摘要 | 第4-5页 |
Abstract | 第5页 |
1 绪论 | 第9-18页 |
1.1 问题的提出 | 第9-10页 |
1.2 国内外研究现状 | 第10-16页 |
1.2.1 围岩参数反分析研究现状 | 第10-11页 |
1.2.2 隧道信息化施工研究现状 | 第11-13页 |
1.2.3 反演参数的确定研究现状 | 第13-14页 |
1.2.4 智能算法在反分析问题中的应用研究现状 | 第14-16页 |
1.3 本文的研究内容与技术路线 | 第16-18页 |
2 BP神经网络与粒子群(PSO)优化算法理论研究 | 第18-35页 |
2.1 BP神经网络 | 第18-23页 |
2.1.1 人工神经网络 | 第18-19页 |
2.1.2 BP神经网络与算法 | 第19-22页 |
2.1.3 BP算法存在的问题及改进 | 第22-23页 |
2.2 粒子群优化(PSO)算法 | 第23-26页 |
2.2.1 粒子群算法基本原理 | 第23页 |
2.2.2 带惯性权重的粒子群优化算法 | 第23-24页 |
2.2.3 基于粒子群的BP神经网络优化(PSO-BP)算法 | 第24-26页 |
2.3 PSO-BP算法在MATLAB中的实现 | 第26-34页 |
2.3.1 MATLAB神经网络工具箱简介 | 第26-27页 |
2.3.2 PSO-BP算法的MATLAB编程 | 第27-31页 |
2.3.3 算法性能测试 | 第31-34页 |
2.4 本章小结 | 第34-35页 |
3 基于Web方式的隧道位移智能反分析系统的开发 | 第35-58页 |
3.1 系统基础 | 第35-39页 |
3.1.1 ASP.NET | 第35-36页 |
3.1.2 MATLAB | 第36-37页 |
3.1.3 ASP.NET与MATLAB混合编程 | 第37-39页 |
3.2 隧道智能反分析系统的分析与设计 | 第39-44页 |
3.2.1 系统需求分析 | 第39-40页 |
3.2.2 系统架构设计 | 第40-41页 |
3.2.3 系统总体框架设计 | 第41页 |
3.2.4 系统数据库设计 | 第41-44页 |
3.3 隧道智能反分析系统的功能实现 | 第44-57页 |
3.3.1 用户登录模块 | 第44-46页 |
3.3.2 项目管理模块 | 第46-48页 |
3.3.3 数据录入模块 | 第48-51页 |
3.3.4 回归分析模块 | 第51-53页 |
3.3.5 参数反演模块 | 第53-57页 |
3.4 本章小结 | 第57-58页 |
4 隧道围岩智能反分析在五道梁隧道中的应用 | 第58-78页 |
4.1 工程概况 | 第58-60页 |
4.1.1 地形地貌 | 第58页 |
4.1.2 地层岩性 | 第58-59页 |
4.1.3 地质构造 | 第59-60页 |
4.2 基于FLAC3D的隧道开挖模型建立 | 第60-67页 |
4.2.1 FLAC3D软件基本原理 | 第60-62页 |
4.2.2 摩尔-库伦模型介绍 | 第62-64页 |
4.2.3 计算参数选取及模型建立 | 第64-67页 |
4.3 五道梁隧道围岩参数智能反分析 | 第67-76页 |
4.3.1 隧道现场监测及监测数据处理 | 第67-71页 |
4.3.2 学习样本和测试样本的构造 | 第71-73页 |
4.3.3 围岩参数智能反分析 | 第73-74页 |
4.3.4 测试结果检验 | 第74-76页 |
4.4 反演参数结果分析 | 第76-77页 |
4.5 本章小结 | 第77-78页 |
5 结论与展望 | 第78-80页 |
5.1 结论 | 第78页 |
5.2 展望 | 第78-80页 |
参考文献 | 第80-86页 |
攻读硕士学位期间的主要科研成果 | 第86-87页 |
致谢 | 第87页 |