| 第1章 绪论 | 第1-15页 |
| 1．1 前言 | 第8-9页 |
| 1．2 国内外研究现状 | 第9-12页 |
| 1．2．1 神经网络与遗传算法应用于岩土工程中的研究现状 | 第9-11页 |
| 1．2．2 岩土工程反分析法的研究现状 | 第11-12页 |
| 1．3 问题的提出 | 第12-13页 |
| 1．4 本文所做的工作 | 第13-15页 |
| 第2章 新奥法的发展及施工监测 | 第15-23页 |
| 2．1 新奥法基本概念 | 第15-16页 |
| 2．2 新奥法的发展 | 第16-17页 |
| 2．3 新奥法施工监测 | 第17-23页 |
| 2．3．1 现场监控量测在隧道工程中的地位 | 第18-20页 |
| 2．3．2 地下工程施工的位移量测 | 第20-23页 |
| 第3章 基于GA的ELMAN神经网络优化设计 | 第23-30页 |
| 3．1 引言 | 第23-24页 |
| 3．2 遗传算法的理论基础 | 第24-25页 |
| 3．3 ELMAN网络结构模型 | 第25-27页 |
| 3．3．1 ELMAN网络学习算法 | 第26-27页 |
| 3．3．2 ELMAN网络优缺点 | 第27页 |
| 3．4 基于GA的ELMAN网络优化 | 第27-30页 |
| 3．4．1 遗传算法与Elman网络融合的必要性 | 第27-28页 |
| 3．4．2 遗传算法优化Elman神经网络结构 | 第28-30页 |
| 第4章 进化神经网络在隧洞位移预测中的应用 | 第30-41页 |
| 4．1 问题的提出 | 第30页 |
| 4．2 基于进化神经网络(ENN)的预测模型 | 第30-34页 |
| 4．2．1 模型建立 | 第31页 |
| 4．2．2 进化神经网络算法 | 第31-34页 |
| 4．3 工程实例 | 第34-39页 |
| 4．3．1 工程概况 | 第34页 |
| 4．3．2 顶拱下沉的进化神经网络预测 | 第34-39页 |
| 4．4 本章小节 | 第39-41页 |
| 第5章 岩土工程反分析法概述 | 第41-54页 |
| 5．1 反分析问题的提出 | 第41-42页 |
| 5．2 反分析法的基本概念和分类 | 第42-47页 |
| 5．2．1 几个基本概念 | 第42-44页 |
| 5．2．2 反分析法的分类 | 第44-47页 |
| 5．3 反分析参数的确定 | 第47-49页 |
| 5．4 位移反分析结果的检验 | 第49-50页 |
| 5．5 岩土工程数值分析方法 | 第50-54页 |
| 5．5．1 FLAC~(3D)程序介绍 | 第50-51页 |
| 5．5．2 三维快速拉格朗日分析方法 | 第51-54页 |
| 第6章 地下洞室弹塑性位移反分析 | 第54-78页 |
| 6．1 弹塑性本构模型 | 第54-58页 |
| 6．2 弹塑性位移反分析思路与方法 | 第58-61页 |
| 6．2．1 弹塑性位移反分析问题的提法 | 第58-60页 |
| 6．2．2 单个参数的位移反分析 | 第60-61页 |
| 6．2．3 多个参数的位移反分折 | 第61页 |
| 6．3 工程概况 | 第61-62页 |
| 6．4 工程应用 | 第62-77页 |
| 6．4．1 现场量测 | 第62-66页 |
| 6．4．2 量测数据初分析 | 第66-67页 |
| 6．4．3 模型建立与计算过程 | 第67-70页 |
| 6．3．3 计算结果与分析 | 第70-77页 |
| 6．4 小结 | 第77-78页 |
| 第7章 结论与展望 | 第78-82页 |
| 7．1 结论 | 第78-79页 |
| 7．2 展望 | 第79-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士学位期间参与的科研成果与发表论文情况 | 第86-87页 |
| 致谢 | 第87页 |