摘要 | 第1-5页 |
ABSTRACT | 第5-10页 |
第一章 绪论 | 第10-20页 |
·选题背景及研究意义 | 第10-12页 |
·选题背景 | 第10-11页 |
·研究意义 | 第11-12页 |
·国内外反分析方法研究现状 | 第12-18页 |
·国外位移反分析方法研究现状分析 | 第12-14页 |
·国内位移反分析方法研究现状分析 | 第14-18页 |
·本文主要研究内容及技术路线 | 第18-20页 |
·主要研究内容 | 第18-19页 |
·技术路线 | 第19-20页 |
第二章 蕾帽山隧道工程地质条件及围岩监控量测 | 第20-36页 |
·蕾帽山隧道概况 | 第20页 |
·蕾帽山隧道地质条件 | 第20-24页 |
·气象 | 第20页 |
·地形地貌 | 第20-22页 |
·地质构造及地震动参数 | 第22-23页 |
·水文地质 | 第23-24页 |
·蕾帽山隧道施工特点及围岩监控量测 | 第24-29页 |
·蕾帽山隧道施工特点 | 第24-25页 |
·蕾帽山隧道监控量测方案 | 第25-29页 |
·蕾帽山隧道监测数据的处理及分析 | 第29-35页 |
·蕾帽山隧道数据处理原则和方法 | 第29页 |
·蕾帽山隧道数据处理、分析结果 | 第29-35页 |
·本章小结 | 第35-36页 |
第三章 蕾帽山隧道模型的建立 | 第36-44页 |
·蕾帽山隧道计算方法的选择 | 第36-37页 |
·隧道工程和地下空间常用的计算方法 | 第36页 |
·计算机仿真模拟方法(数值模拟) | 第36-37页 |
·FLAC~(3D)有限差分程序 | 第37-40页 |
·FLAC~(3D)有限差分算法基本原理 | 第38页 |
·FLAC~(3D)求解的运动方程 | 第38-39页 |
·FLAC~(3D)本构模型 | 第39页 |
·FLAC~(3D)结构单元 | 第39-40页 |
·蕾帽山隧道模型的建立 | 第40-42页 |
·蕾帽山隧道典型断面地质状况及本构关系的确定 | 第40-41页 |
·蕾帽山隧道模型计算边界的确定 | 第41页 |
·蕾帽山隧道模型边界条件的确定 | 第41页 |
·蕾帽山隧道模型的建立 | 第41-42页 |
·蕾帽山隧道数值模拟过程 | 第42-43页 |
·本章小结 | 第43-44页 |
第四章 蕾帽山隧道智能位移反分析过程 | 第44-56页 |
·智能位移反分析 | 第44页 |
·BP神经网络模型 | 第44-52页 |
·BP神经网络模型结构 | 第45-46页 |
·BP神经网络模型结构的变化函数 | 第46-47页 |
·经典BP神经网络模型的学习训练算法 | 第47页 |
·经典BP神经网络模型的缺陷与改进 | 第47-50页 |
·BP神经网络模型结构的设计 | 第50-52页 |
·蕾帽山隧道BP神经网络位移反分析过程 | 第52-55页 |
·位移反分析目标参数的选取 | 第52-53页 |
·训练样本和测试样本的获得 | 第53-54页 |
·蕾帽山隧道模型的建立 | 第54页 |
·蕾帽山隧道BP神经网络模型结构的确定 | 第54页 |
·BP神经网络模型反分析过程的实现 | 第54-55页 |
·本章小结 | 第55-56页 |
第五章 蕾帽山隧道智能位移反分析的应用 | 第56-80页 |
·蕾帽山隧道支护材料参数和隧道围岩参数的选择 | 第56-58页 |
·蕾帽山隧道锚杆支护和喷射混凝土支护参数的选取 | 第56-58页 |
·蕾帽山隧道围岩物理参数的选取 | 第58页 |
·基于MATLAB7.0的BP神经网络位移反分析的实现 | 第58-72页 |
·MATLAB7.0神经网络工具箱 | 第58-61页 |
·蕾帽山隧道反演参数的确定和反分析方法的选择 | 第61页 |
·训练样本和测试样本的获得 | 第61-66页 |
·蕾帽山隧道BP神经网络结构的确定 | 第66-68页 |
·反分析结果整理与分析 | 第68-72页 |
·蕾帽山隧道施工开挖动态模拟 | 第72-79页 |
·蕾帽山隧道动态开挖结果整理与分析 | 第74-79页 |
·本章小结 | 第79-80页 |
第六章 结论与展望 | 第80-82页 |
·结论 | 第80-81页 |
·展望 | 第81-82页 |
参考文献 | 第82-86页 |
致谢 | 第86-88页 |
攻读硕士学位期间所发表的学术论文 | 第88页 |