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。     

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。     

基于均匀设计及遗传神经网络的大坝力学参数反分析方法

将均匀设计理论、BP神经网络和遗传算法三者结合起来,应用于大坝力学参数反分析中。首先对基本遗传算法进行改进,使得改进后的遗传算法具有很好的全局和局部寻优能力,将它作为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大坝坝体和坝基的材料力学参数样本,通过有限元正分析得到坝体的计算位移样本,训练遗传神经网络映射坝体计算位移值与材料力学参数之间的复杂非线性关系。最后将实测位移值输入训练好的遗传神经网络,即可得到各参数的反演值。本文以清江隔河岩水电站重力拱坝为例,反演分析了坝体混凝土的弹性模量、线膨胀系数以及坝基主要岩体的弹性模量等参数。经检验、评价与对比验证,结果表明该方法可以大大地缩短反分析时间,提高反分析效率和准确性。     

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。     

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。     

岩体力学参数与变形特征的智能识别研究

 博士学位论文摘要　“参数给不准”目前已成为岩石力学研究的“瓶颈”问题。本文应用智能科学研究方法, 将神经网络、遗传算法等应用于岩石工程问题, 对位移反演分析和岩体变形的演化特征识别进行了研究, 主要内容如下:(1) 提出了岩体力学参数反演分析的进化神经网络方法, 它将遗传算法和神经网络有机地结合起来, 既利用了遗传算法的全局寻优特性, 又利用了神经网络的非线性映射能力, 为岩体工程中多参数同时反演分析提供了一种新方法。(2) 提出了岩体的非线性变形演化特征识别的进化神经网络方法, 针对具体实例讨论了进化神经网络方法的控制参数对系统性能的影响和参数的合理取值区间。(3) 提出了岩体力学参数可辨识性的敏感度分析方法, 并对长江三峡水利枢纽工程永久船闸17217 断面的岩体力学参数和初始地应力场参数的可辨识性进行了敏感度分析, 确定了可由进化神经网络方法反演确定的参数, 并对测点的布置进行了讨论。(4) 应用进化神经网络反演方法对长江三峡水利枢纽工程永久船闸边坡17217 断面岩体力学参数和初始地应力场参数进行了反演分析, 并作了基于反演结果的FLAC 正向计算, 讨论了边坡岩体的变形行为, 为边坡稳定性评价提供了依据。(5) 应用非线性变形演化特征识别的进化神经网络方法对长江三峡水利枢纽工程永久船闸17217 断面外观监测点的位移时间序列进行了建模和预报, 给出了岩体的非线性变形演化特征识别的最佳网络模型, 并作了基于网络模型的外推预测。(6) 通过应用遗传算法对边坡破坏模型中待定参数的搜索, 讨论了岩石力学经验建模的唯一性问题, 提出了如何避免出现不唯一性的方法。     

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。     

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。     

糯扎渡水电站#2导流洞三维非线性有限元反分析

糯扎渡水电站#2导流隧洞开挖经过F3断层,开挖过程中,F3断层影响带附近的岩体力学参数直接控制着围岩的变形和应力分布。为了评判后续Ⅱ、Ⅲ层开挖围岩的稳定性,需要反演出F3断层附近围岩的岩体力学参数和初始地应力场。对于隧洞开挖反分析问题,考虑到现场位移监测数据与隧洞开挖之间的相互关系,采用开挖位移增量形式进行反分析,并且分析了三维非线性有限元以开挖位移增量的均方误差作为目标函数的反分析计算过程。为了减少现场的位移量测数据对反分析结果的影响,改善其规律性,采用多元线性回归模型对位移监测数据进行整理,有效的提高了反分析计算结果的精度。最后,利用上述方法反演得到了#2导流隧洞F3断层附近岩层的岩体力学参数和初始地应力场。     

路堑边坡位移与失稳反分析应用与问题

反分析方法为岩体力学参数的获取提供了较为有效的途径,本文对岩体参数的反分析方法进行了一些研究,从动态设计和信息施工的角度出发,以现场量测信息为基础,建立了有限元位移反分析的方法,并把反分析与正分析结合来进行预测预报。本构模型是岩体参数反分析的一个重要方面,合适的模型可使参数确定变得容易。对具体边坡工程的实例,本文采用Duncan-Chang本构模型,以位移为反演依据,反分析了边坡模型中的粘聚力和内摩擦角两个参数,并把反演的参数带入正分析模型,计算下一阶段的位移,为工程的预测预报提供理论依据。     

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.     

Estimating mechanical rock mass parameters relating to the Three Gorges Project permanent shiplock using an intelligent displacement back analysis method

Establishing the mechanical rock mass parameters is one of the important tasks for the highwall stability analysis of the permanent shiplock at the Three Gorges Project in China. Existing back analysis methods are not sufficient to provide the necessary accuracy and to recognize non-linear relations. The new displacement back analysis method proposed in this paper is a combination of a neural network, an evolutionary calculation, and numerical analysis techniques. The non-linear relation involving displacement and mechanical parameters is adequately recognized by the neural network techniques. The neural networks learn using an evolutionary technique, with samples created by orthogonal design and tested with new cases given by event design. With the neural network model established, the mechanical parameters are recognized using a genetic algorithm over a large search space in the global range. The predicted displacement occurring for each excavation step from January 1998 to the end of excavation and their cumulative values for 5 later excavation steps are closely characterized by the new analysis technique.     

Hybrid intelligent method optimization of a soft rock replacement scheme for a large cavern excavated in alternate hard and soft rock strata

Optimization of a soft rock replacement scheme for a large cavern excavated in alternating hard and soft rock strata is a complicated non-linear mechanical problem having a large parameter search space. Obtaining a global optimum solution is the key to the problem. A hybrid intelligent method is proposed for this purpose. It is an integration of an evolutionary neural network and finite element analysis using a genetic algorithm. The non-linear relation of the soft rock replacement scheme with the displacement and damage zone of the cavern due to excavation in the given geological conditions is learnt and represented by a forward neural network whose structure and connection weights are global optimally recognized by using the genetic algorithm. The learning samples are obtained from finite element calculations. The optimal soft rock replacement scheme, having the minimal displacement and damage volume induced by cavern excavation, is searched in a global space using the genetic algorithm. The new methodology is used to evaluate soft rock replacement schemes for the Shuibuya cavern in China excavated in strata consisting of alternating soft and hard rocks. The results indicate that the new methodology can recognize the optimal soft rock replacement scheme for a large cavern in such complicated geological conditions and the neural network model can provide a solution which is close to the finite element analysis for the same geological and construction conditions.     

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.     

岩石力学与工程综合集成智能反馈分析方法及应用

首先,给出岩石力学模型和参数综合智能反分析的几种新方法:岩石(体)力学参数的智能反演方法、岩石(体)本构模型的结构和参数耦合智能识别方法、岩石(体)力学参数的时空变异性反分析方法(即集合Kalman滤波和扩展Kalman滤波方法)、力学参数和模型可以不断更新的演化并行有限元反分析方法和基于模型的结构和参数智能识别的岩体工程安全性的综合集成智能分析方法。其中,岩石(体)力学参数的智能反演方法又包括4种,分别为均匀设计(或正交设计)–数值计算方法、粒子群(或遗传算法)–数值方法、均匀设计(或正交设计)–演化神经网络–数值方法–遗传算法(或粒子群)以及均匀设计(或正交设计)–演化支持向量机–并行数值方法–遗传算法(或粒子群)。然后,讨论智能反分析时应注意的待反演参数对监测物理量的敏感性、可以进行反演的参数个数以及模型和参数反演结果的适应性评价等问题。最后,给出这些智能反馈分析方法的工程综合应用概况。     

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。     

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...