位移反分析的进化支持向量机研究

将支持向量机与遗传算法相结合，提出了一种用于位移反分析的进化支持向量机方法。这种方法基于试验设计和有限元计算获得学习样本和检验样本，用遗传算法搜索最优的支持向量机参数，用获得的最优模型进行学习，从而获得岩体的力学参数与位移之间的非线性映射关系，再用遗传算法从全局空间上搜索，进行岩体力学参数的识别。给出的两个算例结果是令人满意的。     

基于神经网络的隧道围岩位移反分析研究

根据重庆鹰嘴岩隧道现场监控量测资料,基于BP神经网络理论,进行了公路隧道围岩位移反分析研究。首先利用FLAC3D对隧道开挖衬砌过程进行模拟分析,建立各围岩参数组合与位移计算值的对应关系,形成用于神经网络训练和检验的样本,通过训练样本和检验样本分别对网络进行训练和检验,得出较为理想的位移反分析模型;然后通过此模型根据重庆鹰嘴岩隧道现场监控量测的围岩位移资料对有关围岩稳定性的力学参数进行了反演,为隧道围岩稳定性评价分析提供了重要的力学参数。     

位移反分析的自适应神经模糊推理方法

现有各种位移反分析方法均存在着这种或那种不足之处：基于最优化理论的位移反分析方法，解的稳定性较差，易陷入局部极小，反演参数较多时收敛速度较慢，且难以搜索到最优解；基于人工神经网络的位移反分析方法，当解空间稍大时便难以收敛到所需要的精度，且训练结果不具有唯一性，因而很难获得与实际岩体相吻合的反演结果；基于遗传进化的位移反分析方法，需对搜索过程进行大量经验性干预才能搜索到最优解；基于遗传进化和神经网络的位移反分析方法，亦只在较小的解空间内才有效。针对这些不足之处，应用自适应神经模糊推理系统的原理，建立了位移反分析的自适应神经模糊推理方法，并应用该方法对所设定的某一标准弹塑性问题的力学参数进行了反演，反演结果表明，在较大的解空间内，这种位移反分析方法收敛速度快、解的稳定性好、反演结果精度高，是一种优异的位移反分析方法。     

隧道位移反分析研究

以兰渝铁路线天池坪隧道为工程背景,以现场监控量测资料为依据,基于ISTOPT中的通用全局优化算法克服了当今世界上在优化计算领域中使用迭代法必须给出合适初始值的难题,而由1STOPT随机给出,找出最优解来预测围岩最终位移值,再分别基于Matlab中BP神经网络和径向基神经网络进行位移反分析法,为保证系统训练样本符合工程实...     

基于改进遗传算法的拱坝位移反分析

利用遗传算法对拱坝地质力学参数位移反分析的方法进行了研究。针对简单遗传算法的早熟现象，引入了小生境技术与自适应杂交变异概率的方法，并结合拱坝地质力学模型试验与三维有限元方法，给出了适合推求拱坝地质力学参数的反分析方法。结合实际工程，反演了拱坝基岩的弹性模量和泊松比。结果表明，该算法适用于拱坝地质力学参数的位移反分析，可以有效地解决简单遗传算法的早熟现象，而且收敛效率也有明显提高。     

BP神经网络在分岔隧道位移反分析中的应用

在西部交通建设过程中,沪蓉西宜昌—恩施段的高速工程穿过的多为崇山峻岭,地形地质条件极为复杂,遇到很多以前很少甚至从未涉及的难题。在隧道建设方面,为适应多变的地形地质条件,不仅设置连拱隧道、小间距隧道等多种型式,而且还设置分岔隧道,即一端洞口为连拱隧道甚至四车道大拱,而另一端洞口为上下行分离隧道。利用沪蓉西八字岭分岔隧道现场监控量测数据,结合有限差分程序FLAC3D与BP神经网络模拟技术,对该分岔隧道围岩参数进行位移反演分析,并考虑隧道围岩爆破松动圈的影响。工程应用结果表明,该方法适用于求解这类大规模、复杂非线性隧道工程问题,其稳定性、适用性良好,精度满足工程要求。研究结果将对该隧道和西部山区类似的复杂结构长隧道的勘察、设计、施工起到一定的指导作用。     

三峡船闸高边坡考虑开挖卸荷效应的位移反分析

以三峡工程为背景,在试验、监测、前期分析结果基础上,建立了地质与施工的概化模型。以基本力学参数和初始应力场为基本变量,按正交设计和均匀设计方法进行计算方案的组合,采用考虑开挖卸荷效应的显式有限差分法完成了船闸高边坡的开挖模拟计算,并通过神经网络和遗传算法进行优化反演。反演位移计算值与实测值较为吻合,表明反演得到的力学参数和地应力场基本合理。     

BP 网络和遗传算法在岩石边坡位移反分析中的应用

 探讨了计算速度和可靠性这两个在位移反分析工作中非常重要的问题。一方面用BP 网络代替有限元计算提高了计算效率, 另一方面用遗传算法代替常规的优化算法, 使反分析结果与初值无关。三介质边坡算例验证了上述解决方案的可行性。     

新滩滑坡位移反分析

本文介绍了1985年在中国长江上发生的一次体积约三千万立方米的大滑坡。为预测今后的安全,在滑坡体上设置了一套监测系统。对钻孔倾斜计量测到的位移进行了反分析,以便建立预测滑坡体性状的数学模型。研究发展了一种新的反分析方法,其中只考虑变形的弹性部分。通过反分析得到的滑坡体等效弹模与碎石堆试验的结果相近。用此数学模型作滑坡体稳定分析,结果与用沙尔玛(Sarma)法得到的基本一致。     

岩石边坡松动区与位移反分析

 首先分析了三峡工程船闸边坡有限元计算和现场监测的位移成果, 说明岩石边坡位移反分析必须考虑岩体的松动因素, 本构模型可以使用弹性模型;其次介绍了松动区的有关物理力学性质, 以及在计算模型中的考虑方法;最后以基于BP 网络和遗传算法的位移反分析模型反演了永久船闸边坡岩体及其松动区的弹性模量。     

位移反分析的APSO-WNN模型研究及应用

用改进粒子群优化算法对小波神经网络进行优化，从而提出改进粒子群算法优化小波神经网络模型（APSO-WNN）。该模型具有小波变换的良好时频局域化性质、良好时域和频域分辨能力及传统神经网络的自学习功能；同时用改进的粒子群优化法进行全局最优搜索，快速收敛到全局最优解，使其具有良好的逼近能力、容错能力和较强的鲁棒性。因此，该计算模型适合解决具有复杂非线性和模糊性特点的岩土工程问题。为证明该模型的优越性，同时将该计算模型与传统遗传算法神经网络用于三峡船闸高边坡4种介质弹性模量的位移反分析计算，结果表明不论是优化精度还是收敛时间，该算法都较遗传算法有明显提高。最后利用APSO-WNN反演的弹性模量参数进行测点位移预测，预测表明各个测点的计算位移值与监测值吻合较好，说明该模型在岩土工程位移反分析中具有良好的实际应用价值。     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。     

STUDY ON GENETIC-NEURAL NETWORK METHOD OF DISPLACEMENT BACK ANALYSIS

An evolutionary neural network method for displaceme nt back analysis is proposed by combining the neural network and genetic algorit hm. The samples produced in orthogonal experiment are used to train the neural n etwork whose architecture is determined in global optimum by genetic algorithm. Thus, the neural network with optimal architecture trained by optimal prediction algorithm is used to describe the relationship between the rock mechanical para meters and displacements produced due to excavation. Then genetic algorithm is a dopted again to search the optimal rock mechanical parameters in their globa l ranges. As an example, a back analysis for elastic problem is introduced. The results are satisfactory.     

采用BP神经网络反演隧道围岩力学参数

采用BP神经网络对公路隧道新奥法施工过程中围岩力学参数的反演分析进行了研究，通过隧道有限元方法得到了网络训练样本。对京珠高速公路坪石隧道围岩力学参数的仿真分析证明了该方法的有效性。     

基于模式-遗传-神经网络的流变参数反演

介绍了一种岩石流变多参数反演的智能方法。该方法把遗传算法和神经网络有机结合起来,并在遗传算法中嵌入模式搜索加速优化进程;该方法基于均匀设计获得的样本进行神经网络学习,用模式–遗传–神经网络进行岩体流变参数的最优辩识。该方法用经过最佳预测学习算法训练的神经网络来表达岩体流变参数和位移之间的映射关系,除具有一般遗传算法的优点外,还提高了参数反演的精度,节省了参数反演的计算时间,使得某些原来用传统优化方法在时间上几乎无法进行的参数反演如今变为可能,并用工程实例验证了此方法的可行性与优越性。     

参数灵敏度分析的有限元-神经网络混合法

为了在力学参数位移反分析中进行力学参数灵敏度的分析 ,将神经网络方法与有限元正分析有机结合 ,利用有限元正分析获取神经网络的学习样本 ,利用神经网络输出变量对输入变量的偏导数求解力学参数在每一个测点的灵敏度 ,提出了一种力学参数灵敏度计算的新方法———有限元 -神经网络混合法。