提出了一种基于深度学习的翼型气动系数预测方法,有效克服了以往方法依赖翼型设计参数以及算法复杂度随预测精度的提高呈指数级增长等缺点。首先,介绍了卷积神经网络(CNN)的基本原理、网络机构以及训练方法,给出了训练样本数、批量大小、批次数量、迭代次数、循环次数的关系;其次,设计了针对翼型图像处理的CNN结构,随机选择6000个样本对该网络进行了训练;最后,对561个翼型的法向力系数进行了预测,并与部分参数法方法的预测结果进行了比较。仿真结果表明,提出的图形化预测方法具有很高的预测精度。

采用2008年5—9月富水坝前水位及富水流域内12个自动雨量站的同期降水资料,采用多元逐步回归方法,对汛期富水坝前水位与前期各雨量站日降水量的关系进行了研究,并建立坝前水位24 h涨幅的预测模型。结果表明：该模型有一定的预测准确率,各站降水产生的地表径流在18～24h之内就能显著影响到富水坝前水位。

以人工神经网络（BP模型）为研究手段,将人工神经网络理论应用于静力载荷数据预测沉降,提出了一种有效的预测方法,并构造了预测沉降的神经网络模型,预测结果表明,该模型预测结果与实测值拟合较好,具有较高的预测精度。

对粗制甲醇的化学转化过程进行了研究，针对甲醇生产过程中工艺参数与产品质量之间非线性和时变性的问题，为了更好地预测甲醇产率，提出了一种加法规则的多核学习支持向量回归机算法。所提算法依据正定核函数的构造原理，采用将基本核函数进行相加的规则来组合多核函数，进而，建立多核学习支持向量回归机的甲醇合成转化率预测模型。甲醇数据的实验结果表明，对比传统支持向量回归机模型，所提出的加法规则的多核学习模型的甲醇转化率预测精度更优，可以更好地指导甲醇合成。

利用叶轮机械内全三元流动的变分原理及有限元方法预测三类离心压缩机全三元流场,引入人工可压缩性,处理跨声速流动;应用变分原理,化本质边界条件为自然边界条件,计算时间短,适用工程设计。计算与实验结果表明,只要流动不发生大的分离,两者比较吻合。

在复合式地源热泵系统中控制策略存在着极大的优化空间,本文提出以土壤换热器与冷却塔两者出口水温作为控制依据的运行策略,为实现此控制方法,需要建立准确的预测模型。本文运用人工神经网络（ANN）实现土壤换热器侧出口水温的预测,研究复合式地源热泵系统不同运行模式下预测的可行性与准确性,并与动态数值模拟结果比较。结果表明利用人工神经网络可以准确预测土壤换热器的出口水温,且模型具有较好的泛华能力,最大误差不超过0.25℃。

采用GM(1,1)模型对所监测的冲压生产线在用液压油的光谱数据进行拟合和预测,计算结果表明,GM(1,1)是一种用来预测的有效的模型,同时探讨了油液污染度与设备磨损状态的关联度,初步揭示了油液污染度和元素光谱数据之间的关系.

为提高液压缸零件工时定额预测的准确性及高效性,提出一种基于加工特征参数的DE_kmeans预测模型。首先根据工时影响因素提炼出历史及待预测加工特征参数;采用改进的DE_kmeans算法对历史加工特征参数进行聚类成组;对每个聚类组分别建立BP神经网络预测模型并基于历史加工特征参数进行训练;针对待预测加工特征参数,按照标准化欧式距离最小的原则划分至特定聚类组及预测模型;用该模型对待预测零件工时进行预测。通过测试实例验证该方法的预测误差控制在10%以内,证明该方法的可行性及有效性。

采用聚晶立方氮化硼刀具对精密液压阀芯进行超声辅助车削试验,并建立基于反向传播神经网络的液压阀芯表面粗糙度预测模型,以及基于优化遗传算法的遗传算法-反向传播神经网络的液压阀芯表面粗糙度预测模型,对结果进行对比。结果表明,遗传算法-反向传播神经网络预测模型的预测精度高于反向传播神经网络预测模型的预测精度,且遗传算法-反向传播神经网络预测模型的预测结果与试验值的吻合性好于反向传播神经网络预测模型。

该文从波浪补偿技术的原理出发,提出了一种主动式波浪补偿系统方案,介绍了该系统的组成及工作原理,实现了波浪补偿控制系统的硬件设计。针对波浪运动具有非线性、时变等特点,采用模糊PID算法及预测进行补偿控制。将该波浪补偿装置加装于液压折臂式起重机构成原理样机,试验表明补偿效果良好,工作稳定可靠。