| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 研究课题的背景和文献综述 | 第11-43页 |
| 1．1 研究课题的工程背景 | 第11-13页 |
| 1．2 有关人类智能的定义 | 第13-14页 |
| 1．3 计算智能方法概述 | 第14-34页 |
| 1．3．1 遗传算法及其发展历程 | 第14-20页 |
| 1．3．2 人工神经网络及其发展和应用现状 | 第20-26页 |
| 1．3．3 模拟退火算法及其研究进展 | 第26-28页 |
| 1．3．4 人工蚁群优化算法发展和应用现状 | 第28-31页 |
| 1．3．5 启发式优化方法比较分析 | 第31-34页 |
| 1．4 基于计算智能的参数反演方法进展 | 第34-38页 |
| 1．4．1 基于梯度搜索算法岩土力学反问题研究简单回顾 | 第34-35页 |
| 1．4．2 基于人工神经网络方法岩土力学反问题研究进展 | 第35-36页 |
| 1．4．3 基于遗传算法岩土力学反问题研究进展 | 第36页 |
| 1．4．4 基于模拟退火算法岩土力学反问题研究进展 | 第36-38页 |
| 1．5 论文所作的主要工作 | 第38-43页 |
| 第二章 参数识别反问题的适定性及其讨论 | 第43-67页 |
| 2．1 经典的最小二乘参数估计方法 | 第43-48页 |
| 2．2 参数识别反问题所要研究的内容 | 第48-49页 |
| 2．3 求解反问题的特点和难点 | 第49页 |
| 2．4 反问题的基本求解方法 | 第49-56页 |
| 2．4．1 反问题的直接解法 | 第51-53页 |
| 2．4．2 反问题的间接求解方法 | 第53-56页 |
| 2．5 反问题解的适定性 | 第56-62页 |
| 2．5．1 反问题解的适定性的定义 | 第56-58页 |
| 2．5．2 反问题参数识别的可识别性 | 第58-59页 |
| 2．5．3 反问题参数识别的唯一性 | 第59-60页 |
| 2．5．4 反问题参数识别的稳定性 | 第60-62页 |
| 2．6 参数识别结果的协方差分析(Cocariance analysis) | 第62-64页 |
| 2．7 本章小结 | 第64-67页 |
| 第三章 基于梯度搜索的岩土力学参数反演方法 | 第67-90页 |
| 3．1 参数识别反问题解的定义 | 第67-68页 |
| 3．2 基于Levenberg—Marquardt最小二乘的参数反演方法 | 第68-69页 |
| 3．3 基于BFGS优化方法的参数反演方法 | 第69-70页 |
| 3．4 对偶边界控制方法(Dual boundary control method)在反演中的应用 | 第70-72页 |
| 3．5 数值算例 | 第72-83页 |
| 3．5．1 土体固结参数反演 | 第72-76页 |
| 3．5．2 基于BFGS优化方法的初始地应力场参数位移反分析 | 第76-79页 |
| 3．5．3 基于正则化最小二乘法的含水层参数反演 | 第79-83页 |
| 3．6 工程应用—基于Gauss-Newton优化算法的丰满混凝土大坝弹性参数反演方法 | 第83-88页 |
| 3．6．1 工程概况 | 第84-85页 |
| 3．6．2 坝顶水平位移水压分量的分离计算 | 第85-86页 |
| 3．6．3 参数识别结果 | 第86-88页 |
| 3．7 本章小结 | 第88-90页 |
| 第四章 基于遗传算法岩土材料力学参数反演方法 | 第90-130页 |
| 4．1 遗传算法的基本原理和特点 | 第90-93页 |
| 4．2 遗传算法的进化过程和基本操作 | 第93-102页 |
| 4．2．1 编码(Coding)和解码(Decoding) | 第94-95页 |
| 4．2．2 初始种群的生成(generating Initial Population) | 第95页 |
| 4．2．3 适应度值评价检测(Evaluating Fitting Function) | 第95-97页 |
| 4．2．4 选择(Selection)操作 | 第97-99页 |
| 4．2．5 交叉(Crossover)操作 | 第99-101页 |
| 4．2．6 变异(Mutation)操作 | 第101页 |
| 4．2．7 收敛准则(Convergence Criterion) | 第101-102页 |
| 4．3 遗传算法运行参数的选择 | 第102-104页 |
| 4．4 数值算例 | 第104-121页 |
| 4．4．1 多极值优化问题算例 | 第104-105页 |
| 4．4．2 基于遗传算法的岩土阻尼参数识别方法 | 第105-111页 |
| 4．4．3 基于遗传算法岩土边坡抗剪指标参数反演及其最小安全系数的全局搜索 | 第111-118页 |
| 4．4．4 基于遗传算法岩体初始地应力参数反演 | 第118-121页 |
| 4．5 工程应用—基于遗传算法的丰满水电站水轮发动机振动荷载参数反演 | 第121-126页 |
| 4．5．1 水轮发电机现场振动测试试验 | 第122-123页 |
| 4．5．2 水轮发电机振动正演分析模型 | 第123-124页 |
| 4．5．3 水轮发电机振动荷载参数反演结果 | 第124-126页 |
| 4．6 本章小结 | 第126-130页 |
| 第五章 基于人工神经网络岩土力学参数反演及其预测方法 | 第130-171页 |
| 5．1 人工神经网络简介 | 第130-133页 |
| 5．2 生物神经元 | 第133-136页 |
| 5．3 人工神经网络常用的学习规则 | 第136-140页 |
| 5．4 BP神经网络 | 第140-147页 |
| 5．4．1 BP神经网络的传递函数 | 第141-143页 |
| 5．4．2 BP神经网络模型 | 第143-146页 |
| 5．4．3 经典的BP算法 | 第146-147页 |
| 5．5 数值算例 | 第147-159页 |
| 5．5．1 岩土边坡弹性参数识别方法 | 第147-152页 |
| 5．5．2 边坡稳定性分析的神经网络预测 | 第152-156页 |
| 5．5．3 基于混合优化策略的结构损伤识别方法 | 第156-159页 |
| 5．6 有关人工神经网络的讨论 | 第159-164页 |
| 5．6．1 几个关键问题 | 第159-161页 |
| 5．6．2 遗传神经网络 | 第161-164页 |
| 5．7 工程应用—基于遗传神经网络的白山混凝土大坝渗透系数反演 | 第164-168页 |
| 5．7．1 工程概况 | 第164页 |
| 5．7．2 渗透系数反演分析 | 第164-168页 |
| 5．8 本章小结 | 第168-171页 |
| 第六章 基于模拟退火算法的岩土材料热传导参数识别方法 | 第171-200页 |
| 6．1 物理退火过程和Metropolis准则 | 第171-174页 |
| 6．2 模拟退火算法的马尔可夫链 | 第174-175页 |
| 6．3 模拟退火算法新解的产生和接受准则 | 第175-179页 |
| 6．4 模拟退火算法的改进 | 第179-182页 |
| 6．5 数值算例 | 第182-195页 |
| 6．5．1 瞬态多层材料热力学参数识别方法 | 第182-185页 |
| 6．5．2 混凝土水化过程热力学参数识别 | 第185-188页 |
| 6．5．3 材料非线性热传导参数识别 | 第188-190页 |
| 6．5．4 集中热源作用下材料热力学参数反演 | 第190-193页 |
| 6．5．5 稳态热传导材料参数识别问题 | 第193-195页 |
| 6．6 工程应用——基于模拟退火算法的云峰混凝土大坝材料参数反演 | 第195-197页 |
| 6．7 本章小结 | 第197-200页 |
| 第七章 基于蚁群算法的地下水渗流模型参数识别方法 | 第200-229页 |
| 7．1 自然界中蚂蚁的基本特性 | 第200-202页 |
| 7．2 人工蚁群算法的发展历史及其研究进展 | 第202-207页 |
| 7．3 经典的用于求解TSP的蚁群算法模型 | 第207-209页 |
| 7．4 蚁群算法的改进 | 第209-211页 |
| 7．5 数值算例 | 第211-223页 |
| 7．5．1 地下水污染源识别 | 第211-214页 |
| 7．5．2 基于蚁群算法的含水层参数识别 | 第214-223页 |
| 7．6 工程应用——基于蚁群算法的丰满混凝土大坝渗透系数反演 | 第223-226页 |
| 7．7 本章小结 | 第226-229页 |
| 第八章 结论和展望 | 第229-232页 |
| 论文的主要创新点 | 第232-233页 |
| 在读博士期间发表的相关学术论文 | 第233-236页 |
| 致谢 | 第236-237页 |
| 附件 | 第237-238页 |
