| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-19页 |
| ·研究背景及意义 | 第11页 |
| ·国内外研究现状 | 第11-13页 |
| ·论文研究目标 | 第13页 |
| ·主要研究内容和方法 | 第13-19页 |
| ·FLAC~(3D)计算模型的建立 | 第13页 |
| ·BP神经网络 | 第13-15页 |
| ·广义回归神经元网络(GRNN) | 第15-16页 |
| ·支持向量机 | 第16-17页 |
| ·基于遗传算法的组合预测模型 | 第17-19页 |
| 2 数值试验设计 | 第19-31页 |
| ·统计试验设计概述 | 第19-20页 |
| ·部分因子试验 | 第20-21页 |
| ·正交试验设计 | 第20-21页 |
| ·均匀试验设计 | 第21页 |
| ·数值试验影响因素 | 第21-26页 |
| ·影响因素 | 第21-22页 |
| ·因素取值范围 | 第22-23页 |
| ·数值试验方案及其因素取值 | 第23-24页 |
| ·因素水平划分 | 第24-26页 |
| ·数值试验设计 | 第26-31页 |
| 3 基于 FLAC~(3D)的隧道开挖数值仿真实验 | 第31-45页 |
| ·岩石力学与工程中的数值仿真概述 | 第31-34页 |
| ·岩石力学数值方法的作用与优势 | 第32-33页 |
| ·当前岩石力学数值方法存在的问题 | 第33页 |
| ·岩石力学数值模拟的发展趋势 | 第33-34页 |
| ·FLAC~(3D)计算程序简介 | 第34-41页 |
| ·FLAC~(3D)的基本原理 | 第34-36页 |
| ·FLAC~(3D)的计算步骤 | 第36-38页 |
| ·FLAC~(3D)中的基本本构模型 | 第38-41页 |
| ·单线铁路隧道 FLAC~(3D)计算模型的建立 | 第41-45页 |
| 4 人工神经网络理论及其在岩土工程中的应用 | 第45-65页 |
| ·人工智能在岩土工程领域内的应用概述 | 第45-47页 |
| ·岩土力学传统研究方法存在的问题 | 第45-46页 |
| ·人工智能技术的发展及其优越性 | 第46-47页 |
| ·人工智能在岩土力学领域的广泛应用 | 第47页 |
| ·人工神经网络简介 | 第47-48页 |
| ·神经网络的模型及作用 | 第48-52页 |
| ·人工神经元模型 | 第48-50页 |
| ·人工神经网络模型 | 第50-52页 |
| ·人工神经网络的计算原理 | 第52页 |
| ·人工神经网络的学习过程 | 第52-53页 |
| ·人工神经网络的应用 | 第53页 |
| ·BP神经网络 | 第53-55页 |
| ·BP神经网络的学习过程 | 第54页 |
| ·BP算法的缺陷及改进 | 第54-55页 |
| ·径向基(RBF)神经网络 | 第55-60页 |
| ·径向基神经网络的结构 | 第55-57页 |
| ·径向基神经网络的常用算法 | 第57-59页 |
| ·广义回归神经元网络 | 第59-60页 |
| ·基于神经网络方法的隧道开挖变形超前预报 | 第60-65页 |
| ·BP神经网络变形超前预报 | 第60-63页 |
| ·GRNN神经网络变形超前预报 | 第63-65页 |
| 5 支持向量机算法及其在岩土工程中的应用 | 第65-89页 |
| ·支持向量机算法 | 第65-76页 |
| ·机器学习的基本问题和方法 | 第65-67页 |
| ·统计学习理论 | 第67-70页 |
| ·支持向量机 | 第70-76页 |
| ·支持向量机算法特点总结 | 第76页 |
| ·改进的进化支持向量机算法 | 第76-86页 |
| ·遗传算法 | 第77-82页 |
| ·改进的遗传算法 | 第82-84页 |
| ·改进的进化支持向量机算法 | 第84-86页 |
| ·基于改进的进化支持向量机算法的隧道开挖变形超前预报 | 第86-89页 |
| 6 基于遗传算法的人工智能综合预测模型 | 第89-97页 |
| ·综合预测概述 | 第89-90页 |
| ·基于遗传算法的人工智能综合预测模型 | 第90-97页 |
| 7 结论与展望 | 第97-99页 |
| ·结论 | 第97-98页 |
| ·展望 | 第98-99页 |
| 参考文献 | 第99-107页 |
| 作者简历 | 第107-111页 |
| 学位论文数据集 | 第111页 |