基于进化高斯过程回归算法的隧道工程弹塑性模型参数反演

学习机器性能是决定智能位移反分析效果的关键,针对现有智能反分析存在的问题,将高斯过程回归（Gaussian Process Regression,简称GPR）引入隧道工程计算模型参数的反演,并采用单一各向同性核函数之和作为GPR的组合核函数以提高其泛化性能。为克服传统共轭梯度法优化求取最优GPR超参数的缺陷,改用十进制遗传算法替代共轭梯度法在训练过程中搜索GPR最优超参数,并编制了相应的计算程序。结合北口隧道施工监测进行了算法程序的应用,并与进化–单一核函数高斯过程回归算法和进化支持向量回归（SVR）算法的应用结果作了对比,结果表明本文提出的进化高斯过程算法显著提高了反演精度,可以应用于岩土工程计算模型参数的反演辨识,并为类似工程提供了借鉴。     

GA-SVR模型用于日供水量预测的研究

针对日供水量预测问题,提出一种基于遗传算法的支持回归向量机(GA-SVR)模型。以H市为例,采用GA-SVR模型对日供水量进行了预测,并与BP模型和SVR模型的预测值进行了比较。结果表明,H市日供水量预测值与实际值的误差均小于5%,且GA-SVR模型的预测精度高于BP模型和SVR模型。由此可见,GA-SVR模型是一种有效的预测日供水量的方法。     

基于APSO__WLSSVM算法的Hammerstein ARMAX模型参数辨识

提出了一种新的使用粒子群算法改进最小二乘支持向量机(adaptive particle swarm optimization,APSO-WLSSVM)的复合算法,应用进化状态估计技术和变异操作改进粒子群算法,使得算法快速收敛于优化目标,具有良好的辨识效果。将所提出的方法与鲁棒最小二成向量机、最小二成相量机方法进行数值例子比较研究,结果证明了所提出的APSO-WLSSVM方法的有效性。     

基于改进SVM的隧道位移监测非线性预报模型

在隧道工程中,位移变形监测是一个重要环节,然而监测数据往往呈现出较为复杂的非线性特征.以铜黄高速公路大田双连拱隧道施工为背景,在支持向量机算法的基础上,采用变量轮换法对其参数进行优化处理,从而呈现了监测数据复杂非线性特征并建立隧道位移监测时间序列非线性模型.利用此模型对未来的位移变形做出精确的预报,科学地指导现场监测和施工建设.     

基于数据挖掘技术的冷水机组与冷却塔模型辨识方法

本文通过对支持向量机的分析,采用数据挖掘技术建立了冷水机组和冷却塔的支持向量回归机辨识模型;以某公共建筑冷水机组、冷却塔历史运行数据为样本,分析了不同核函数、模型结构参数对辨识精度的影响,确定了适用于冷水机组和冷却塔采用历史运行数据辨识其特性的核函数及归一化方法。结果表明,采用[-1,1]规整样本数据能够提高模型辨识精度;冷水机组能耗模型适宜采用多项式核函数,而冷却塔释热量模型适宜采用径向基核函数;冷水机组及冷却塔的SVR辨识模型精度均高于经验模型。     

基于计算智能的岩土力学模型参数反演方法及其工程应用

最优估计的岩土力学模型参数是通过比较现场观测到的信息数据与理论模型得到的模型数据的差异而得到的。通过定义目标函数，将参数识别反问题转化为优化问题处理。基于梯度搜索方法的参数反演方法缺陷在于无法保证搜索到全局最优解，其主要原因在于观测误差和模型误差的存在。Tihonov(1963)证明，如果正问题(Forward Problem)是线性的，那么，反问题的解存在唯一并且连续地依赖于观测数据(稳定)。关于地下水反问题和热传导反问题以及位移反分析的数值试验发现，当正问题是线性时，如果当不考虑观测数据的观测误差时，反问题的解是唯一的，也就是说，目标函数是凸函数，正如Tihonovr所指出的那样；但是，当考虑到观测数据的观测误差时，即使正问题是线性的，反问题的目标函数是非凸的，反问题解是不唯一的。观测误差越大，目标函数的局部极小值数目越多。     

智能岩石力学(2)——参数与模型的智能辨识

1引言输入参数和本构模型是岩石力学研究中最核心的两个问题。然而,由于岩石力学的研究对象是复杂的地质体,受断层、节理裂隙切割,加上工程开挖和外部环境的影响,致使许多情况下,我们不能获得很好的输入参数和本构模型。“输入参数和本构模型给不准”已成为岩石力学理论分析和数值模拟的“瓶颈”问题。本文应用智能岩石力学的观点【’,’］,就如何进行输入参数和本构模型的自适应辨识进行探讨。2输人参数的智能辨识2．1利用基于信息分形的神经网络巨构有关研究表明,岩体力学信息存在分形自相似性。例如,在空间和尺寸上,岩石微破裂…     

基于差异进化算法反演参数的隧道稳定性分析

在隧道和地下工程弹性问题的位移反分析中,当基本未知数多于三个时,在各参数可能的变化范围内找到一组使误差最小的最佳参数的优化反分析方法是当前岩土工程反分析研究的热点问题。论文结合一种新型的优化算法(差异进化算法),依托摩天岭1＃斜井隧道工程施工,跟踪施工进行了典型断面围岩位移监测,以现场量测位移作为基础信息求得了斜井隧道全局最优值的最佳力学参数组合。根据以上采用差异进化算法求得的反演参数,对摩天岭1#斜井隧道单层衬砌支护稳定性进行了三维数值模拟分析,分析表明,摩天岭1#斜井隧道III级围岩段喷15 cm厚钢纤维混凝土支护后,斜井隧道围岩最小应力明显降低,围岩位移明显减小,因此建议摩天岭1#斜井洞身段III级采用15 cm厚度的钢纤维喷射混凝土单层衬砌。以上研究直接指导了摩天岭隧道单层衬砌设计和施工。     

基于遗传优化支持向量机的软岩隧道围岩变形预测

软岩隧道施工过程中,围岩极易出现大变形和坍塌现象,如何有效地对隧道围岩大变形进行预测,已成为保障隧道施工安全的重要手段之一。本文以象山隧道为工程背景,采用遗传算法优化支持向量机参数,建立了隧道变形的遗传支持向量机模型,对象山隧道围岩的拱顶沉降和变形收敛进行了预测。模型预测值与实际测量值的对比结果表明,两者之间的误差较小,预测精度较高,所建立的GA-SVM模型可为隧道施工安全和支护结构的优化提供技术支撑。     

基于遗传进化的支持向量机参数敏感性研究

提出了一种基于遗传进化的支持向量机预测方法,利用该预测方法对工程实例阳宗隧道下行线XK38+725断面的实测围岩变形进行预测,发现此方法具有很高的精度,同时,对基于遗传进化的支持向量机参数敏感性进行了研究,得出结论:敏感性最高的是不敏感系数,其次是惩罚因子,敏感性最低的是核函数系数。     

基于改进遗传模拟退火算法的结构损伤识别研究

针对遗传算法容易"早熟"、局部寻优能力较差等缺点,提出一种基于改进遗传模拟退火算法的结构损伤识别方法。先用节点的残余力向量来进行损伤定位,然后以节点的残余力向量构造目标函数,以单元刚度折减系数为设计变量,利用改进的遗传模拟退火算法进行损伤程度的识别。最后,对一个桁架结构模型进行数值模拟,结果表明,该算法能够准确识别结构的多处损伤,验证了该方法的有效性。     

综合改进的遗传算法反演三维地下水流模型参数

在简单的遗传算法的基础上，提出了一种综合改进的遗传算法，在反演地下水水流参数时，具有收敛速度快、解的精度高和避免出现早熟等优点。以非均质各向同性承压三维非稳定流动为理想模型，结合有限元法讨论了用遗传算法反演水文地质参数的过程。综合改进的遗传算法非常有效，在地下水渗流和水资源评价计算中有广阔的应用前景。     

基于进化支持向量机的单桩竖向极限承载力的预测

通过将改进遗传算法与支持向量机相结合,建立一种用于单桩竖向极限承载力预测的进化支持向量机模型。这种方法基于实测数据,利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,从而得到泛化能力更好的预测模型。结果表明,该算法可以有效地解决支持向量机的参数确定问题,给出的算例结果是令人满意的。     

基于遗传算法的岩土本构模型辨识

通过对岩土本构模型辨识机理的分析，提出了基于遗传算法的本构模型辨识方法，并用两个工程实例对该法进行了验证。     

岩土工程中基于栅格的三维地层建模及空间分析

地理信息系统（GIS）及空间信息分析技术的发展为解决复杂的岩土工程科学问题提供新的手段,三维空间的地层和硐室建模是岩土工程GIS信息技术的核心内容。在此基础上,研究三维空间分析算法并实现具备强大面向对象分析功能的GIS信息系统,是该项技术在岩土工程领域得以推广应用的前提条件。以典型的工程应用实例为背景,介绍基于栅格的包含多元信息（监测设施、工程措施和地质断层等）的三维地层建模技术,详细探讨地层模型中的任意单纯地层剖面生成、地层与三维场景中的水位面及实体相交、地层与硐室的混合剖切算法及面积和体积的空间计算等分析功能。     

地面出入式盾构法隧道新技术大型模型试验与工程应用研究

地面出入式盾构法克服传统盾构法需要在两端修建始发和接收工作井的弊端,实现地表出发和地表接收的全过程盾构施工新技术。采用大型模型试验、数值仿真和工程验证手段,系统研究地面出入式盾构法隧道新技术掘进的关键问题,揭示地面出入式盾构法穿越不同阶段的地表沉降规律;依托地面出入式盾构法首次在我国南京城际快速轨道秣将区间隧道工程的示范应用,探索分析该新方法在工程中主要施工参数的合理选择和有效的控制技术;模型试验、数值仿真结果与工程实测结果获得一致的规律,可为该新方法的进一步推广应用打下坚实基础。     

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。     

基于混合遗传算法岩土抗剪指标参数识别方法

岩土边坡的稳定性取决于边坡的几何形状和岩土材料的抗剪指标参数。由于尺寸效应,根据实验室小尺寸试件获得的参数具有某些局限性,反分析方法为解决这一课题提供了新的途径。根据实验观测岩土边坡滑移面的形状参数,建立了应用混合遗传算法识别岩土材料的抗剪指标参数的方法。遗传算法的特点之一是不需要计算目标函数的导数。为了提高参数识别方法的有效性、收敛速度和鲁棒性,将梯度搜索方法和遗传算法有机地结合在一起,使得所建立的反演策略具有梯度搜索方法和遗传算法的各自特性。研究了观测信息的不确定性对参数反演结果的影响。通过一个数值算例对比,显示了所建立参数识别方法的实用性和有效性。     

基于免疫连续蚁群算法的岩土工程反分析研究

基于进化算法等全局优化算法的岩土工程优化反分析是解决实际问题的一种较好的思路,但计算效率是这类算法的最大问题。为了克服这种反分析方法的缺点,提高反分析的计算效率,首次把一种新型仿生算法——连续蚁群算法引入岩土工程领域。并为了更进一步提高算法的效率,把免疫原理引入连续蚁群算法,提出了免疫连续蚁群新算法。在此基础上,结合有限元数值分析技术,提出了一种新的岩土工程反分析算法——免疫连续蚁群算法反分析。最后,通过一个简单算例验证了该法的有效性及卓越的计算效率。     

基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究

 滑坡位移预测模型的选择及其参数的选取是滑坡位移预测中至关重要的2个问题,以往的模型在预测滑坡位移时具有诸多的限制和不足。以三峡库区白水河滑坡为研究对象,基于时间序列分析方法,分离提取出滑坡趋势性位移与周期性位移。前者主要受控于滑坡的内部因素(物质组成、地质构造、地形地貌等),可用最小二乘法对其进行多项式拟合并预测;后者是由外部影响因素(季节性降雨、库水位变动等)导致,取当月降雨量、双月降雨量、库水位高程、月间库水位变化量、双月库水位变化量和年间累计位移增量作为周期性位移的影响因子,提出采用可优化选参的粒子群优化算法(PSO)与支持向量机回归(SVR)相结合的方法对其进行预测;将各分位移预测值叠加得到累计位移预测值。运用多种方法进行分析对比,结果表明,基于时间序列与PSO-SVR耦合模型的滑坡位移预测精度要明显高于BP神经网络模型、网格搜索法优化的支持向量机模型(GS),其在滑坡位移预测中具有一定的理论基础和良好的应用前景。