BP神经网络在隧道围岩稳定性分类中的应用

将BP神经网络应用于隧洞围岩分类,BP神经网络通过学习记忆建立输入和输出变量之间的非线性关系。利用淮南洞山隧道围岩分类样本进行模拟检验,BP神经网络模型性能良好,对隧道围岩分类的精度较高,是一种值得推广和应用的围岩智能分类方法。     

基于Vague集的隧道围岩稳定性评价

提出了基于Vague集的隧道围岩稳定性评价模型,详细介绍了基于Vague集的隧道围岩稳定性评价的基本原理、Vague集的表示方法和记分函数的定义问题.建立了隧道围岩稳定性评价的指标体系,引入简单关联函数来确定各指标的权重,并应用该模型对某隧道围岩的稳定性进行了分类预测.结果表明,该评价方法可行合理且比较符合实际,判别结果与可拓方法、模糊可变集方法以及集对分析-可变模糊集等方法的结果一致,为隧道围岩稳定性的综合评价提供了新的思路.     

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。     

基于深度学习技术的公路隧道围岩分级方法

通过深度学习技术提取公路隧道掌子面图片中的围岩分级相关信息。训练以掌子面图片和特征标签为数据集的深度卷积神经网络模型,识别围岩的节理、裂隙、破碎程度、粗糙程度、光滑程度、泥夹石和涌水等分布式特征;结合深度学习技术和岩体裂隙图像智能解译方法统计围岩节理组数和间距来描述结构面完整程度;再利用色彩模型确定岩石种类描述出岩石坚硬程度;最后将围岩分级各判别因子转换为BQ值进行分级,获得围岩分级最终结果。结果表明:深度学习模型适用于识别围岩不同形态特征,利用图像识别技术获取的围岩分级参数能够实现对公路隧道围岩等级的综合判定。该处理结果与传统BQ分级结果相吻合,验证了深度学习围岩分级的可行性和准确性。     

神经网络技术在隧道围岩变形预测中的应用

详细地介绍了基于遗传算法改进的BP神经网络,根据围岩变形量的时序变化特性,对上马基隧道围岩变形进行了进化神经网络预测,得出了用GA-BP神经网络建立的模型分析方法是隧道变形预测中的可行、简易、有效的方法的结论。     

基于FOA-GRNN的软岩隧道围岩变形预测模型

为解决隧道围岩变形中的非线性问题,实现对软岩隧道变形发展趋势和稳定性的判断,建立了基于果蝇算法改进的广义回归神经网络隧道围岩变形预测模型。利用广义回归神经网络较好的非线性映射能力,对软岩隧道的拱顶沉降和水平收敛进行预测。由于GRNN的预测效果受光滑因子的影响,因此采用果蝇算法对光滑因子进行寻优,改善了GRNN预测模型确定参数时人为因素的影响,有效的提高了模型的预测精度和适用性。以玉磨隧道工程为例,通过对现场监测变形数据的训练,得到了隧道围岩变形预测结果,验证了FOA-GRNN预测模型能高效准确地对隧道围岩变形进行预测,可以为类似的工程提供一种新的途径。     

基于最大间隔分类器的围岩级别判断方法

岩体的复杂性以及围岩分类中存在大量的不确定因素给围岩的正确分类造成了一定的困难.将支持向量机方法用于对围岩的分类,并与ART1神经网络和BP神经网络的预测结果进行对比,表明:将支持向量机用于围岩分类是可行的,并且具有很好的精度.     

公路隧道围岩的区间数组合分类法

公路隧道围岩的分类方法较多,每一种分类方法的结果都是对真实围岩状况的一种估计,通过一定的算法将这些分类结果进行合成,可以使各分类法取长补短,围岩信息得到充分利用。基于上述思路,并考虑到分类标准和被分类隧道围岩物理力学指标均为区间数的实际情况,提出了一种基于区间数的公路隧道围岩组合分类法。为充分利用区间数携带的信息,定义了一种新的区间数距离计算方法,选择能够兼顾各单一分类法之间功能性和协调性要求的加乘混合函数作为围岩分类函数,计算被分类围岩与分类标准各级别之间的分类函数值,最小值对应的类别即为被分类围岩的类别。针对某工程隧道2个典型段围岩的分类问题,在隧道围岩常用的岩芯质量指标ROD法、《公路隧道设计规范》(JTGD70-2004)BQ值法和弹性波速vp法进行分类的基础上,采用本文方法进行组合分类,结果表明:本文方法物理意义明确,计算过程简捷,分类指标稳定,分类结果与单一分类法相比能够更好地反映实际围岩状况,可供公路隧道勘察、设计、施工时参考。     

偏压双连拱公路隧道围岩稳定性动态预测分析

由于高速公路偏压双连拱隧道的复杂地质条件,会给隧道安全施工带来严重威胁,提出在加强隧道开挖现场监控量测的基础上,以位移量测结果作为学习样本,应用BP神经网络预测隧道围岩位移的大小,分析围岩的稳定性。由于BP神经网络能综合考虑隧道围岩节理、裂隙等对围岩位移的影响,所以与有限元反分析法计算隧道围岩位移结果比较,显示BP神经网络预测结果的误差较小,预测值与实际测量值趋于一致,因此应用BP网络预测偏压双连拱隧道围岩位移,超前分析其稳定性是安全可靠的,该预测方法的预测结果可以指导现场的施工。     

公路隧道围岩模糊信息分类的专家系统

符合实际的围岩分类是公路隧道设计和施工的重要依据，是准确进行施工地质超前预报的指南。目前的公路隧道围岩分类规范中，围岩类别与各评定指标间尚未建立起精确的本构关系，在具体应用时受人为因素影响较大。针对围岩分类中存在的这类“模糊性”问题，引入模糊信息分析模型，借助专家丰富经验和既有隧道围岩分类信息，创建了公路隧道围岩模糊信息分类的专家系统，在围岩定量分类方面取得新的进展。     

基于粗糙集理论的隧道围岩模糊综合评判

针对隧道围岩分类问题,将粗糙集理论引入到模糊综合评判中,将各指标的权重转化为粗糙集理论中各属性的重要性,建立了基于粗糙集理论的隧道围岩模糊综合评判模型。最后,将改进后的模糊综合评判应用于实际工程中的围岩分类问题中,结果表明,该方法可较为真实地反映隧道岩体的工程特性。     

公路隧道岩体分级的神经网络方法

根据公路隧道岩体分级标准的要求，全面考虑各种分级指标，建立了公路隧道岩体分级的神经网络方法。对各类定性和定量指标数据进行了向量规范化处理，选取适宜的分级指标，建立起神经网络学习样本，并进行样本学习训练，其结果可作为各种公路隧道岩体分级的评判依据。据此，对韩家岭隧道围岩进行了分级和评价，证实所建立分级方法的可行性、准确性和优越性。     

神经网络在矿山竖井工程围岩质量分级中的分析与应用

矿山竖井工程围岩质量分级中影响围岩质量分级的因素众多,各个因素间的非线性作用关系复杂,围岩分级过程中人为因素影响大,分级结果的准确性较差。神经网络通过合适的样本学习,能自动建立各个因素与围岩质量分级间的对应关系,能很好的解决类似矿山竖井围岩质量分级评价。从围岩介质特性、环境条件以及工程因素3个方面系统分析了影响岩体质量分级的因素指标,构建了围岩质量分级的神经网络模型,根据工程实例建立学习样本,经过对网络模型的训练与检验,证实神经网络具有较好的收敛性和稳定性,在岩体质量分级中应用具有很好的实用性。     

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。     

四类常见边坡岩石类别识别和边界范围确定的方法

岩质边坡岩石的分类与边界范围的确定对于边坡稳定性的分析至关重要,目前人工方法效率低且受主观因素影响,所以基于Tensorflow建立了岩质边坡图像集分析的卷积神经网络模型,通过卷积操作和池化操作分别对80000张岩质边坡图像进行特征信息的提取和压缩,然后对网络模型进行训练从而实现了岩质边坡岩石的自动识别与分类;采用训练集和测试集中的岩质边坡图像对模型进行检验分析,训练集准确率达到了98%,测试集准确率达到了90%,显示了训练之后的网络模型具有良好的鲁棒性,达到了理想的训练效果。接下来以边坡不同岩石的颜色为主要区分依据,利用深度学习回归操作对岩质边坡不同种类岩石的范围进行确定,为验证算法效果,选取标准彩色岩质边坡图像进行仿真试验,边界检测效果准确。最终采用深度学习建立的网络模型,实现了岩质边坡岩石识别与边界范围划分的快速化、自动化,为后续将图像识别获取的岩质边坡信息导入团队自主研发的GeoSMA-3D软件中,作为对岩质边坡等级判定的重要参数。     

洞室围岩压力预测的研究

利用人工神经网络技术,建立了围岩压力预测的BP神经网络模型,并以数值模拟的计算结果作为实测固岩压力的控制指标,采用围岩压力的实测数据对网络进行了训练,最后以此训练好的BP神经网络对围岩压力进行了预测.通过与非线性预测对比表明,该人工神经网络模型具有较高的预测精度,为预测围岩压力提供了一种新的方法.