基于BP神经网络的玄武岩纤维复合横担截面选型预测方法技术

本发明专利技术提供一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法，包括：利用建模软件建立参数化模型，依据中心复合试验样本，对参数化模型进行参数化扫描，通过对比选定材料参数下不同截面参数的横担的受力情况，结合开模成本选出最优截面，通过仿真分析得到横担的极限荷载，完善数据表；建立以BP算法为基础的神经网络，将输入样本数据输入神经网络进行正向传播；将神经网络的输出结果与期望结果之间的误差利用网络进行反向传播；迭代执行多次正反向传播，不断对网络的权值和阈值进行调整，直至误差满足精度要求，选择测试样本对参数化模型的实用性进行验证，得到准确的输出结果，本发明专利技术可以准确快速地预测横担最优截面参数。参数。参数。

【技术实现步骤摘要】
基于BP神经网络的玄武岩纤维复合横担截面选型预测方法


[0001]本专利技术涉及玄武岩纤维增强复合横担截面选型
，尤其涉及一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法。

技术介绍

[0002]近年来，复合绝缘横担因其强度高、质量轻、绝缘效果好等优点广泛应用于配电网中，不仅增加了横担的使用寿命，还提高了线路的抗灾害能力，降低成本，提高了经济效益。目前，配网使用的横担芯体大多由玻璃纤维增强复合材料制成，然而在面对热带海岛高湿、高热以及台风环境时，复合横担却表现出较易脆裂、容易老化特点，这极大限制了复合横担的推广。相比之下，玄武岩纤维具有更高的弹性模量、更低的成本，其作为增强材料所制作的复合横担展现了出色的力学性能，有望达到适应我国沿海地区台风等特殊应用环境的目的。
[0003]玄武岩纤维较高的弹性模量以及较好的力学性能，决定了以其作为增强材料所制作出的复合横担最适截面不同。通过优化不同大风工况下最适截面参数，可以最大限度地发挥玄武岩的优良性能，并减少芯棒尺寸开模、金具开模、硅橡胶伞裙开模的经济成本，推动玄武岩纤维增强复合横担的落地应用。目前，要获得最佳的横担截面参数，往往需要多个仿真模型或者进行多次试验进行对比，进而获得最佳的截面方案，费时、费力又不经济。

技术实现思路

[0004]鉴于此，本专利技术的目的在于提供一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法，以更加方便快捷地预测特定场景下复合横担的最优截面，为复合横担结构优化以及实验测量提供参考依据。
[0005]为实现上述专利技术目的，本专利技术提供一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法，所述方法包括以下步骤：
[0006]S101、利用建模软件建立参数化模型，依据中心复合试验样本，通过有限元仿真软件对参数化模型进行参数化扫描，通过对比选定材料参数下不同截面参数的横担的受力情况，结合开模成本选出最优截面，通过仿真分析得到横担的极限荷载，完善数据表；
[0007]S102、建立以BP算法为基础的神经网络，将输入样本数据输入神经网络进行正向传播；
[0008]S103、将神经网络的输出结果与期望结果之间的误差利用网络进行反向传播；
[0009]S104、迭代执行多次步骤S102、S103，不断对网络的权值和阈值进行调整，直至误差满足精度要求；
[0010]S105、选择测试样本对参数化模型的实用性进行验证，得到准确的输出结果。
[0011]进一步的，所述神经网络包括输入层、隐含层和输出层。
[0012]进一步的，输入层参数包括矩形芯棒材料参数弹性模量E、泊松比υ、密度ρ以及极限风荷载F。
[0013]进一步的，输出层参数包括芯棒截面宽度B和芯棒截面高度H。
[0014]进一步的，隐含层选择15个神经元节点，激活函数为Sigmoid函数，输出层神经元的激活函数选择非负的Sigmoid函数，令输出值为正值。
[0015]进一步的，步骤S102中，设神经网络的输入层有m个节点，隐含层有n个节点，输出层有p个节点，I
j
为隐含层第j个节点的输出值，Y
K
为输出层第k个节点的实际输出值，则有：
[0016][0017][0018]其中，w
jk
为隐含层第j个节点与输出层第k个节点的连接权值；θ
k
为输出层第k个节点的阈值。正向传播过程中，网络权值保持不变。
[0019]进一步的，步骤S102中，在将输入样本数据输入神经网络前，对输入样本数据进行归一化处理。
[0020]进一步的，步骤S104中，采用梯度下降法对权值进行调整，训练函数选择动量自适应学习率的梯度下降反向传播算法，自适应学习率η调节公式为：
[0021][0022]其中，E(t)为第t步误差，η(t)为第t步学习速率，重复训练直到误差满足要求，神经网络训练结束。
[0023]与现有技术相比，本专利技术的有益效果是：
[0024]本专利技术提供的一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法，所述方法在给出横担材料构参数以及极限荷载大小情况下，能准确、迅速的预测玄武岩纤维复合横担的最优截面参数，减少因多次进行模型仿真或者实验测量而产生的资源和时间浪费问题。
附图说明
[0025]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1是复合横担几何模型结构示意图。
[0027]图2是本专利技术实施例提供的一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法整体流程示意图。
[0028]图3是本专利技术实施例提供的神经网络整体结构示意图。
[0029]图4是本专利技术实施例提供的神经网络拓扑结构示意图。
[0030]图5是本专利技术实施例提供的训练集、验证集和测试集输出数据的回归曲线。
22410500000.3 3454 33580600000.4 3454 43000550000.2 3454 54100650000.2 3454 62600530000.3 3553 73200580000.2 3553 83400620000.25 3553 94200680000.35 3553 106400700000.3 3359 115200600000.3 3359 121800700000.43 2850 131700690000.35 2850 141200630000.25 2850 151000590000.2 2850 162300700000.3 2843 17500750000.3 2944 18600730000.32 2544 19650770000.27 2443.5
[0043]参照图2，本实施例提供一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法，所述方法包括以下步骤：
[0044]S101、利用建模软件建立参数化模型，依据中心复合试验样本，通过有限元仿真软件对参数化模型进行参数化扫描，通过对比选定材料参数下不同截面参数的横担的受力情况，结合开模成本选出最优截面，通过仿真分析得到横担的极限荷载，完善数据表。
[0045]S102、建立以BP算法为基础的神经网络，将输入样本数据输入神经网络进行正向传播。
[0046]S103、将神经网络的输出结果与期望结果之间的误差利用网络进行反向传播。
[0047]S104、迭代执行多次步骤S102、S103，不断对网络的权值和阈值进行调整，直至误差满足精度要求。
[0048]S105、选择测试样本对参数化模型的实用性进行验证，得到准确的输出结果。
[0049]如图3所示，本实施例构建的BP神经网络模型包括输入层、隐含层和输出层。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法，其特征在于，所述方法包括以下步骤：S101、利用建模软件建立参数化模型，依据中心复合试验样本，通过有限元仿真软件对参数化模型进行参数化扫描，通过对比选定材料参数下不同截面参数的横担的受力情况，结合开模成本选出最优截面，通过仿真分析得到横担的极限荷载，完善数据表；S102、建立以BP算法为基础的神经网络，将输入样本数据输入神经网络进行正向传播；S103、将神经网络的输出结果与期望结果之间的误差利用网络进行反向传播；S104、迭代执行多次步骤S102、S103，不断对网络的权值和阈值进行调整，直至误差满足精度要求；S105、选择测试样本对参数化模型的实用性进行验证，得到准确的输出结果。2.根据权利要求1所述的一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法，其特征在于，所述神经网络包括输入层、隐含层和输出层。3.根据权利要求2所述的一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法，其特征在于，输入层参数包括矩形芯棒材料参数弹性模量E、泊松比υ、密度ρ以及极限风荷载F。4.根据权利要求3所述的一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法，其特征在于，输出层参数包括芯棒截面宽度B和芯棒截面高度H。5.根据权利要求4所述的一种基于BP神经网络的玄武岩纤维复合横担截面选型预测方法，...

【专利技术属性】
技术研发人员：马龙，李伟，符小桃，张聪，陈晓琳，陈林聪，李欣然，张瑞恩，刘介玮，符传福，
申请(专利权)人：海南电网有限责任公司电力科学研究院，
类型：发明
国别省市：