| 人工智能技术在建筑领域的应用 |
|
|
|
络技术应用于砼性能预测方面，我国天津大学的张胜利将传统的BP网络模型的预测结果与3中不同输入模型的RBF网络预测结果进行了比较和分析，最终证明了RBF网络模型具有较强的泛化能力和极高的预测精确度，是一种新论文联盟*
型的、有效的分析商品砼性能的方法。
2.4 在建筑结构中的应用
汶川地震的发生以及这场地震所造成的严重危害，让建筑结构控制及健康诊断工作得到了前所未有的关注，以往建筑行业所采用的结构系统辨识方法存在着抗噪声能力差、适用范围较窄、难以进行线性识别的缺点，让此项工作的有效开展受到了极大的限制。近年来，随着人工智能技术的发展，出现了一种新型的基于人工神经网络的系统辨识方法，该方法通过模糊神经网络所具有的学习及非线性映射能力来获得实测结构动力响应数据，并以此构建起建筑结构的动力特征模型。模糊神经网络能够对建筑结构在任意动力荷载情况下的动力响应进行非常准确的预测，因此广泛的应用于建筑结构的健康诊断以及振动控制当中，具有很强的实用性和可扩展性。
2.5 在建筑电气中的应用
随着我国建筑业的迅速发展，行业的总体能耗急剧攀升，有一段时间在总能耗中所占的比例甚至超过了30%，所以，实行建筑节能对于实现我国的节能减排目标无疑具有巨大的促进作用，而电气节能技术则是当前效果最为显著的节能方式之一。
电气节能的评估模型建立之后，可以使用人工神经网络对其进行训练，提升其评估的准确性和网络泛化性，使建筑节能改造工作的实施能够具有更多的科学依据。其中，BP神经网络算法就是一种能够将输入/输出问题转化为线性问题的学习方法。传统的BP网络采用的是梯度下降法，该方法的学习速率是保持不变的，同时训练所需的时间较长，且在学习过程中可能发生局部收敛的情况；改进型的BP算法和L-M反算法则增加了动量因子，无论是在稳定性还是收敛性方面，都要优于传统的BP算法，因此广泛的应用于当前建筑电气节能评估模型的构建工作中。
使用该方法构建的建筑电气节能评估模型的权重，能够以相对联系的方式隐藏于网络当中，这种评价方式更加科学、简单、适用，所评估模型的适用范围也更为广泛。
3 结束语
经过不断的发展，建筑业目前已经成为了我国的支柱产业之一，无论是从建筑业的自身发展，还是从时代发展的要求来看，进上一页 [1] [2] [3] [4] 下一页 |
|
|
| |
|
上一个论文： Facebook将瞄准人工智能领域
下一个论文： 人工智能导论课大作业设置探讨 |
|
用户登录 
新用户注册 