| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 岩体工程位移反分析研究现状 | 第12-14页 |
| 1.2.2 极限学习机研究现状 | 第14-15页 |
| 1.3 主要研究内容及技术路线 | 第15-16页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.4 技术路线 | 第16-17页 |
| 第2章 岩体工程智能化位移反分析概论 | 第17-22页 |
| 2.1 人工神经网络与数值模拟相结合的逆解法 | 第17-18页 |
| 2.2 数值模拟与智能优化算法相结合的直接法 | 第18-19页 |
| 2.3 人工神经网络和数值模拟及智能优化算法相结合的直接法 | 第19-22页 |
| 第3章 营盘山隧道工程概况及监控量测 | 第22-29页 |
| 3.1 工程概况 | 第22-23页 |
| 3.2 地层岩性 | 第23-24页 |
| 3.3 地质构造及地震参数 | 第24页 |
| 3.4 水文地质特征 | 第24-25页 |
| 3.4.1 地表水 | 第24-25页 |
| 3.4.2 地下水 | 第25页 |
| 3.5 环境地质条件 | 第25-26页 |
| 3.6 施工运输方案 | 第26页 |
| 3.7 营盘山隧道监控量测 | 第26-29页 |
| 3.7.1 隧道监控量测目的及意义 | 第26页 |
| 3.7.2 隧道监控量测方案 | 第26-29页 |
| 第4章 改进极限学习机 | 第29-37页 |
| 4.1 极限学习机概述 | 第29-32页 |
| 4.2 粒子群算法概述 | 第32-35页 |
| 4.2.1 粒子群算法的数学描述 | 第33-34页 |
| 4.2.2 改进粒子群算法 | 第34-35页 |
| 4.3 粒子群算法优化的极限学习机 | 第35-37页 |
| 第5章 PSO-ELM在营盘山隧道围岩位移反分析中的应用 | 第37-64页 |
| 5.1 营盘山隧道施工技术方案 | 第37页 |
| 5.2 营盘山隧道洞身开挖方案 | 第37-39页 |
| 5.3 营盘山隧道支护方案 | 第39-41页 |
| 5.4 FLAC3D数值试验 | 第41-51页 |
| 5.4.1 本构模型选取 | 第41页 |
| 5.4.2 计算参数选取 | 第41-43页 |
| 5.4.3 FLAC3D简介 | 第43-44页 |
| 5.4.4 数值试验设计原理 | 第44-46页 |
| 5.4.5 数值试验方案 | 第46-47页 |
| 5.4.6 模型建立 | 第47-48页 |
| 5.4.7 计算结果分析 | 第48-50页 |
| 5.4.8 构造学习样本和测试样本 | 第50-51页 |
| 5.5 确定PSO-ELM中的参数 | 第51-55页 |
| 5.5.1 确定隐含层节点数 | 第51-53页 |
| 5.5.2 确定激活函数 | 第53-54页 |
| 5.5.3 确定PSO算法参数 | 第54页 |
| 5.5.4 隐含层权值和阈值的确定 | 第54-55页 |
| 5.5.5 PSO-ELM算法性能测试 | 第55页 |
| 5.6 PSO-ELM与BP神经网络的反分析效果对比分析 | 第55-61页 |
| 5.6.1 逆解法 | 第56-58页 |
| 5.6.2 直接法 | 第58-61页 |
| 5.7 模型验证 | 第61-64页 |
| 结论 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读硕士学位期间发表的论文 | 第70-71页 |
| 附录 | 第71-72页 |
