| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 地下工程位移反分析的提出 | 第9-10页 |
| 1.2 地下工程位移反分析的概念及分类 | 第10-12页 |
| 1.2.1 位移反分析的概念 | 第10页 |
| 1.2.2 位移反分析的分类 | 第10-12页 |
| 1.3 地下工程位移反分析研究现状 | 第12-14页 |
| 1.3.1 国内研究现状 | 第12-13页 |
| 1.3.2 国外研究现状 | 第13-14页 |
| 1.4 本文主要研究内容及技术路线 | 第14-16页 |
| 1.4.1 本文的主要研究内容 | 第14-15页 |
| 1.4.2 本文技术路线 | 第15-16页 |
| 2 篮家岩隧道工程概况及监测数据分析 | 第16-28页 |
| 2.1 篮家岩隧道工程概况 | 第16-21页 |
| 2.1.1 地理位置及地形地貌 | 第16-17页 |
| 2.1.2 工程地质条件 | 第17-18页 |
| 2.1.3 隧道围岩稳定性评价 | 第18页 |
| 2.1.4 隧道洞口段开挖支护方案 | 第18-21页 |
| 2.2 现场施工与监控量测 | 第21-23页 |
| 2.2.1 监控量测重要性 | 第21-22页 |
| 2.2.2 测点布置及测量手段 | 第22-23页 |
| 2.3 隧道监测数据的分析 | 第23-27页 |
| 2.3.1 隧道监测数据的回归模型 | 第23-24页 |
| 2.3.2 平导PDK51+326断面监测数据的回归分析 | 第24-25页 |
| 2.3.3 测点真实变形量的确定 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于MEABP神经网络的隧道位移反分析 | 第28-40页 |
| 3.1 基于神经网络的位移反分析原理 | 第28页 |
| 3.2 人工神经网络 | 第28-31页 |
| 3.2.1 BP神经网络 | 第29页 |
| 3.2.2 BP神经网络的原理 | 第29-31页 |
| 3.2.3 BP神经网络的优缺点及其改进 | 第31页 |
| 3.3 思维进化算法 | 第31-34页 |
| 3.3.1 思维进化算法优化原理 | 第31-32页 |
| 3.3.2 思维进化算法步骤 | 第32-33页 |
| 3.3.3 思维进化算法的优越性 | 第33页 |
| 3.3.4 思维进化算法优化BP神经网络流程 | 第33-34页 |
| 3.4 平行导洞施工的二维数值模拟及其正交试验 | 第34-37页 |
| 3.4.1 FLAC软件介绍 | 第34页 |
| 3.4.2 平导洞施工二维数值模拟 | 第34-35页 |
| 3.4.3 平导洞正交试验 | 第35-37页 |
| 3.5 位移反分析的实现 | 第37-38页 |
| 3.6 本章小结 | 第38-40页 |
| 4 隧道动态施工数值模拟分析 | 第40-63页 |
| 4.1 FLAC3D简介 | 第40-41页 |
| 4.2 主洞施工数值模拟 | 第41-51页 |
| 4.2.1 建立模型 | 第41-42页 |
| 4.2.2 施工步骤设置 | 第42-43页 |
| 4.2.3 求解结果分析 | 第43-51页 |
| 4.3 监测断面各测点位移的全过程曲线 | 第51-53页 |
| 4.4 位移释放率的研究 | 第53-58页 |
| 4.4.1 位移释放率 | 第53-54页 |
| 4.4.2 洞壁各关键部位的位移释放率研究 | 第54-58页 |
| 4.5 基于S型曲线的隧道拱顶沉降曲线的修正 | 第58-61页 |
| 4.5.1 S型曲线模型 | 第58-60页 |
| 4.5.2 基于S型曲线的修正方法 | 第60-61页 |
| 4.6 本章小结 | 第61-63页 |
| 5 结论与展望 | 第63-66页 |
| 5.1 结论 | 第63-64页 |
| 5.2 展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读学位期间研究成果 | 第70页 |