基于信息技术的深凹露天矿高陡边坡稳定性综合分析研究
致谢 | 第4-5页 |
摘要 | 第5-7页 |
Abstract | 第7-8页 |
1 引言 | 第12-25页 |
1.1 研究背景和意义 | 第12-14页 |
1.1.1 研究背景 | 第12-14页 |
1.1.2 研究意义 | 第14页 |
1.2 国内外研究现状 | 第14-23页 |
1.2.1 边坡变形破坏机理研究 | 第15-18页 |
1.2.2 基于数值模型的高陡边坡稳定性分析 | 第18-22页 |
1.2.3 数据驱动的边坡稳定性智能分析 | 第22-23页 |
1.3 主要研究内容 | 第23-25页 |
2 工程地质概况与边坡稳定性分析 | 第25-45页 |
2.1 工程地质分析 | 第25-27页 |
2.2 地应力场分布规律 | 第27-31页 |
2.3 高陡边坡失稳相似物理模拟实验 | 第31-37页 |
2.3.1 相似模型 | 第31-33页 |
2.3.2 边坡破坏特征 | 第33-37页 |
2.4 爆破荷载作用下边坡稳定性分析 | 第37-44页 |
2.5 本章小结 | 第44-45页 |
3 基于物联网的边坡结构实时监测技术 | 第45-65页 |
3.1 基于物联网的边坡岩层实时监测体系架构 | 第45-46页 |
3.2 边坡监测物联网自组织网络架构设计 | 第46-52页 |
3.2.1 物联网自组织网络的拓扑结构分析 | 第46-47页 |
3.2.2 分层加扁平化的网络通信架构 | 第47-49页 |
3.2.3 数据采集及传输协议设计 | 第49-52页 |
3.3 量测节点智能化技术 | 第52-58页 |
3.4 边坡监测数据分析 | 第58-63页 |
3.4.1 边坡位移监测 | 第58-61页 |
3.4.2 边坡深部位移监测 | 第61-62页 |
3.4.3 边坡应力监测 | 第62-63页 |
3.5 本章小结 | 第63-65页 |
4 基于机器学习的边坡稳定性预测方法研究 | 第65-84页 |
4.1 机器学习和超参数整定 | 第65-69页 |
4.1.1 机器学习算法 | 第65-68页 |
4.1.2 超参数整定算法 | 第68-69页 |
4.2 基于机器学习的边坡稳定性分析方法 | 第69-74页 |
4.2.1 边坡稳定性分析机器学习数据集 | 第69-71页 |
4.2.2 机器学习有效性评估 | 第71-72页 |
4.2.3 K-折交叉验证 | 第72页 |
4.2.4 超参数整定 | 第72-74页 |
4.3 基于机器学习的边坡稳定性分析综合比较 | 第74-82页 |
4.3.1 超参数整定比较 | 第74-75页 |
4.3.2 机器学习预测性能比较 | 第75-78页 |
4.3.3 基于机器学习的边坡位移预测 | 第78-82页 |
4.4 本章小节 | 第82-84页 |
5 混合虚拟模型的数据驱动边坡稳定性分析方法研究 | 第84-102页 |
5.1 虚拟模型与人工智能混合分析方法及技术架构 | 第84-87页 |
5.2 物联网监测数据处理 | 第87-93页 |
5.3 基于仿真模型的机器机器学习 | 第93-100页 |
5.3.1 利用虚拟模型生成训练数据集 | 第93-96页 |
5.3.2 单分类支持向量机方法 | 第96-100页 |
5.4 本章小结 | 第100-102页 |
6 边坡稳定性综合分析及数据集成平台研究 | 第102-117页 |
6.1 多源异构数据集成方法 | 第102-107页 |
6.1.1 数据处理流程 | 第102-104页 |
6.1.2 数据预处理 | 第104-107页 |
6.2 边坡稳定性数据分析平台 | 第107-116页 |
6.2.1 数据分析平台架构 | 第107-110页 |
6.2.2 数据分析实验平台硬件设计 | 第110-111页 |
6.2.3 边坡稳定性分析平台软件设计 | 第111-116页 |
6.3 本章小结 | 第116-117页 |
7 结论与展望 | 第117-120页 |
7.1 结论 | 第117-118页 |
7.2 主要创新点 | 第118页 |
7.3 展望 | 第118-120页 |
参考文献 | 第120-132页 |
附录 | 第132-135页 |
作者简历及在学研究成果 | 第135-138页 |
学位论文数据集 | 第138页 |