基于v-SVR和MVPSO算法的边坡位移反分析方法及其应用

 针对传统粒子群算法存在搜索空间有限、容易陷入局部最优点的缺陷,通过引入迁徙算子和自适应变异算子,提出基于粒子迁徙和变异的粒子群优化(MVPSO)算法。基准测试函数结果表明,改进的MVPSO算法较传统的粒子群优化算法在收敛效率上有大幅度提高,在处理非线性、多峰值的复杂优化问题中能快速地搜索,得到全局最优解。应用改进的MVPSO算法搜索最佳的支持向量机(v-SVR)模型参数,建立岩体力学参数与岩体位移之间的非线性支持向量机模型,提高v-SVR的预测精度和推广泛化性。然后,利用v-SVR模型的外推预测替代耗时的FLAC正向计算,利用改进的MVPSO算法搜索岩体力学参数的最优组合,提出v-SVR和MVPSO相结合的边坡位移反分析方法(v-SVR-MVPSO算法),与传统的BP-GA算法和v-SVR-GA算法相比,该算法在反演精度和反演效率上均有较大幅度提高。最后,将本文发展的v-SVR-MVPSO算法应用到大岗山水电站右岸边坡岩体参数反演分析,并对边坡后续开挖位移和稳定性进行预测,取得较好的效果。     

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。     

位移反分析的自适应神经模糊推理方法在湘西金矿的应用

本文应用位移反分析的自适应神经模糊推理方法,对湘西金矿244采场围岩的力学参数进行了反演;并应用反演结果对该采场各矿房围岩的变形进行了模拟计算;与此同时,还对矿房围岩的变形进行了监测;最后将模拟计算结果与监测结果进行了比较,对矿房围岩的变形稳定性进行了分析。研究结果表明,模拟位移与监测位移吻合良好,且未超过允许变形值,这说明基于反演结果的数值计算模型对围岩变形具有良好的预测性能,进而说明,该反分析方法具有良好的工程适用性,可在工程实践中推广应用。     

改进变尺度法在地下工程位移反分析中的应用

介绍了地下工程位移反分析的原理之后,对常规的变尺度法进行改进,利用基于Broyden族的最优自调节变尺度法对尺度矩阵进行修正,使用向前差商来逼近梯度,采用Wolfe准则进行不精确线性搜索来确定最优步长,从而得到带一维不精确搜索的最优自调节差商变尺度法,提高了反分析的数值稳定性、收敛性和可靠性;同时提出了反演结果的检验方法和局部最优解的改善方法.最后并将其应用于某地下厂房的参数反演分析.实例表明,该方法具有收敛速度快,数值稳定性好的特点.     

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。     

黏弹性介质参数反演的同伦方法

以介质的动态时域位移响应作为参数反演的依据，对黏弹性介质的材料参数进行反分析研究。动态时域位移响应比拟静态和频域位移响应含有更丰富的信息，且在实际工程中所测得的信息也多为动态时域信号，因此将时间全过程的位移信息用于黏弹性介质参数反分析，将使黏弹性介质参数反演的结果更为合理、更接近实际。根据位移响应的理论合成值应与实际测量数据相拟合的原则，将黏弹性介质参数反演问题转化为非线性算予方程的零点求解问题；然后，应用大范围收敛的同伦方法求出非线性算予等于0的根作为反问题的解。以黏弹性半空间介质为例进行数值模拟。模拟结果表明，反演结果不依赖于初始值的选取，且反算过程稳定收敛，说明同伦反演方法对于黏弹性参数的动态反演是适用、有效的。     

圆弧滑动边坡反演设计的自适应神经模糊推理方法研究

圆弧滑动边坡反演设计的神经网络方法存在着收敛速度慢、拟合能力差、预测精度低、训练结果不具有唯一性等缺陷。针对这些缺陷,应用自适应神经模糊推理系统的原理,建立了圆弧滑动边坡反演设计的自适应神经模糊推理方法,并应用该方法对部分实例进行了反演设计。反演设计结果表明,该方法具有收敛速度快、拟合能力强、预测精度高、训练结果具有唯一性等优点,是一种优异的反演设计方法。     

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。     

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。     

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。     

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.     

An Implementation of the Mode-Split Traffic-Assignment Method

A software called Optimal Traffic Signal Control System (OTSCS) was developed by us for testing the feasibility of dynamically controlling a traffic signal by finding optimal signal timing to minimize delay at signalized intersections. It also was designed as a research tool to study the learning behavior of artificial neural networks and the properties of heuristic search methods. It consists of a level-of-service evaluation model that is based on an artificial neural network and a heuristic optimization model that interacts with the level-of-service evaluation model. This article discusses the latter model, named the Optimal Traffic Signal Timing Model (OTSTM). The OTSTM was applied to determine optimal signal timing of two-phase traffic signals to evaluate the model's performance. Two search methods were employed: a depth-first search method (an enumeration method) and a direction-search method that the authors developed. It was found that the OTSTM with the direction search resulted in "optimal" signal timings similar to the depth-first search, which would always produce a global optimal timing. Yet the cost of the direction search, as measured by the CPU time of the computer used for analysis, was found to be much less than the cost of obtaining an optimal solution by the depth-first search cases—more than 10 times less. The study showed that once the artificial neural network is properly trained, heuristic optimal signal timing combined with artificial networks can be used as a decision-support tool for dynamic signal control. This article demonstrates how OTSTM can quickly find an optimal signal-timing solution for two-phase traffic signals.     

堆石坝参数反演的蚁群聚类RBF网络模型

 将蚁群算法与径向基(RBF)网络相结合,提出一种用于堆石坝力学参数反演的蚁群聚类径向基网络模型。该模型用蚁群聚类算法搜索RBF网络基函数中心,模拟蚁群觅食聚类的概率转移特性,所得到的聚类结果类间离散度和比传统K均值聚类结果小,能够得到更合理的基函数中心,从而获得较准确的坝体参数和位移之间的非线性映射关系。在进行参数灵敏度分析的基础,对一座堆石坝的反演分析表明,蚁群聚类RBF网络模型可有效地求解堆石坝多参数反演问题,反演结果优于BP网络模型和K均值RBF网络模型。     

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。     

利用神经网络的反馈分析方法及其在地下厂房中的应用

将反馈分析问题归结为约束最优化问题,采取最为直接的正演反分析的求解方案,即对结构进行正向数值分析以实现约束条件,利用人工神经网络进行参数反演以满足目标函数,从而建立基于神经网络的反馈分析方法,并给出详细实现步骤。该方法分析过程简单,通用性强。以溪洛渡水电站左岸地下厂房洞室群开挖过程的反馈分析为例,根据工程施工期位移监测资料,以三维连续介质快速Lagrange分析程序FLAC3D作为数值分析软件,建立神经网络数值反馈分析系统。围岩位移反馈分析成果与实测数据吻合,后期开挖的围岩变形、应力以及支护结构受力等的预测成果合理,这可作为溪洛渡厂房洞室群的围岩稳定性评价的可靠基础,也证明该方法是解决大型复杂工程监测反馈分析问题的有效途径,可能得到进一步的推广和应用。     

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.     

龙山双连拱隧道动态位移反分析与预测

龙山双连拱隧道跨度大、埋深浅、围岩稳定性差。为了保证施工顺利进行，需加强监测并对施工引起的围岩位移做出合理预测，根据监测及预测位移调整后续施工方法。依据施工计划建立模拟动态施工过程的有限元模型，以第1施工步测点位移的监测值通过反分析确定所需计算参数，依据此参数预测第2施工步引起的围岩位移；在得到第2施工步测点监测位移后，反馈给所建立的有限元模型，再次进行反分析计算以修正所需计算参数并预测第3施工步所引起的围岩位移；如此反复进行，直至施工结束。预测结果与实测位移的对比表明，在所建有限元模型能够准确模拟实际施工过程及真实施工状态的前提下，所采用方法可以较为精确的预测后续施工引起的位移，从而为调整后续施工方案提供依据。     

基于GIS的河流水体污染非线性预测系统研究

针对河流水体污染物的空间分布特点,提出综合运用GIS、BP神经网络和遗传算法,实现河流水污染的空间数据管理和污染预测的方法。该方法通过改进激励函数、为权值的修正加入动量项等方法改良BP算法;并引入遗传算法实现BP神经网络隐层节点数、最佳学习率和动量因子等参数的自动搜索,有效地解决了传统模型参数难以确定等问题。并进一步将该模型与GIS强大的空间功能结合,实现了水体污染的海量空间数据管理及评价预测结果的空间图形直观可视化表达,十分便于及时掌握河流水体污染动态、空间分布及演化趋势。并最终以GIS为二次开发平台,实现了基于遗传神经网络的河流水体污染非线性预测管理系统,并在长江重庆城区段河流污染预测应用中显示出良好的效果,预测精度达78％以上。