大坝安全监测与损伤识别的新型计算智能方法
| 摘要 | 第1-6页 |
| Abstract | 第6-13页 |
| 1 绪论 | 第13-38页 |
| ·课题研究的背景和意义 | 第13-15页 |
| ·大坝安全分析评价的监控模型与反演分析方法 | 第15-22页 |
| ·建立大坝与坝基安全监控模型的理论和方法 | 第15-18页 |
| ·水工建筑物反演分析研究进展 | 第18-22页 |
| ·损伤识别理论和方法 | 第22-24页 |
| ·基于静动力测试的结构损伤识别 | 第22-24页 |
| ·计算智能在损伤识别中的应用 | 第24页 |
| ·大坝安全监测与测试中的传感器优化配置 | 第24-26页 |
| ·静态监测传感器优化配置研究进展 | 第25页 |
| ·动态监测传感器优化配置研究进展 | 第25-26页 |
| ·基于进化计算的传感器优化配置 | 第26页 |
| ·计算智能及其研究进展 | 第26-33页 |
| ·计算智能的历史渊源:从人工智能到计算智能 | 第26-27页 |
| ·进化计算 | 第27-31页 |
| ·人工神经网络 | 第31-32页 |
| ·传统计算智能存在的问题 | 第32-33页 |
| ·本文主要研究内容 | 第33-38页 |
| 2 基于差分进化与微粒群算法的大坝损伤识别 | 第38-63页 |
| ·差分进化算法 | 第38-42页 |
| ·差分进化算法简介 | 第38-39页 |
| ·标准差分进化算法操作算子 | 第39-40页 |
| ·差分进化算法的其他形式 | 第40-41页 |
| ·差分进化算法的流程 | 第41-42页 |
| ·微粒群算法 | 第42-45页 |
| ·微粒群算法简介 | 第42-43页 |
| ·基本微粒群算法 | 第43页 |
| ·微粒群算法流程 | 第43-44页 |
| ·微粒群算法的边界处理 | 第44-45页 |
| ·基于静力测试的结构损伤识别 | 第45-46页 |
| ·损伤参数化 | 第45页 |
| ·基于静力位移的损伤识别目标函数 | 第45-46页 |
| ·基于静力位移与自振频率的损伤识别目标函数 | 第46页 |
| ·基于振动模态的结构损伤识别 | 第46-48页 |
| ·基于自振频率和振型变化的损伤识别目标函数 | 第46页 |
| ·基于模态柔度变化的损伤识别目标函数 | 第46-47页 |
| ·基于均布载荷表面的损伤识别目标函数 | 第47页 |
| ·基于模态相关性的损伤识别目标函数 | 第47-48页 |
| ·不同损伤识别目标函数敏感性的评价标准 | 第48页 |
| ·结构损伤识别的免疫加强微粒群算法 | 第48-52页 |
| ·人工免疫系统 | 第48-50页 |
| ·免疫加强微粒群算法 | 第50-51页 |
| ·算法验证 | 第51-52页 |
| ·损伤识别算例分析 | 第52-62页 |
| ·基于静力测试和自振频率的损伤识别算例 | 第52-56页 |
| ·基于自振频率与模态振型的损伤识别算例 | 第56-60页 |
| ·混凝土坝损伤识别算例 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 3 混凝土坝参数反演的人工蜂群算法 | 第63-82页 |
| ·人工蜂群算法 | 第63-66页 |
| ·真实蜜蜂的行为 | 第63-64页 |
| ·人工蜂群算法 | 第64-66页 |
| ·引入单纯形算子的人工蜂群算法 | 第66-70页 |
| ·Nelder-Mead单纯形搜索法 | 第66-68页 |
| ·混合单纯形人工蜂群算法 | 第68-70页 |
| ·混凝土坝材料参数反演分析理论 | 第70-72页 |
| ·基于大坝位移观测数据的反演分析 | 第70-71页 |
| ·基于模态观测的大坝动力参数反演 | 第71-72页 |
| ·算例验证与分析 | 第72-81页 |
| ·基于HSABCA的混凝土坝静力参数反演 | 第72-79页 |
| ·基于HSABCA的混凝土坝动态参数反演 | 第79-81页 |
| ·本章小结 | 第81-82页 |
| 4 土石坝参数反演的蚁群聚类RBF网络模型 | 第82-109页 |
| ·径向基函数神经网络的基本原理和特点 | 第82-85页 |
| ·RBF网络的结构和工作原理 | 第82-83页 |
| ·RBF网络的生物学基础 | 第83-84页 |
| ·RBF网络的数学基础 | 第84-85页 |
| ·RBF网络与多层感知器的比较 | 第85页 |
| ·RBF网的学习算法 | 第85-88页 |
| ·聚类方法 | 第86-87页 |
| ·随机梯度方法 | 第87-88页 |
| ·RBF网络训练的其他方法 | 第88页 |
| ·蚁群优化算法 | 第88-94页 |
| ·蚂蚁的觅食行为及其优化过程 | 第88-90页 |
| ·求解旅行商问题的基本ACO算法 | 第90-93页 |
| ·对AS算法的改进 | 第93-94页 |
| ·基于蚁群聚类的RBF网络模型 | 第94-96页 |
| ·蚁群聚类算法 | 第94-96页 |
| ·蚁群聚类RBF网络 | 第96页 |
| ·堆石坝双屈服面模型参数灵敏度分析 | 第96-104页 |
| ·堆石坝静力计算的南水模型 | 第97-99页 |
| ·灵敏度分析的Morris法 | 第99页 |
| ·堆石坝双屈服面参数灵敏度分析算例 | 第99-104页 |
| ·基于蚁群聚类RBF网络的堆石料参数反演 | 第104-105页 |
| ·算例验证与分析 | 第105-108页 |
| ·计算模型与参数 | 第105-106页 |
| ·计算结果与分析 | 第106-108页 |
| ·本章小结 | 第108-109页 |
| 5 大坝安全监测预测建模的支持向量机方法 | 第109-126页 |
| ·支持向量机数学模型 | 第109-118页 |
| ·经验风险最小化与泛化能力 | 第109-111页 |
| ·统计学习理论 | 第111-113页 |
| ·支持向量分类机 | 第113-115页 |
| ·ε-支持向量回归机 | 第115-117页 |
| ·v-支持向量回归机 | 第117-118页 |
| ·SVR参数选择 | 第118-120页 |
| ·基于网格平行搜索的交互验证法 | 第118-119页 |
| ·基于智能优化算法的模型参数选择方法 | 第119-120页 |
| ·SVR在贮灰坝渗流监测中的应用 | 第120-125页 |
| ·贮灰坝渗流监测的背景和意义 | 第120-121页 |
| ·金竹山电厂贮灰坝概况 | 第121-122页 |
| ·渗流预测浸润线预测ε-SVR模型的建立 | 第122-123页 |
| ·浸润线预测实例 | 第123-125页 |
| ·本章小结 | 第125-126页 |
| 6 基于单亲遗传算法的传感器优化配置 | 第126-161页 |
| ·单亲遗传算法 | 第126-131页 |
| ·单亲遗传算法的编码和遗传算子 | 第127-128页 |
| ·单亲遗传算法的选择方式和运行过程 | 第128-130页 |
| ·单亲遗传算法与传统遗传算法的比较 | 第130-131页 |
| ·基于单亲遗传算法的传感器优化配置 | 第131页 |
| ·自适应模拟退火单亲遗传算法 | 第131-135页 |
| ·借鉴模拟退火思想的适应度变换 | 第132页 |
| ·重组算子操作概率的非线性自适应变换 | 第132-135页 |
| ·病毒协同进化单亲遗传算法 | 第135-140页 |
| ·生物病毒机制简介及抽象模型 | 第136-137页 |
| ·病毒个体染色体编码方案及自身测度 | 第137-138页 |
| ·病毒个体的进化操作算子 | 第138-139页 |
| ·传感器优化配置病毒协同进化单亲遗传算法 | 第139-140页 |
| ·大坝安全监测传感器优化配置的最大覆盖率模型 | 第140-145页 |
| ·无线传感网络中的传感器优化配置问题 | 第140-142页 |
| ·超声无损检测传感器优化配置问题 | 第142-143页 |
| ·大坝安全监测的最大概率覆盖模型及优化 | 第143-145页 |
| ·大坝动态测试传感器优化配置准则与方法 | 第145-150页 |
| ·模态测试传感器优化配置准则 | 第146-148页 |
| ·传感器优化配置算法 | 第148-150页 |
| ·算例分析 | 第150-160页 |
| ·土石坝安全监测传感器优化配置 | 第150-153页 |
| ·混凝土拱坝动力测试传感器优化配置 | 第153-160页 |
| ·本章小结 | 第160-161页 |
| 7 结论与展望 | 第161-165页 |
| ·主要结论 | 第161-163页 |
| ·研究内容的一些展望 | 第163-165页 |
| 参考文献 | 第165-180页 |
| 创新点摘要 | 第180-181页 |
| 攻读博士学位期间发表学术论文情况 | 第181-182页 |
| 攻读博士学位期间参与项目情况 | 第182-183页 |
| 致谢 | 第183-184页 |
| 作者简介 | 第184-185页 |
