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。     

基于松动圈-位移增量监测信息的高地应力下洞室群岩体力学参数的智能反分析

考虑到高地应力下洞群围岩力学行为独特性和深部地下工程研究需要,提出大型洞室群岩体参数的智能反演新方法。该方法是采用弹脆塑性本构CWFS模型,以分步开挖引起的松动圈和位移增量监测信息为输入,首先通过参数敏感性分析确定待反演的参数,再建立位移增量–松动圈深度的联合适应度函数,用进化神经网络–遗传算法求得待反演参数的数值,并进行后续开挖引起的位移演化的灰色关联度分析和松动圈的实测值与计算值对比对反演结果进行检验的反分析方法。用该方法对具有高地应力特征的拉西瓦水电站花岗岩地下洞室群围岩的力学参数进行了反演,通过地下洞室群的第2～6层开挖引起的位移增量和松动圈的测试值,反演求出相关5个岩体力学参数的值。用反演所得的参数值对第7步开挖引起的位移增量和松动圈变化进行计算分析,结果表明该方法的正确性。     

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。     

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。     

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。     

隧道工程基于人工智能的应力反演方法研究

在新奥法施工中,采用应力数据进行反演分析,可以进一步提高隧道信息化设计的科学性。结合人工智能中的遗传算法、人工神经网络和数值模拟的方法对数据进行处理。利用遗传算法全局优化特性对神经网络进行优化,利用神经网络的映射、推理和预测功能建立岩性参数和应力之间的隐式关系,最后利用遗传算法对岩性参数进行整体寻优。     

龙滩水电站左岸高边坡泥板岩体蠕变参数的智能反演

在综合分析龙滩左岸边坡泥板岩样室内蠕变试验资料和现场工程区域岩体风化程度、岩性和节理分布等特性的基础上,建立了龙滩左岸边坡泥板岩体的蠕变本构模型;采用均匀设计方法和三维显式有限差分法对72#试验洞三维地质概化模型进行了开挖模拟和蠕变计算;以72#试验洞的变形监测资料为目标,采用遗传–神经网络方法对泥板岩体的蠕变参数进行了智能反演分析,获取了岩体的蠕变参数。利用其进行正演计算,结果表明未用于反演的监测断面的实测位移值与相应断面的计算值在量值上相当,变形趋势上也基本相同。这表明所确定的龙滩水电站左岸高边坡泥板岩体蠕变本构与参数基本合理,同时说明进化神经网络演化有限差分方法在由小尺度岩石室内蠕变试验参数过渡到现场大尺度岩体蠕变参数的过程中起到了重要的桥梁作用。     

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.     

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。     

基于改进GA-SVR算法的隧道工程三维弹塑性模型参数的智能辨识

将支持向量回归（SVR）算法引入岩土工程数值计算模型参数的辨识中可以充分发挥SVR算法的小样本、泛化性好和全局最优化的优点。但现阶段标准的SVR算法只能解决一维输出变量的回归问题，这就使其在反分析领域的应用受到限制。引入一种改进的SVR算法，这种算法通过将多维输出变量回归转化为多层标准一维输出变量回归来解决这个问题，并与十进制编码的遗传算法相结合，形成改进的GA-SVR算法，用遗传算法搜索最优的SVR模型参数以建立最优的待辨识参数与位移之间的非线性映射关系，然后用遗传算法进行待辨识参数的最优辨识。为对比这种改进GA-SVR算法的效果，将遗传算法与BP神经网络相结合，形成GA-BP算法且编制相应的计算程序。将这两种算法运用于同样的隧道工程三维弹塑性模型参数的智能辨识，数值算例表明改进的GA-SVR算法较GA-BP算法可以取得更高的辨识精度和更好的计算效率，可运用于类似岩土工程计算参数的辨识。     

Rheological parameter estimation for the prediction of long-term deformations in conventional tunnelling

The long-term deformations of mountain tunnels, which attract more and more attentions, are closely related to the time-dependent features of the surrounding rock mass. However, it is not easy to determine an appropriate rheological model and its corresponding parameters for a certain engineering instance. This paper presents a rheological parameter estimation technique by using error backpropagation neural network (BN) and genetic algorithm (GA). The application of the proposed technique to an engineering instance, Ureshino tunnel line I on Nagasaki expressway, is expatiated in detailed. The stochastic nature of the proposed technique is also discussed through case studies. It is proved that the proposed technique can provide the engineer with an optimal estimation of the rheological parameters, which can help the prediction of long-term deformations of mountain tunnels in the future.     

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...     

节理岩体黏弹塑性流变破坏模型研究

 针对岩块与节理面的黏弹塑性流变破坏模型问题开展研究。首先提出流变瞬时强度概念,以此为基础建立岩石和节理面的非线性黏塑性流变破坏模型的一般形式,并以岩石单轴压缩蠕变破坏试验为例,分析模型描述黏塑性变形破坏的特点。然后,建立岩石完整的黏弹塑性流变破坏模型,分析其描述蠕变和松弛的特性;研究参数 对于调节岩石流变破坏过程的作用,显示模型模拟脆性–延性流变破坏的特点。与大理岩单轴压缩蠕变破坏试验进行对比,结果表明提出的模型与试验结果吻合很好,可以很好地反映岩石蠕变破坏过程。进一步对节理面的黏弹塑性流变破坏模型进行讨论,并与灌水泥浆大理岩节理的剪切蠕变试验对比,结果表明模型也能很好地反映节理面蠕变破坏特点。最后,将建立的流变破坏模型应用于大岗山引水隧洞的流变破坏分析,确定其流变破坏过程和流变破坏时间,可为进一步喷锚支护设计提供依据。针对岩石和节理面所建立的黏弹塑性流变破坏模型概念明确,能正确模拟岩石和节理面的流变破坏过程和判断破坏时间,且参数为常规试验所得,将具有良好的应用前景。     

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。     

危岩耦合参数研究

目前,对危岩稳定性计算参数的选取仅仅从力学角度考虑,一般是通过大量试验及等效公式计算得出的。危岩主控结构面的强度参数,对危岩稳定起着至关重要的作用,在分析危岩稳定性影响因素的基础上,结合影响力学参数的环境因素,采用人工神经网络对危岩稳定性计算力学参数进行综合选取,得到危岩耦合参数的弱化系数,对危岩主控结构面强度参数进行合理折减,并以万州区首立山危岩为实例进行验算,通过与等效法计算结果的比较,发现两者较为接近,证实该方法的可靠性。     

Neural Network for Rapid Depth Evaluation of Shallow Cracks in Asphalt Pavements

Abstract:   Rapid and nondestructive evaluation of pavement crack depths is a major challenge in pavement maintenance and rehabilitation. This article presents a computer-based methodology with which one can estimate the actual depths of shallow, surface-initiated fatigue cracks in asphalt pavements based on rapid measurement of their surface characteristics. It is shown that the complex overall relationship among crack depths, surface geometrical properties of cracks, pavement properties, and traffic characteristics can be learnt effectively by a neural network (NN). The learning task is facilitated by a database that includes relevant traffic and pavement characteristics of Florida's state highway network. In addition, the specific data used for the NN model development also contained laser-scanned microscopic surface geometrical properties of cracks in 95 pavement sections and pavement core samples scattered within five counties of Florida. Relatively advanced training algorithms were investigated in addition to the Standard Backpropagation algorithm to determine the optimal NN architecture. In terms of optimizing the NN training process, the "early stopping method" was found to be effective. The crack depth evaluation model was validated based on an unused portion of the database and fresh core samples. The results indicate the promise of NN usage in nondestructive estimation of shallow crack depths based on crack-surface geometry and pavement and traffic characteristics .