| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 引言 | 第9-10页 |
| 1.2 边坡稳定性智能评估研究现状 | 第10-14页 |
| 1.2.1 考虑降雨入渗的边坡稳定性研究 | 第10-13页 |
| 1.2.2 边坡 GIS 的研究现状 | 第13-14页 |
| 1.3 本文主要研究内容及技术路线 | 第14-17页 |
| 1.3.1 本文主要研究内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15-17页 |
| 2 降雨下高边坡边坡稳定性研究及数值实验样本库的构建 | 第17-29页 |
| 2.1 边坡稳定性理论研究 | 第17-21页 |
| 2.1.1 通用极限平衡法 | 第17-20页 |
| 2.1.2 条间作用力函数 | 第20-21页 |
| 2.2 边坡稳定性影响因素研究 | 第21-22页 |
| 2.2.1 降雨对边坡稳定性的影响 | 第21页 |
| 2.2.2 边坡的几何特征 | 第21-22页 |
| 2.2.3 边坡材料的物理和力学性能参数 | 第22页 |
| 2.3 降雨情况下高边坡数值实验数据库的构建 | 第22-29页 |
| 2.3.1 降雨情况下高边坡灾变因子和目标参数的确定 | 第23-24页 |
| 2.3.2 基于均匀设计法的数值实验样本库的构建 | 第24-29页 |
| 3 降雨入渗本构模型研究及基于数值实验样本库的降雨情况下高边坡模型研究 | 第29-55页 |
| 3.1 降雨入渗本构模型研究 | 第29-35页 |
| 3.1.1 土的渗流特性本构模型分类 | 第29-30页 |
| 3.1.2 渗流偏微分方程参数估算 | 第30-35页 |
| 3.2 基于数值实验样本库的降雨情况下高边坡模型研究 | 第35-55页 |
| 3.2.1 软件概述 | 第35-37页 |
| 3.2.2 模型参数选取及边界条件的设置 | 第37-38页 |
| 3.2.3 基于 GeoStudio 的数值实验流程及结果 | 第38-50页 |
| 3.2.4 基于数值实验样本库的神经网络训练样本的建立 | 第50-55页 |
| 4 降雨情况下高边坡稳定性智能区域评估系统设计研究 | 第55-69页 |
| 4.1 降雨情况下高边坡稳定性的神经网络系统设计 | 第55-61页 |
| 4.1.1 BP 神经网络应用系统的结构 | 第56页 |
| 4.1.2 BP 神经网络应用系统的算法实现 | 第56-60页 |
| 4.1.3 神经网络应用于降雨情况下高边坡稳定性智能区域评估的可行性 | 第60-61页 |
| 4.2 高边坡稳定性区域评估的神经网络系统 MATLAB 实现 | 第61-69页 |
| 4.2.1 BP 神经网络系统各个参数的选取 | 第61-63页 |
| 4.2.2 基于 MATLAB 的神经网络系统的程序实现 | 第63-69页 |
| 5 基于智能评估系统的高边坡 GIS 区域评估模型研究 | 第69-89页 |
| 5.1 基于 GIS 的高边坡智能区域评估的实现途径 | 第69-72页 |
| 5.1.1 基于神经网络的 GIS 的空间分析的可行性 | 第69-70页 |
| 5.1.2 奉节地区高边坡智能区域评估实现方法 | 第70-72页 |
| 5.2 奉节地区基于 GIS 的高边坡智能区域评估的实现途径 | 第72-89页 |
| 5.2.1 基于灾变因子的 GIS 数据图层的建立 | 第72-80页 |
| 5.2.2 基于 GIS 的神经网络的智能区域评估 | 第80-89页 |
| 6 结论与展望 | 第89-93页 |
| 6.1 主要结论 | 第89-90页 |
| 6.2 主要存在的问题和展望 | 第90-93页 |
| 致谢 | 第93-95页 |
| 参考文献 | 第95-97页 |
