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。     

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.     

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.     

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.     

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。     

均匀设计原理在地下工程位移反分析中的应用

以小湾水电站为背景，在试验、监测、前期分析结果的基础上，建立地质与施工的概化模型。以围岩基本力学参数和初始应力场为基本变量，按均匀设计方法进行计算方案的组合，采用考虑开挖卸荷效应的三维弹塑性有限元方法完成了地下硐室群开挖模拟，并应用多元线性回归模型进行了围岩基本力学参数和初始应力场的反演分析。应用反演计算所得围岩基本力学参数和初始应力场计算各监测点的开挖扰动位移增量，相应的计算值与实测值较为吻合，表明反演得到的力学参数和地应力场基本合理，均匀设计原理在地下工程位移反分析中具有较高的实用价值。     

基于有限元模拟与神经网络的隧道反演分析研究

依据某隧道施工设计及现场施工建立线弹性的隧道有限元模型,描述围岩位移场的空间分布.分析了隧道埋深、围岩性质、衬砌厚度、开挖方法及空间效应对监测点位移的影响情况.在此基础上建立围岩力学参数的反演分析流程,并建立位移与围岩力学参数的神经网络关系,最后用工程实例来证明该反演方法的可行性和有效性.     

滑坡的综合集成智能分析与优化设计方法研究

鉴于滑坡是多因素相互影响的高度非线性力学问题，智能、全局优化以及确定性力学分析方法的综合集成是很有吸引力的。总结了关于滑坡的监测、智能预测、分析与优化设计等方面的最新进展，包括综合集成智能分析与优化设计方法学、位移-时间序列建模的进化支持向量机、滑体参数反演的进化支持向量机-有限元方法、加固方案优化设计的演化神经网络-数值方法以及这些方法在高速公路滑坡(如福建八尺门滑坡、襄十滑坡)和三峡库区滑坡的应用研究成果。结果表明，所提出的综合集成智能分析与优化设计方法是科学合理的。最后还讨论了今后一段时间内的研究发展方向。     

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。     

基于BP人工神经网络的抗剪强度参数值反演

利用F-SPW5软件和BP人工神经网络工具建立了新疆碎石类土深基坑开挖位移反分析的专家系统计算模型,并将其反演得到的参数用于与随机变量统计法得到的c,φ的取值范围进行验证,确认了研究成果的可靠性。     

滑坡综合集成智能分析方法研究进展

本文综合课题组在滑坡方面的研究,以具体的滑坡工程为实例,详细介绍了滑坡现场监测、基于GIS的滑坡三维可视化、综合集成智能滑坡分析方法,包括滑坡变形预测的进化支持向量机建模、加固方案优化设计的进化神经网络-数值方法、基于动态聚类的进化神经网络危险性分区、滑体参数反演的进化支持向量机-有限元方法、滑动面搜索的免疫连续蚁群-极限平衡分析、滑动面参教反演的粒子群优化算法等。结果表明,所提出的滑坡研究综合集成智能分析方法是适用、科学和合理的。     

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...     

琅琊山抽水蓄能电站地下厂房 开挖位移的智能反演

 基于正交设计、差分法、神经网络以及遗传算法，对琅琊山抽水蓄能电站地下厂房的开挖位移进行智能反演。参考实测的地质资料，按照正交设计的要求对岩石和岩脉分别选取不同的参数和水平，利用FLAC3D差分程序计算得到相应的神经网络分析样本；进行神经网络训练，利用遗传算法的寻优特性获取最佳反演参数；将所得参数代入FLAC3D差分程序计算，最后所得结果与现场监测基本吻合。     

深基坑支护结构变形计算

通过现场量测的深基坑围护结构变形信息资料，结合参数优化反分析及弹性地基梁有限元计算，建立了深基坑开挖中支护结构变形计算的预报方法。在开挖过程中，利用变形监测信息，优化反分析得出土体和支护结构的力学参数，再利用这些参数预报支护结构在下一工况的变形。该方法可对深基坑开挖的安全性作出评估，指导工程施工。     

基于爆破振速的隧道围岩力学参数反演

采用FIAC3D为正演工具对山岭隧道爆破开挖产生的边墙振速进行数值模拟,结合正交设计和均匀设计试验得到训练样本和测试样本,建立反映围岩参数与振速非线性关系的BP神经网络模型,并基于隧道现场实测爆破振速反演得到围岩的弹性模量和泊松比等参数。结合反演得到的围岩力学参数,建立隧道地质计算模型,对爆破振动条件下围岩的稳定性分析进行数值计算,结果表明,采用数值方法计算得到的爆破振速理论值与现场实测结果吻合较好,说明基于爆破振速的围岩参数反演方法是合理可行的。     

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。     

Artificial Neural Networks for Predicting the Response of Structural Systems with Viscoelastic Dampers

Abstract: Passive energy dissipation systems have been identified as one of the modern structural protective systems against seismic disturbances. Research and development activities are on globally to develop appropriate design procedures and suitable technology for application in the field. Structural systems with energy‐dissipating devices call for rigorous nonlinear analysis, which is a complex one and the results are highly sensitive to the type of input motion and component behavior assumed in the analysis. The Federal Emergency Management Agency 273 (FEMA 273) (1997) has suggested simplified procedures for replacing the original nonlinear system by an equivalent linear system. Recently, artificial intelligence (AI) techniques based on artificial neural networks (ANN) have been profitably used for solving complex problems of an iterative nature. Combining the equivalent model with an appropriate AI technique would help one to quickly predict the dynamic response of such yielding systems. This article highlights the feed forward back‐propagation neural network using the Levenberg–Marquardt algorithm for predicting the response quantity of systems with energy‐dissipating devices. The neural network is trained to reflect the nonlinear relationship of strength, stiffness, and damping existing in the system. The methodology developed is illustrated and validated with a chosen example from the FEMA 274 and is found to predict well the average peak displacement, base shear, and roof displacement. Based on these, the sensitivity studies have been carried out and the influence of each parameter on the results have been brought out. It may be noted that sensitivity details and the influence of each parameter do not show up in the regular time‐series analysis. The main advantage of the methodology and the network developed is in quick preliminary decision on the amount and the number of dampers required to reduce peak displacement for a new design as well as for retrofitting.     

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。     

基于改进BP神经网络之井筒结构优化研究

在立井施工过程中,选择合适的井筒断面及尺寸对立井快速高质量的施工有重要影响。现通过数值模拟软件FLAC3D计算出井筒不同断面及尺寸的塑性区总体积、最大应力、最大位移值三个力学参数,运用改进BP神经网络建立起井筒断面及尺寸与FLAC3D计算出的力学参数之间复杂的非线性关系。最后将实际施工中能满足设计需要的力学参数输入训练好的BP神经网络,即可得到反演出的井筒断面及尺寸,为井筒结构设计作参考。