前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經網絡論文范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡論文范文第1篇

[關鍵詞]MATLABBP神經網絡預測模型數據歸一化

一、引言

自20世紀70年代初以來的30多年里,世界黃金價格出現了令人瞠目的劇烈變動。20世紀70年代初,每盎司黃金價格僅為30多美元。80年代初,黃金暴漲到每盎司近700美元。本世紀初,黃金價格處于每盎司270美元左右,此后逐年攀升,到2006年5月12日達到了26年高點,每盎司730美元,此后又暴跌,僅一個月時間內就下跌了約160美元,跌幅高達21.9%。最近兩年，黃金價格一度沖高到每盎司900多美元。黃金價格起伏如此之大,本文根據國際黃金價格的影響因素，通過BP神經網絡預測模型來預測長期黃金價格。

二、影響因素

劉曙光和胡再勇證實將觀察期延長為1972年～2006年時,則影響黃金價格的主要因素擴展至包含道瓊斯指數、美國消費者價格指數、美元名義有效匯率、美國聯邦基金利率和世界黃金儲備5個因素。本文利用此觀點，根據1972年～2006年各因素的值來建立神經網絡預測模型。

三、模型構建

1.模型選擇：BP網絡具有理論上能逼近任意非線性函數的能力，將輸入模式映射到輸出模式，只需用已知的模式訓練網絡，通過學習，網絡就有了這種映射能力。2.樣本數據歸一化：在訓練前，對數據進行歸一化處理，把輸入向量和輸出向量的取值范圍都歸一到[0，1]。

3.BP網絡設計：采用單隱層的BP網絡進行預測，由于輸入樣本為5維的輸入向量，因此輸入層一共有5個神經元，中間層取20個神經元，輸出層一個神經元（即黃金價格），網絡為5*20*1的結構。中間層的傳遞函數為S型正切函數，輸出層為S型對數函數。中間層的神經元個數很難確定，測試時分別對12，15，20個數進行測試，尋找誤差最小的。

4.網絡訓練:訓練次數epochs5000,訓練目標goal0.001

對30個樣本數據進行訓練，經過1818次的訓練，目標誤差達到要求，如圖2所示：神經元個數為20個時誤差最小，此時網絡的仿真結果如圖3所示，預測精度80%以上，效果滿意。

四、結論

在對1976年～2006年的影響國際黃金價格的五種因素的數據進行歸一化處理后，用MATLAB建立的BP神經網絡預測模型進行預測，達到了很好的效果。

國際黃金的長期價格受到許多因素的影響，本文只是對道瓊斯工業指數等影響因素諸如分析，來預測長期的國際金價。還有其他因素，如國際油價，局部政治因素等，如果考慮進去，預測精度會進一步提高。

參考文獻：

神經網絡論文范文第2篇

小波神經網絡的網絡結構和基本的BP神經網絡類似，一般采用輸入層、隱含層和輸出層三部分。小波神經網絡隱含層的轉移函數采用小波函數，但小波函數的選取目前還未有統一的理論。Szu構造的Morlet小波函數。

2工程應用

2．1工程概況北京地鐵6號線東延部分東部新城站至東小營站區間工程位于北京市通州區，起點為東部新城站，終點為東小營站。該區間由東部新城站向東，沿運河東大街北側設置，沿線穿越綠地、宋郎路路口，到達東小營站，其中在宋郎路路口和運河東大街東南有多處雨水、電力和電信管線。區間穿越的地層主要有粉細砂層、局部夾粉質粘土層、中粗砂層。工程采用直徑為6m的土壓平衡盾構機進行施工。

2．2網絡設計和數據采集小波神經網絡的結構設計對預測結果影響較大，應充分考慮與施工相關的各種因素，如地表沉降的成因、工程地質條件和施工工藝參數等。盾構施工引起的地表沉降易受到以下因素影響：盾構施工區間的水文地質條件對沉降量的影響較大；當盾構機由于某種原因停止推進時，千斤頂會漏油回縮導致盾構機后退，引起盾前土體壓力減小；盾尾脫空后，管片和土體之間存在空隙，由于注漿不及時，土體填充盾尾空隙引起土體局部塌落；盾殼移動引起土體的摩擦和剪切作用，在該作用力下土體產生變形；盾構改變開挖方向，往往會引起超挖現象，土體受到的擾動隨之加大，引起土體局部變形破壞；開挖面的土體靠土倉壓力來維持，但是在施工過程中，土倉壓力和開挖面壓力并不是出于完全平衡狀態，這種不平衡狀態容易引起土體的坍塌變形。綜合考慮各相關因素，確定在對于地表沉降較為敏感的土體參數和施工參數中選取覆土厚度（H）、壓縮模量（Es）、粘聚力（c）、天然密度（ρ）、內摩擦角（Ф）、千斤頂推力（F）和注漿壓力（P）共7個參數作為神經網絡的輸入參數。小波神經網絡的隱層節點數選擇目前還沒有成熟的理論依據，可參考BP神經網絡的隱層節點選取，通過經驗和實驗分析以輸入節點的2～4倍綜合確定，最終選擇為13。小波神經網絡預測模型的網絡結構為7－13－1。盾構施工引起的短期地表沉降對地表建筑和地下管線影響最大，且該施工區段地層變化較小，掘進速度基本不變，故可以選取盾構機通過該點50m后的穩定沉降數據。在施工單位提供的相關測量數據和地質資料中選取了51組數據，將其中36組作為訓練數據，如表1所示。選擇15組作為測試數據，如表2所示。

2．3地表沉降預測與分析根據選取的36組數據和已經確定的7－13－1的網絡結構，分別建立小波神經網絡和BP神經網絡的預測模型。設定訓練目標為0．001，BP神經網絡的初始權值、閾值和小波神經網絡的伸縮參數、平移參數分別在［－1，1］之間隨機賦值。得到訓練結果如圖1所示。結果顯示，經過1050次訓練后小波神經網絡的訓練誤差可以達到訓練目標，而BP神經網絡需要8500次訓練才能達到訓練目標。小波神經網絡的訓練速度相比于BP神經網絡有較大優勢。對于已經訓練好的兩種模型，使用相同的測試樣本進行預測分析，得到的預測結果如圖2所示，預測結果和實際測量值的誤差如表3所示。可以看出，BP神經網絡和小波神經網絡的最小、最大誤差分別為3．1％、27．3％，2．8％、14．5％，故小波神經網絡的預測精度要好于BP神經網絡，且預測結果均在工程允許范圍內，可以依據此預測結果對現場施工控制參數的制定提供科學的指導。

3結論

神經網絡論文范文第3篇

企業綠色競爭力評價機制是通過一系列評價指標來完成的，評價指標選擇不同會產生不同的評價結果，所以評價指標的選擇是建立評價系統的關鍵。對應于綠色競爭力的基本特征，構建評價指標體系包含六個方面的指標。然后采用頻度統計法、理論分析法初步設置指標，通過主成分分析法、極大不相關法對指標進一步篩選、分類，然后采用專家咨詢法調整指標，并綜合前人的研究成果構建企業綠色競爭力評價指標體系如表1所示。

2基于BP神經網絡的企業綠色競爭力評價方法

2.1指標歸一化處理企業綠色競爭力評價指標體系中有些指標是正指標，有些指標是逆指標，需要對各指標進行歸一化去量綱處理。

2.2BP神經網絡評價的基本原理BP神經網絡是一種具有兩層或兩層以上的階層型神經網絡，層間神經元實現全連接，而層內各神經元間無連接。典型的BP網絡是三層前饋階層網絡，即：輸入層、隱含層和輸出層。BP網絡的學習由四個過程組成，輸入模式由輸入層經中間層向輸出層的“模式順傳播”過程；網絡的希望輸出與網絡實際輸出之差的誤差信號，由輸出層經中間層向輸入層逐層修正連接權的“誤差逆傳播”過程；由“模式順傳播”與“誤差逆傳播”的反復交替進行的網絡“記憶訓練”過程；網絡趨向收斂即網絡的全局誤差趨向極小值的“學習收斂”過程。BP神經網絡分析具有許多優秀的品質，并且善于從近似的、不確定的、甚至相互矛盾的知識環境中做出決策。其模型的結構如圖1所示。應用BP網絡對企業綠色競爭力做評價的方法是把用于描述評價對象的特征信息作為神經網絡的輸出向量，將代表相應綜合評價的量值作為神經網絡的輸出向量；使用網絡前，用一些經傳統綜合評價取得成功的樣本訓練這個網絡，使它所持有的權值系數值經過自適應學習后得到正確的內部表示，訓練后的神經網絡便可作為企業綠色競爭力評價的有效工具。

3企業綠色競爭力評價實例分析

本文的實證分析過程選取了我國造紙業上市公司作為研究案例，具體指標值來源于X紙業集團。首先對各輸入指標進行歸一化處理，然后利用BP神經網絡模型對企業綠色競爭力進行評價。在構造評價企業綠色競爭力的BP神經網絡時，考慮到二級指標體系包括36個指標，所以輸入層神經元設36個；設置1個輸出層神經元，為了增加評價結果的直觀性，將評價結果劃分為優、良、中、差四個等級，分別對應于（1，0，0，0）、（0，1，0，0）、（0，0，1，0）、（0，0，0，1）；隱含層神經元可根據經驗公式n1=sqr（tm+n）+d來確定，其中m為輸入層神經元個數，n為輸出層神經元個數，d為0到10之間的常數，本文取d=5，由此可確定隱含層神經元個數n1=11。使用Matlab編程軟件編寫BP神經網絡程序，取神經網絡學習效率η=0.05，給定收斂值ε=0.001，當企業的指標值經輸入層進入網絡時，網絡便用訓練好的權值進行運作，最后根據輸出層輸出的向量值的隸屬關系確定企業的綠色競爭力，得到輸出結果為（0.9863，-0.0048，-0.0169，-0.0124），此輸出結果與（1，0，0，0）等級最為契合，表明該企業具有較強的綠色競爭力。

4結論

神經網絡論文范文第4篇

只有清楚地了解電梯控制系統的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段；第二、電梯門關閉或者電梯按照系統指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數據進行相應的分析處理；輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型

BP神經網絡作為神經網絡應用最廣泛的一種，它多應用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統方面具有相對先進性。基于BP網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節點上的權值從而表達出來。BP網絡系統的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網絡模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內對數據進行初始化；b、確定輸入值數值大小，計算出預期輸出量；c、用實際輸出的值減去上一步得到的數值；d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差；e、修正輸出層的權值和閾值，修正隱含層的權值；f、修正隱含層的閾值，修正隱含層和輸入層的權值。

（二）遺傳小波神經網絡模型

遺傳算法運用了生物界的優勝劣汰、適者生存的思想對復雜問題進行優化，適用于復雜的故障，起到了優化簡化問題的作用。對局部數據進行詳細的分析是小波法最大的特點，所以它被譽為“數字顯微鏡”。遺傳算法小波神經網絡就是運用小波進行分解的方法分解模擬故障信號，將得到的數據進行歸一化，將歸一化后的數值輸入到神經網絡模型中。它融合了神經網絡、小波分析和遺傳算法三者所有的優點。基于遺傳小波神經網絡的電梯故障診斷的一般步驟為：測試節點信號采樣、小波分解、故障特征量提取、歸一化得到訓練樣本集、遺傳算法優化、得到故障類型。遺傳小波神經網絡模型在故障原因復雜、數據信息量巨大的電梯系統的應用中能夠發揮更大的作用。

（三）模糊神經網絡模型

模糊神經網絡模型就是創新性的將神經網絡與模糊理論結合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據和結論都是模糊的。但是它的數據處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內容。在處理實際問題的過程中，首先要建立所有可能發生的故障的完整集合，其次將所有的故障發生原因歸入到同一個集合中去，最后就是建立故障和原因的關系矩陣。分別叫做模糊故障集、模糊原因集、模糊關系矩陣。相較于BP網絡模型，這種模型更加的簡單易行，充分發揮了神經網絡和模糊邏輯的優點，不會因為故障原因過于復雜而失去診斷的準確性，在原本豐富定性知識和強大數據處理能力的基礎上具有了很大的自我訓練能力。

四、結語

神經網絡論文范文第5篇

關鍵詞：立井井筒非采動破裂反向傳播網絡神經網絡預測數值模擬

一、煤礦立井發生破壞問題的提出

徐淮地區是中國東部主要的煤炭開采基地，其煤炭的生產直接影響著我國煤炭的總產量，在國民經濟建設中占有重要的地位。然而自20世紀80年代以來，在我國徐淮地區（徐州、淮北、淮南）地區，出現了一種新的礦井破裂災害——井筒的非采動破裂，即煤礦立井在不受地下采動影響的條件下（井筒及其附近的工業廣場都留有足夠的保護煤柱），井壁發生嚴重變形和破裂，致使提升運輸困難。90年代以來，在我國特大型煤炭企業'''');">企業兗州礦業集團的9對井筒也先后發生了破壞(有關兗州礦區井筒破裂的基本情況如表1所示)。煤礦豎井是礦山生產運輸的咽喉要道，因此豎井的破壞嚴重影響了礦山生產，給各煤礦造成了巨大的經濟損失。

為了盡量減少立井的非采動破裂所造成的經濟損失，現在各大礦山都對井筒的變形進行了預報和治理，到目前對井筒破裂的預報方法主要有兩種：

1）第一種方法是通過加強對井筒變形的監測，以監測數據為依據，對井筒的變形進行分析，對其破裂進行預報。

2）第二種方法是新近發展起來的預報方法［1，2，3］，即系統科學、智能技術方法，特別是研究非線性復雜系統的一些方法。其主要內容使用系統科學原理或智能技術來建立模型的框架，用觀測的實測資料填充以實現建模。

本文采用實際與智能技術相結合的預報方法，建立井筒破裂的人工神經網絡模型，模仿人腦的運行機制，通過對井筒破壞規律的學習，使網絡具有根據特征值對井筒破壞進行預報的能力，并據此來推測相關煤礦的井筒破壞規律。

表1兗州礦區井筒破裂的基本情況

Table1BasicsituationofshaftliningfractureinYanzhouCoalMine

礦區

序號

井筒名稱

竣工時間

破裂時間

凈徑/m

外徑/m

施工方法

井壁類型

表土厚度/m

破裂深度/m

破裂情況

兗州

1

鮑店副井

1979.11.26

1995.6.5

8.0

10.2

凍結法

雙層井壁

148.6

126.9

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現水平裂縫,豎筋彎曲外露

2

鮑店主井

1979.5.14

1995.7.12

6.5

8.5

凍結法

雙層井壁

148.69

136—144

3

鮑店北風井

1979.10.21

1996.8.2

5.0

6.6

凍結法

雙層井壁

202.56

168.4,180,204

4

鮑店南風井

1979.8.1

1996.8.9

凍結法

雙層井壁

157.92

158.1—159.3

5

興隆莊西風井

1976.8

1995.10

5.5

7.4

凍結法

雙層井壁

183.9

165.5—171.6

6

興隆莊東風井

1977.5.31

1997.6.7

5.0

6.4

凍結法

雙層井壁

176.45

157—180

7

興隆莊主井

1977.8.13

1997.6.23

凍結法

雙層井壁

189.31

150,184

在未出現嚴重破裂時進行了治理

8

興隆莊副井

1978.9

1997.6.26

凍結法

雙層井壁

190.41

154,200

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現水平裂縫,豎筋彎曲外露

9

楊村主井

1984.12

1997.2.29

5.0

6.6

凍結法

雙層井壁

185.42

176.5,196

10

楊村副井

1985.1.23

1997.12.2

凍結法

雙層井壁

184.45

160,176,212

在未出現嚴重破裂時進行了治理

11

楊村北風井

1984.10.31

1997.2.4

4.5

5.9

凍結法

雙層井壁

173.40

179.6,150,156.6

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現水平裂縫,豎筋彎曲外露

二、人工神經網絡的預報原理

人工神經網絡實現井筒破裂的智能預報，是通過機器學習的方法［4］對破裂井筒的特征值進行抽取，并對已知的井筒破裂規律進行學習掌握規律性，然后運用訓練好的神經網絡對其他井筒進行推理預測，并據此對其他井筒的破裂進行預報（其流程見圖1）。

三、立井井筒破裂影響因素的選取

經調查表明立井井壁破裂的主要原因為：在煤礦開采過程中新生界底部第四系含水層（底含）的水頭的大幅疏降，使該含水層及上覆土層產生壓縮和變形，且引起地表沉降，在地層發生變形的過程中對井壁產生垂直向下的附加力，使得立井井壁發生破裂。

立井井筒破裂礦區的水文地質與工程地質條件都具有如下的特點：井筒都穿過第四系深厚表土，其厚度大都在200m左右。土層結構復雜，但大體上都可分為四個含水層和三個隔水層共七個工程巖組，即由上至下常簡稱為一含、一隔、二含、二隔、三含、三隔和底含（四含）。

通過對立井井筒非采動破裂機理及破裂礦區的水文地質與工程地質特點分析選取以下幾個因素作為影響立井井筒破裂的特征因素：

1、表土層厚度

由于立井井筒非采動破裂只發生在厚沖積層中建成的立井井筒，因此表土層厚度是立井井筒非采動破裂現象發生的必要因素。表土層厚度越大，土層對立井井筒的側壓力越大，且土層與井筒的相互作用的面積增大，底含沉降時產生的立井井筒附加力加大，立井井筒發生破裂的可能性越大。

2、底含厚度

底含厚度決定了立井井筒周圍土層的變形量，且土層變形量直接關系到立井井筒附加應力的大小，因此底含厚度越大，井筒破裂的可能性增大，所以確定底含厚度為立井井筒破裂的主要影響因素。

3、底含水位降速

底含水位降速決定了立井井筒周圍土層變形的速率，從而決定了立井井壁破裂的時間。底含水頭降速直接決定了立井井筒破裂時間的大小。

4、井筒外徑

由于在確定的工程地質條件下立井井筒外表面積與立井井筒附加力的大小成正比，則確定立井井筒外徑大小為立井井筒破裂的主要因素。

5、井壁厚度

井壁厚度越大，立井井筒的凈截面積越大，立井井壁內壁應力降低，有利于立井井筒的穩定。

四、神經網絡的設計與實現

根據以上對影響井筒變形的特征因素的選取，選擇反向傳播（backpropagation,BP）神經網絡算法對井筒的破裂規律進行訓練，其網絡為包含兩層隱含層的神經網絡，輸入層、隱含層、輸出層的神經元的個數分別為5、20、10、1，

表2神經網絡的輸入矢量p及目標矢量t

Table2Inputvectorpandtargetvectortoftheneuralnetwork

輸入矢量p

輸出矢量t

表土層厚度(m)

井筒外徑(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂時間（月）

189.31

8.92

1.21

3.764

34.1

192

190.41

10.1

1.3

3.212

30

225

190.41

6.4

0.7

2.988

32.85

241

189.5

7.4

0.95

3.652

29.9

230

148.69

8.5

1

5.196

56.29

194

148.6

10

1

5.262

55.0

187

202.56

6.6

0.8

5.053

59.0

190

185.5

6.4

0.7

7.192

57.72

146

其訓練函數分別采用雙曲正切函數tansig及線性激活函數purelin［5］，網絡學習采用的輸入矢量及目標矢量如表2所示。

網絡訓練后，其輸出值與期望值之及目標誤差如表3所示。

表3BP網絡對井筒破壞規律的學習

Table3BPnetworklearningofshaftliningfractureregularity

輸入矢量p

目標矢量t

目標誤差

輸出矢量

a

189.31

8.92

1.21

3.764

34.1

192

0.0001

199.5

190.41

10.1

1.3

3.212

30

225

0.0001

222.3

190.41

6.4

0.7

2.988

32.85

241

0.0001

243.8

189.5

7.4

0.95

3.652

29.9

230

0.0001

221.3

148.69

8.5

1

5.196

56.29

194

0.0001

193.06

148.6

10

1

5.262

55.0

187

0.0001

185.6

202.56

6.6

0.8

5.053

59.0

190

0.0001

188.9

185.5

6.4

0.7

7.192

57.72

146

0.0001

147.23

五、實例應用及與數值模擬結果的比較

兗州礦區楊村煤礦北風井井筒表土段厚173.4m，采用凍結法施工，于1984年竣工，在1997年的檢查中發現井壁已發生了破裂，現在用學習后的神經網絡對楊村北風井的井筒破裂時間進行預測，預測結果如所表4示。

據上表可以得出有神經網絡預報得出的預測值與實際的目標矢量之間的誤差僅為0.015，該誤差在現場的實際工作中是可以接受的，這說明由BP網來預測豎井的非采動破壞在實際工作中是可行的，且行之有效。

表4神經網絡對楊村北風井破裂的預測

Table4NeuralnetworkforecasttothefracturetimeofYangcunnorthshaft

輸入矢量p

目標矢量t

輸出矢量

a

誤差

表土層厚度(m)

井筒直徑(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂時間（月）

173.4

5.9

0.7

7.5

65.3

136

138

0.015

根據兗州礦區的工程地質資料和及楊村立井井筒施工資料建立了立井井筒破裂的幾何計算模型，采用Flac3D進行數值模擬計算，模型共19008個六面體、21600個結點。數值模擬計算后立井井壁最大z方向應力隨底含水頭降變化如圖2所示，底含失水沉降情況下立井井壁發生破裂時的底含水頭降為0.8MPa左右，換算為水頭高度等于80m，此時井壁內部的最大應力為30MPa，達到了立井井筒的破裂強度。則立井井筒的破裂時間T為：

T＝底含水頭高度損失量/底含水位降速

＝(80÷7.5)×12

＝128月

根據底含水頭降速可得立井井筒破裂的時間為128月，與神經網絡預測值相比，相差10月左右，因此可以認為神經網絡預測基本可以用于立井井筒破裂時間的預測。

圖2立井井壁最大z方向應力隨底含水頭降變化

Fig.2Waterheadvariationinbottomaquifervs.maximumz-directionalstressinshaftlining