达给定代数，转到步骤4，否则转到步骤2重复执行；
步骤4：解码种群适应度最高的染色体，用其参数集构成一个神经网络，即为结构最优的神经网络。
遗传算法对神经网络优化部分：
步骤1：确定神经网络的结构，给定神经网络的输入、输出样本集；
步骤2：确定网络权值的编码，个体的位串长度，一组权值与遗传空间的个体位串的关是由编码映射确定的；
步骤3：选定遗传操作，设置遗传参数及自适应调整算法等；
步骤4：随机产生初始群体，设为N个个体；
步骤5：对种群中的每一个体位串进行译码，求得N组网络权值，得到具有相同结构的N个网络；
步骤6：由输入样本集经前向传播算法求得N组网络权值对应的N个网络输出；
步骤7：确定适应度函数，对N组网络进行评价，一般以误差函数的倒数作为染色体的评价函数，计算每条染色体的适应度值，误差越大，适应度越小；
步骤8：根据适应度在遗传空间进行选优操作.选择若干适应度函数值大的个体直接进入下一代，适应度小的个体被淘汰.
步骤9：利用交叉、变异等遗传算子对当前一代群体进行处理，并产生下一代群体.
步骤10：重复步骤5-步骤10，对新一代群体进行新一轮的迭代，直到训练练目标满足终止条件为止，即得到一组优化的权值；
最后将这组优化后的连接权值作为神经网络的新的权值应用到BP神经网络中去；
发明优点：
遗传算法和神经网络都是计算智能领域重要的算法，遗传算法借鉴生物界适者生存，优胜劣汰遗传机制的规律，来寻找一个问题的最优解。神经网络则是模拟生物神经网络的结构和功能的数学模型或计算模型。大量细胞构成各种神经网络。通过在遗传算法调整神经网络的结构，使得神经网络获得动态的结构，从而更加智能。用遗传算法调整权重，获得更快的速度，同时更大程度的避免出现局部最优情况下收敛。将遗传算法应用于神经网络，大大提高神经网络的性能。
本发明是基于GA-BP神经网络的湿气管道持液率计算方法，提供了一种实时、快速、在线的方法，对于油气流动安全保障监控具有重要价值。本发明能够对水平管道、上倾管道以及下倾管道的持液率进行预测，适用范围广，准确率高达95％以上。
附图说明
图1为基于GA-BP神经网络的持液率预测方法流程图。
图2为基于GA-BP神经网络的持液率预测方法适应度曲线。
图3为BP神经网络和GA-BP神经网络预测管道持液率的预测输出与期望输出对比。
图4为BP神经网络和GA-BP神经网络预测管道持液率的误差对比。
表1为基于GA-BP神经网络的管道持液率实施举例。
具体实施方式
以下结合附图1对本发明方法作进一步的详细描述：
基于GA-BP神经网络预测湿气管道持液率的方法，计算过程见图1，步骤包括：
步骤1：确定BP神经网络初始结构
一般设计神经网络应优先考虑3层网络(即有1个隐层)，增加隐藏层数可以降低网络误差，提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。
本发明设计使用的神经网络为3层网络。
以湿气管道的管径、压力、气速、液速、温度、液相粘度等共计6个影响变量，作为BP神经网络输入层的输入量。
输出层的节点数1；隐藏层的节点数由计算隐含层元素个数的经验公式确定，常用的经验公式如下：
其中，式中，m为隐含层节点数，n为输入层节点数，1为输出层节点数，α为1～10之间的常数。根据经验公式，当m＝6时，计算得到最佳隐含层节点数应为9；
为了便于计算与比较，需要将输入层和输出层神经元进行归一化处理，归一化的公式为：
其中，α为归一化处理后的特征值，xi为归一化处理前的特征值，xmax、xmin分别为归一化处理前特征值的最大值和最小值，i是特征值序号，表示第i个特征值，i∈1，......，n；ymax、ymin是归一化后期望的最大值和最小值，一般默认为1和-1。
定义流动参数——湿气管道持液率为输出层，即输出层只有一个神经元。
考虑到持液率的特点，输入层、隐藏层和输出层之间使用线性传递函数，因此，神经网络的隐含层神经元的传递函数采用S型正切函数tansig()，输出层神经元的传递函数采用S型对数函数logsig()，这是由于输出模式0-1刚好满足网络的输出要求。经过多次试验，训练次数设为1000，训练目标设为10-5，学习速率设置为0.1。
遗传算法优化BP神经网络是用遗传算法来优化BP神经网络的初始权值和阈值，使优化后的BP神经网络能够更好的进行样本预测。遗传算法优化BP蛇精网络的要素包括：种群初始化、适应度函数、选择算子、交叉算子和变异算子。
本实例以管道持液率为目标，图3、图4为基于GA-BP神经网络的持液率预测方法实施举例。
种群初始化：确定遗传算法中种群大小、编码长度和适应度
遗传算法是从随机选择的初始解开始，通过基于上一代群体中的个体(即染色体)的选择、交叉、变异操作选代以产生新的解。
设置种群大小：遗传算法着眼种群，即多个给定初始解的集合，每个初始解被称为个体，也就是染色体。迭代运算时，种群大小不变，种群中的染色体在问题解空间内不断发生改变，因此，种群大小会影响迭代速率，在实际问题解决的过程中应按照实际情况具体分析确定最初种群的规模和位置，一般在20～100之间。根据经验和重复试验，本发明实施例的最优种群大小为40。
编码是将数据转换成染色体，即遗传空间内固定形式与长度的基因串结构数据。本发明设计使用二进制编码，即用二进制字符集{0，1}中的0和1代表问题的候选解。
编码位数往往根据实际问题给出，一般在5～20之间。本实例应用的是6-9-1的三层神经网络，因此共有6×9×1＝24个权值，9+1＝10个阈值。经过多次试验，本实例最优二进制编码位数为10，因此每个个体的编码长度为：(24+10)×10＝340。
遗传算法中个体的适应度值是由适应度函数判断的，适应度说明了染色体的优劣性，因此适应度函数对问题计算出可比较的非负结果，再由后续选择算子进行比较。适应度函数采用以下几种方法：
1.适应度函数由目标函数直接转化
求最大值：g(x)＝f(x) (3)
求最小值：g(x)＝-f(x) (4)
2.倒数法
求最大值：
求最小值：
式中，c为目标函数的界限保守估计值。
本方法的实例应用的适应度函数为排序函数，通过将后续步骤中训练得到的权值和阈值与上一代权值和阈值之间的误差进行比较，按照误差从小到大排序，进行下一步骤的计算。
遗传算子的选择
包括选择算子的选择、交叉算子的选择和变异算子的选择。
选择算子是为了从当前群体中选择出优良染色体，让这些染色体繁殖出下一代群体。染色体通过适应度函数计算出的适应度越高，保留在下一代乃至多个子代的机会越高。适应度曲线如图2所示。
本方法使用随机遍历抽样法选择算子，每个个体被选择的几率相等，为个体总数的倒数；
本方法使用最简单的单点交叉算子：
单点交叉中，染色体的断点只有一个，若父串的长度为n，则单点交叉有(n-1)种不同交叉结果。
本方法中，变异算子是指随机选择的某个染色体有一定的概率去改变数据，通常作为一个产生新物种的辅助手段，具有局部搜索能力，进一步扩展了种群的多样性。变异算子通过确定种群中染色体的范围，确定基因位置，通过给定的变异概率对该位置的基因进行变异操作。
变异以一定概率产生变异基因数，用随机方法选取发生变异的基因。如果所选取的基因的编码为1，则变为0，反之，则变为1。
经多次计算，本发明实施案例的种群大小设置为40，最大遗传代数为50，变量的二进制位数为10，交叉概率为0.7，变异概率为0.01，代沟为0.95。
计算最优权值和阈值
在各湿气管道实验数据中，遵循独立、互不干扰的原则，随机选取38组不同的持液率运行数据，选取全部工况的80％作为训练样本，20％作为测试样本；选择与训练样本对应的持液率作为训练样本结果，选择与测试样本对应的持液率作为测试样本结果；将训练样本、测试样本、训练样本结果、测试样本结果参数归一化；
将归一化后的训练样本、训练样本结果、测试样本、测试样本结果带入BP神经网络进行训练，得到初始权值和阈值；然后进行遗传算法优化计算，根据前面设置的种群大小、编码形式和适应度函数对权值和阈值进行适应度计算，利用设置的遗传算子进行迭代；
经过遗传算子的迭代后，得到下一代种群；通过适应度函数对种群进行评价，当迭代次数达到预先给定数值时迭代停止，此时得到最优权值和阈值；
迭代次数的选择范围是200次以下；当达到设定的迭代次数时，得到的最优个体为BP神经网络的最优权值和阈值。经多次计算验证，综合考虑迭代时间，本实例给定的最大迭代次数即最大遗传代数为50，
模型准确性检验
将得到的最优权值和阈值重新赋给神经网络，将测试样本代入BP神经网络，比较计算输出结果与真实结果，如果计算误差在5％以下，模型建立成功，若不满足计算误差，重复进行训练和预测，直到计算误差满足设计要求；此时的BP神经网络即为经过遗传算法优化过的最优BP神经网络。此时预测的得到的持液率数据即为预测值。
为了对比BP神经网络和GA-BP神经网络的差异性，本发明列举了相同管道运行条件下，BP神经网络和GA-BP神经网络的误差对比，如图4所示。随机选取8组数据对模型进行验证。对比可见本文改进后模型预测效果显著提高。
本发明以前人的湿气管道持液率实验数据为例，在模型完成训练学习后，进行了38组工况的神经网络识别验证，如图3、图4所示。在本次实例中，8组持液率的平均误差分别为8.359％，可见满足工业应用。
表1部分水平管持液率数据
Claims (1)
1.本权利要求所述的基于GA-BP神经网络预测湿气管道持液率的方法，其特征是优化算法准确性高，全自动的计算与误差分析，对原始数据的要求友好；
本权利要求所述的遗传算法构建神经网络结构部分，主要包括：随机产生初始种群；解评价码后得到的神经网络，计算其对应染色体的适应度；选择、交叉、变异构成下一代种群；满足性能评价标准或到达给定代数，解码种群适应度最高的染色体，参数集构成结构最优的神经网络。
本权利要求所述的遗传算法对神经网络优化部分，其特征是：遵循“优胜劣汰”的原则，具有良好的全局搜索性能，较好的克服了BP算法局部最优的缺陷，同时可优化BP神经网络初始权重和阈值，进一步提高BP神经网络的计算精度。其主要步骤是：
步骤1：将BP神经网络的初始权值与阈值作为遗传算法的进化对象，对其进行种群初始化；
步骤2：将BP神经网络总误差函数的倒数作为遗传算法中的适应度函数，计算每个个体的适应度，如果此时的权值与阈值并不是最优，在不断经历选择、交叉、变异环节之后，筛选出最佳的权值与阈值。
步骤3：将此权值与阈值解码输入到BP神经网络中，这标志着遗传算法阶段的结束，开始执行BP神经网络算法的训练过程：；
步骤4：不断进行信号的正向传播和误差的反向传播，直至达到符合要求的误差精度为止。
此时BP神经网络训练结束，湿气管道持液率的GA-BP神经网络评价模型完成建立。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111053777.0A CN113836797A (zh) | 2021-09-01 | 2021-09-01 | 基于ga-bp神经网络的湿气管道持液率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111053777.0A CN113836797A (zh) | 2021-09-01 | 2021-09-01 | 基于ga-bp神经网络的湿气管道持液率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113836797A true CN113836797A (zh) | 2021-12-24 |
Family
ID=78958718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111053777.0A Pending CN113836797A (zh) | 2021-09-01 | 2021-09-01 | 基于ga-bp神经网络的湿气管道持液率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113836797A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114855224A (zh) * | 2022-05-10 | 2022-08-05 | 西安格睿能源动力科技有限公司 | 用于平衡多个电解槽集气罩烟气收集量的方法 |
| CN114916051A (zh) * | 2022-05-24 | 2022-08-16 | 桂林电子科技大学 | 一种基于bp神经网络的leo卫星功率控制方法 |
| CN115207788A (zh) * | 2022-08-09 | 2022-10-18 | 国网福建省电力有限公司 | 基于加热器优化选型的开关柜智能除湿装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018161468A1 (zh) * | 2017-03-10 | 2018-09-13 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
| CN112114047A (zh) * | 2020-09-18 | 2020-12-22 | 中国石油大学(华东) | 基于声发射-ga-bp神经网络的气液流动参数检测方法 |
-
2021
- 2021-09-01 CN CN202111053777.0A patent/CN113836797A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018161468A1 (zh) * | 2017-03-10 | 2018-09-13 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
| CN112114047A (zh) * | 2020-09-18 | 2020-12-22 | 中国石油大学(华东) | 基于声发射-ga-bp神经网络的气液流动参数检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘钊;曹斌;: "基于Niche GA的BP神经网络评价天然气集输管道腐蚀", 化学工程与装备, no. 09 * |
| 杨梅;卿晓霞;王波;: "基于改进遗传算法的神经网络优化方法", 计算机仿真, no. 05 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114855224A (zh) * | 2022-05-10 | 2022-08-05 | 西安格睿能源动力科技有限公司 | 用于平衡多个电解槽集气罩烟气收集量的方法 |
| CN114855224B (zh) * | 2022-05-10 | 2024-02-20 | 西安格睿能源动力科技有限公司 | 用于平衡多个电解槽集气罩烟气收集量的方法 |
| CN114916051A (zh) * | 2022-05-24 | 2022-08-16 | 桂林电子科技大学 | 一种基于bp神经网络的leo卫星功率控制方法 |
| CN115207788A (zh) * | 2022-08-09 | 2022-10-18 | 国网福建省电力有限公司 | 基于加热器优化选型的开关柜智能除湿装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113836797A (zh) | 基于ga-bp神经网络的湿气管道持液率预测方法 | |
| CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
| CN109408774B (zh) | 基于随机森林和梯度提升树的预测污水出水指标的方法 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
| CN112070356A (zh) | 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法 | |
| CN115049041A (zh) | 基于woa-bp神经网络的湿气管道持液率预测方法 | |
| CN113094988A (zh) | 一种基于数据驱动的浆液循环泵运行优化方法及系统 | |
| CN112418491A (zh) | 一种水库剩余拦沙库容动态配置方法 | |
| CN111027733A (zh) | 一种基于大数据技术的石油化工装置产品收率优化方法 | |
| CN102708047B (zh) | 数据流测试用例生成方法 | |
| CN109829244A (zh) | 算法优化深度网络和三代遗传算法的风机优化设计方法 | |
| CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
| CN114818487A (zh) | 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 | |
| CN107894710B (zh) | 一种裂解反应炉温度的主成分分析建模方法 | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN110633868A (zh) | 遗传算法优化神经网络进行探井试油层油气性质预测方法 | |
| CN114119277A (zh) | 一种基于人工智能神经网络的絮凝投药决策的分析方法 | |
| CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
| Hrnija et al. | Genetic programming for turbidity prediction: hourly and monthly scenarios | |
| CN113111308B (zh) | 基于数据驱动遗传编程算法的符号回归方法及系统 | |
| Jun et al. | Deep leaning neural networks for determining replacement timing of steel water transmission pipes | |
| CN114743617A (zh) | 一种高效的MOFs材料搜索与生成方法 | |
| CN111815151A (zh) | 一种基于数据挖掘的污水处理厂甲烷产量预测方法 |
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 |