基于EOF与神经网络的隧道变形监测方法研究
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 隧道监测数据分析发展现状及进展 | 第13-16页 |
| 1.2.1 隧道变形监测分析方法的研究现状 | 第13-14页 |
| 1.2.2 隧道变形监测预测模型的研究发展现状 | 第14-16页 |
| 1.3 本文的主要研究内容 | 第16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第2章 隧道变形监测资料及其数据几何分析 | 第18-29页 |
| 2.1 隧道周围地质构造特征分析 | 第18-20页 |
| 2.2 隧道变形资料的获取 | 第20-22页 |
| 2.2.1 隧道沉降变形监测 | 第20-21页 |
| 2.2.2 隧道位移变形监测 | 第21-22页 |
| 2.3 基于实测数据的隧道变形分析 | 第22-28页 |
| 2.3.1 隧道竖向变形分析 | 第22-24页 |
| 2.3.2 隧道洞内横向位移变形分析 | 第24-26页 |
| 2.3.3 隧道洞内纵向位移变形分析 | 第26-28页 |
| 2.4 小结 | 第28-29页 |
| 第3章 利用EOF方法分析隧道时空变形特征 | 第29-40页 |
| 3.1 经验正交函数(EOF)方法的原理 | 第29-31页 |
| 3.1.1 EOF分解的现状 | 第29页 |
| 3.1.2 EOF分解的原理 | 第29-31页 |
| 3.2 隧道变形的时空分布特征 | 第31-39页 |
| 3.2.1 隧道沉降变形EOF分解 | 第31-33页 |
| 3.2.2 隧道体横向形变EOF分解 | 第33-34页 |
| 3.2.3 隧道体纵向形变EOF分解 | 第34-39页 |
| 3.3 小结 | 第39-40页 |
| 第4章 隧道变形的趋势性分析与预测 | 第40-60页 |
| 4.1 BP神经网络的基本原理 | 第40-46页 |
| 4.2 盐水沟隧道BP神经网络模型的建立 | 第46-47页 |
| 4.3 BP神经网络在隧道趋势性分析中的应用 | 第47-56页 |
| 4.3.1 内插和外推拟合实验 | 第47-53页 |
| 4.3.2 基于BP神经网络的盐水沟隧道趋势分析 | 第53-56页 |
| 4.4 EOF与神经网络相结合的趋势预测模型 | 第56-58页 |
| 4.5 小结 | 第58-60页 |
| 第5章 结论和展望 | 第60-62页 |
| 5.1 结论 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第67页 |
