首页--交通运输论文--公路运输论文--隧道工程论文--隧道结构理论论文

基于PSO-BP优化算法的围岩参数智能反分析研究

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

论文共87页,点击 下载论文
上一篇:复线隧道爆破振动信号分析与爆破施工实践
下一篇:高温下盾构隧道接缝结构受力特性分析及可靠度研究