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。     

基于模式搜索的岩石流变模型参数识别

介绍一种根据岩石蠕变试验资料识别流变模型参数的方法,该方法是模式搜索与非线性最小二乘法的有机结合,避免了曲线拟合中由于流变参数初值选取不当、迭代不收敛的困难。用该方法对某工程粘土岩室内单轴压缩蠕变试验进行了研究,识别出了不同应力水平下的流变力学参数。研究表明,采用伯格斯模型描述该类粘土岩的流变力学特征比广义开尔文模型更为合适。     

基于扩展卡尔曼滤波的岩石流变模型参数识别

针对岩石材料本身复杂性及观测条件引起的室内外试验数据中存在的不确定性,引入卡尔曼滤波方法,将岩石流变模型参数视为某随机过程的状态估计量,构造相应的卡尔曼滤波方程进行参数识别。以构皮滩水电站岩石工程黏性软岩的单轴压缩蠕变试验为例,对广义开尔文模型的有关参数进行识别,结果表明该方法具有很高的识别精度。同时探讨不同观测误差对滤波过程及参数识别结果的影响,数值试验表明该算法具有较强的抗噪声干扰能力,为解决岩石力学参数识别中的不确定性问题提供一个有效的理论方法。     

边坡岩体力学参数反分析遗传-神经网络算法

基于均匀设计、有限元法、人工神经网络和遗传算法建立了新的边坡岩体力学参数反分析方法.按照均匀设计要求,确定数值模拟方案;用有限元程序计算出相应的神经网络训练样本,建立边坡变形的神经网络预测模型,再利用遗传算法进行反演分析,其中反演过程适应度的计算则采用已训练好的神经网络预测来替代有限元数值仿真,这样大大缩短了计算时间.通过算例分析,反演结果比较理想,表明该反分析方法是可行性和精确的.     

基于神经网络的深厚软土地层参数反演分析

在深基坑工程数值分析中,土体本构关系的选取及其参数的确定对分析的结果会产生重要的影响。结合一个海中深厚软土基坑实例,根据现场实测数据,利用参数敏感性分析确定地层的关键参数,提出一个基于参数敏感性分析和BP神经网络的动态施工反演分析方法。分析结果显示,围护桩水平位移监测值与反演值吻合较好,说明基于参数敏感性分析和BP神经网络的动态施工反演分析方法能够很好地反映土体的非线性、不确定特征,依据该反分析方法获得的土体参数可用于估算下一工况的基坑位移。本次反演得到的土体参数可作为当地深厚软土地层类似工程土体参数的参考取值。     

基于非稳定渗流过程的岩体渗透特性反演分析

 考虑岩土体渗流场在工程施工及运行过程中的动态特征,依据水头和流量2类测点的实测时间序列数据,建立基于正交设计、非稳定渗流正分析、BP神经网络和遗传算法相结合的非稳定渗流场反演分析方法,在一定程度上体现了多目标优化、全过程反演的特点,较好地解决了岩体渗透系数反分析的唯一性与可靠性问题。为了避免在反问题中由于利用水头和流量2种类型观测资料所带来的量纲问题,将水头和流量时间序列数据误差项归一化后构造量纲一化的目标函数,并在目标函数中引入权系数w,从而避免寻优时某一类型观测信息占优。针对长河坝水电站基坑施工期涌水问题,根据施工期各渗压计、基坑渗漏量实测时间序列资料和上游河水变化过程曲线,采用上述方法反演了坝基岩土体的渗透系数。反演分析结果表明：渗压、流量测点的实测和计算时间序列数据吻合较好,反演给出的各岩土体渗透系数与现场钻孔压水试验得到的岩体渗透特性分级相符,从而论证了该反演分析方法的可行性和反演结果的可靠性。研究结果为进一步评价大坝正常蓄水后坝基防渗体系的有效性提供了依据。     

龙滩水电站左岸高边坡泥板岩体蠕变参数的智能反演

在综合分析龙滩左岸边坡泥板岩样室内蠕变试验资料和现场工程区域岩体风化程度、岩性和节理分布等特性的基础上,建立了龙滩左岸边坡泥板岩体的蠕变本构模型;采用均匀设计方法和三维显式有限差分法对72#试验洞三维地质概化模型进行了开挖模拟和蠕变计算;以72#试验洞的变形监测资料为目标,采用遗传–神经网络方法对泥板岩体的蠕变参数进行了智能反演分析,获取了岩体的蠕变参数。利用其进行正演计算,结果表明未用于反演的监测断面的实测位移值与相应断面的计算值在量值上相当,变形趋势上也基本相同。这表明所确定的龙滩水电站左岸高边坡泥板岩体蠕变本构与参数基本合理,同时说明进化神经网络演化有限差分方法在由小尺度岩石室内蠕变试验参数过渡到现场大尺度岩体蠕变参数的过程中起到了重要的桥梁作用。     

岩石工程数值分析中选择岩体力学参数的神经元网络方法

讨论了确定岩石工程数值分析中所需输入的岩体力学参数的人工神经元网络法,这种方法的优点是可以考虑的较多非定量的岩体地持同描述。应用实例表明,计算结果与实测结果比较一致。     

地下工程岩体参数场反演分析应用研究

 在施工过程中,由于开挖方式、爆破以及支护施作滞后等因素的影响,洞周岩体会有不同程度的“劣化”。一般而言,受开挖施工影响,离洞室表面越近的岩体劣化程度越严重;支护施作滞后时间越长岩体劣化程度越严重。因此,提出参数场的概念,将洞周围岩物理力学参数看作受初始地质状态、施工影响而随空间变化的非稳定参数场。采用三维弹塑性损伤有限元及位移反演分析方法,经敏感度分析确定恰当的待反演岩体参数,使用局部断面模型快速反演计算方法获得各监测断面区域岩体参数场,再通过插值方法得到三维整体模型参数场,适当修正后即可用于洞室后期开挖围岩变形及稳定预测。结合瀑布沟水电站地下厂房工程,建立有限元模型,代入监测数据,反演获得洞周围岩参数场,并将计算结果用于预报后续洞室开挖的围岩变形趋势,结果显示岩体计算预测反演参数与实际监测值符合较好。     

基于遗传神经网络的岩土参数优化反分析

由于地下工程岩土力学参数的复杂性,在实际工程设计和施工中,要想得到比较准确的岩土力学参数是比较困难的,而岩土参数对地下工程的设计和施工的成败具有很重要的意义。本文利用遗传神经网络优化算法结合数值模拟试验对地下工程岩土力学参数进行优化反分析,并取得了良好的效果。     

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。     

位移反分析的进化神经网络方法研究

将人工神经与遗传算法相结合,提出了一种用于位移反分析的进化神经网络方法,这种方法基于正交试验获得的样本进行学习,用遗传算法搜索最优的神经网络结构,并用最佳推广预测学习算法训练此网络,以此训练好的网络描述岩体（土）的力学参数与岩体位移是非线性关系,再应用遗传算法从全局空间上搜索,进行岩体力学参数的最优辩识。作为例子,文中给出了弹性问题的反分析,结果是令人满意的。     

基于模糊理论的软岩黏弹性模型识别及参数反分析

对岩石黏弹性模型进行总结，将复杂的黏弹性模型方程转化为统一的线性方程，基于实测数据运用回归分析法和模糊数学方法，通过对线性方程参数的反分析得到统一模型的参数，运用模糊关联度分析法对具体岩石黏弹性模型进行识别，进而根据统一模型参数可反求出黏弹性模型方程的参数。研究表明，对黏弹性本构模型采用线性化处理，用统一的线性方程表示复杂的本构方程简化模型的识别和参数的获取过程。最后利用一矿山软岩流变试验结果对其黏弹性模型进行识别和模型参数进行反分析。计算结果表明，样品Ⅰ-1，Ⅰ-2黏弹性模型服从麦钦特体，样品Ⅱ-1，Ⅱ-2黏弹性模型服从H-K体，通过计算出黏弹性模型参数，得出软岩黏弹性模型的回归方程，所得结果与实际情况比较一致。     

基于Bayesian广义参数反分析

本文视岩体为一系统,作用在该介质上的载荷或应力为系统的输入,变形为系统的输出,进而基于数理统计学的Ｂａｙｅｓｉａｎ原理,考虑输入、输出的不确定性及系统特征参数的先验信息,提出了广义参数反分析法,该方法可以推广到现有几种反分析方法上去如Ｂａｙｅｓｉａｎ反分析,最大似然反分析,马尔可夫反分析及最小二乘反分析等,最后本文讨论了各种不确定因素对参数反分析的影响,为实际工程分析提供了很有价值的信息．     

不确定性岩石力学参数的区间反分析

考虑量测信息的不确定性，将岩石力学参数视为未知但有界的区间变量，建立了非线隆岩石力学参数的区间反分析模型。运用带约束的优化技术查变容差法求解反演模型，得出了不确定性力学参数的区间范围，研究了不同的量测精度和反演参数个数对反分析结果的影响，结论合乎规律，为实际工程分析提供了有价值的信息。     

岩石力学参数反分析的变分伴随方法研究

在岩土工程参数反分析中,针对梯度类优化方法中梯度向量计算量大且难以求解的问题,引入变分伴随向量,提出了岩石力学参数反分析的变分伴随方法,推导出梯度向量的显示计算公式,梯度向量能够一次性全部算出,计算方便快捷。最后通过数值算例,对比分析表明该方法的有效性。     

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。     

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。     

基于支持向量机和模拟退火算法的位移反分析

提出了一种基于支持向量机和模拟退火算法的位移反分析方法,一方面用支持向量机代替有限元计算提高计算分析速度,另一方面用模拟退火算法代替传统的优化算法,避免优化过程中目标函数陷入局部极小值而无法继续寻优的状态,从而提高反演的效率精度。应用该方法对边坡的岩体力学参数进行反演,反演结果验证了模型的可行性。