滑坡体力学参数反分析研究

除室内试验和现场试验之外,反演分析是一种可以利用现有变形监测数据获取滑坡体等效力学参数的方法.以清江杨家槽滑坡体为例进行研究,提出了将均匀设计、遗传算法与BP神经网络结合起来应用于滑坡体反分析的新方法.先将具有很好全局寻优能力的改进遗传算法作为BP神经网络的学习算法,形成遗传神经网络;然后利用均匀设计方法设计网络学习样本,训练遗传神经网络映射滑坡体变形与滑坡体力学参数的非线性关系;最后将实测位移值作为网络输入,网络输出即为参数的反演值.该方法克服了优化反分析方法反演时间过长,解不易收敛等缺陷,实现了多参数的同时反演.通过对反分析结果进行检验与评价,证明其结果符合实际工程要求.     

大型地下工程围岩力学参数反分析方法研究

基于实时位移监测数据的大型地下工程围岩力学参数反分析理论是实现工程动态反馈优化设计的基本手段。将小波理论与传统BP神经网络结合形成小波神经网络,提高了映射系统的非线性泛化能力;利用均匀设计方法确定围岩待反演物理力学参数组合,并通过有限元正分析计算围岩在相应参数下的理论变形位移,形成网络训练样本集;将小波神经网络作为反分析的人工智能学习算法,映射围岩变形理论位移和力学参数之间的非线性关系;将现场监测位移输入到训练好的网络,计算围岩力学参数的反演值。工程实例验证表明,与传统理论相比,该理论可大大提升反分析的效率和准确性。     

基于粒子群优化BP神经网络的隧道围岩位移反演分析

针对无锡惠山隧道岩体破碎、围岩稳定性差等特点,基于长期现场监测变形位移数据,借助粒子群算法的参数优化功能,利用Matlab神经网络工具箱编制了优化PSO—BP隧道位移反分析系统。PSO—BP系统利用正交试验设计和有限元方法获得学习样本,再通过粒子群算法搜索最优的神经网络模型参数。用BP神经网络模型建立待反参数与实测位移之间的非线性映射关系,最后用粒子群算法从全局空间上搜索最优反演参数。克服了普通智能优化算法收敛速度慢、正分析计算量大等缺陷,具有全局优化特性。将模型应用于惠山隧道Ⅳ级围岩断面ZK6+485的反分析中,计算结果与实测值对比表明采用PSO—BP预测模型进行隧道位移预测是可行的。     

双沟水电站面板堆石坝变形反演分析

利用反演预测模型,结合混凝土面板堆石坝原型观测资料,对大坝填筑料的邓肯E-B模型参数进行反演分析,并用反演所得的坝体材料参数及其实际填筑过程进行有限元计算,得到坝体及面板的变形值;利用模型对水库蓄水三年后的变形值进行计算;根据实际监测结果与计算值进行对比,证明了有限元计算结果的合理性。     

地铁站深基坑土体力学参数反演分析

基于正交试验设计和FLAC3D建立的学习样本以及测试样本,通过工程现场获取的地铁站深基坑支护体系位移信息,在总结分析基坑变形受力特征的基础上,找出对地铁站深基坑变形起主要作用的因素,确定待反演土体力学参数,然后建立BP神经网络理论反演的参数同支护结构位移间潜在的映射关系。实例计算结果表明,利用BP神经网络的仿真预测功能实现地铁站深基坑土体力学参数反分析是较为准确可行的。     

基于Jaya-BP神经网络的混凝土坝参数反演

针对混凝土坝等大体积混凝土结构性能参数高效反馈问题，提出一种基于Jaya-BP神经网络的新型参数反演算法。采用Jaya算法优化BP神经网络的权值和阈值，克服其迭代收敛速度偏慢、易陷入局部最优解等缺点，提高BP神经网络的全局寻优能力和稳定性。引入正交设计法以及拉丁超立方法设计参数组合，通过有限元分析得到较为准确的训练样本，形成基于Java-BP神经网络结合有限元分析的大体积混凝土结构参数高效反演算法。以典型混凝土重力坝和拱坝为例，对坝体和坝基弹性模量进行反演分析，并与传统的BP神经网络反演结果进行对比表明，Jaya-BP神经网络反演精度明显提高。     

基于优化BP神经网络算法的隧道岩土体力学参数分析方法研究

在隧道稳定工程稳定分析中,岩土体力学参数的准确性对工程设计有着重要影响,以获取隧道岩土体力学参数指导支护设计,保障隧道施工及运营期的安全性。采用有限差分数值计算模型构建位移与岩土参数的训练样本集,结合CO-RDPSO算法优化BP神经网络的初始权值和阈值进行训练,将实际监测位移带入训练好的神经网络反演岩土体力学参数,利用反演参数带入有限差分模型计算得到隧道位移,并将其与监测位移进行对比分析,并对该方法进行实例验证,结果表明,基于有限差分方法反演得到的参数能较好地反映隧道开挖后土体的位移沉降,变形规律与监测数据基本一致,CO-RDPSO算法优化BP神经网络具有一定的可行性。     

涔天河面板堆石坝施工期变形监测资料及参数反演分析

对涔天河面板堆石坝施工期变形监测资料进行了较全面分析,然后建立了堆石坝施工期有限元模型。基于实测相对沉降,采用正交设计、神经网络、遗传算法相结合的方法,反演了堆石坝的非线性材料参数。分析表明:(1)涔天河面板堆石坝坝体沉降随着大坝填筑的逐步升高而增大,当填筑到320.3 m高程后,坝体沉降变形渐趋稳定。在施工期间,该大坝经历了"5.20"洪水、"11.11"罕见冬汛等事件,但对堆石坝的变形影响小。(2)基于实测相对沉降进行的堆石坝材料参数反演结果表明,主堆石区的K和Kb较室内剪切试验参数偏小,而其他反演参数结果和室内剪切试验值较为接近,沉降值计算值与实测值的时程曲线趋势符合较好。(3)由于观测房修建滞后,沉降仪从安装埋设到首次观测期间的沉降位移缺乏过程值,建议及时修建观测房,尽早获得沉降过程值。     

位移反分析在地下厂房开挖中的应用

针对官地水电站地下厂房,采用三维快速拉格朗日法(FLAC3D)对开挖及支护过程进行弹塑性有限元模拟,基于开挖过程中地下厂房围岩实测位移,采用BP网络和遗传算法对围岩变形模量进行反演,并采用反演模量值对地下厂房后续开挖过程中的变形进行了预测。研究表明,采用BP网络和遗传算法进行反演,可以提高反分析计算速度。反演得到的岩体变形模量为19.95GPa,在参数建议值范围内。采用反演参数对地下洞室后续开挖过程中的位移进行有限元计算和预测,预测位移与现场监测位移较为符合,说明反演结果是合理的。研究成果可为类似地下工程开挖变形预测提供参考。     

基于BP神经网络的隧洞围岩参数反演

隧洞开挖后为了得到准确的围岩参数来指导支护设计,利用现场隧洞收敛监测数据,采用Phase2联合MATLAB的BP神经网络工具箱进行围岩参数反演.结果表明:神经网络训练误差较小,有限元反演方法得到的参数能较好地反应围岩开挖后位移变化的规律,变化规律与实测收敛数据一致,利用BP神经网络反演隧洞围岩参数方法可行.