| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 引言 | 第11-38页 |
| 1.1 选题依据与研究意义 | 第11-13页 |
| 1.2 国内外研究现状及发展趋势 | 第13-36页 |
| 1.2.1 国内外主要围岩分级方法 | 第15-33页 |
| 1.2.2 常用围岩分级方法存在的主要问题 | 第33-34页 |
| 1.2.3 围岩分级的发展趋势 | 第34-36页 |
| 1.3 研究内容、研究思路与技术路线 | 第36-37页 |
| 1.3.1 研究内容 | 第36页 |
| 1.3.2 研究思路及技术路线 | 第36-37页 |
| 1.4 论文创新点 | 第37-38页 |
| 第2章 研究区基本工程地质条件 | 第38-48页 |
| 2.1 研究区概况 | 第38-39页 |
| 2.2 地形地貌 | 第39页 |
| 2.3 气象、水文及植被 | 第39-40页 |
| 2.4 地层岩性 | 第40-43页 |
| 2.5 地质构造 | 第43-45页 |
| 2.6 研究区地应力条件 | 第45-48页 |
| 第3章 隧道围岩稳定性影响因素及对BQ法的优化 | 第48-59页 |
| 3.1 隧道围岩失稳破坏形式 | 第48-50页 |
| 3.2 隧道围岩稳定性的影响因素 | 第50-53页 |
| 3.3 对BQ法主要软弱结构面影响修正系数K2的优化 | 第53-54页 |
| 3.4 对BQ法初始应力状态影响修正系数K3的优化 | 第54-57页 |
| 3.5 修正后BQ法的应用案例 | 第57-58页 |
| 3.6 小结 | 第58-59页 |
| 第4章 隧道围岩智能分级模型研究 | 第59-89页 |
| 4.1 围岩智能分级指标的确定 | 第59-62页 |
| 4.2 围岩定性分级方案 | 第62-64页 |
| 4.3 围岩智能分级数据样本的确定 | 第64页 |
| 4.4 围岩分级的支持向量机模型研究 | 第64-72页 |
| 4.4.1 支持向量机的基本理论 | 第64-70页 |
| 4.4.2 支持向量机的智能分级的实现 | 第70-72页 |
| 4.5 围岩分级的神经网络模型研究 | 第72-77页 |
| 4.5.1 人工神经网络模型的基本理论 | 第73-77页 |
| 4.5.2 神经网络模型围岩智能分级的实现 | 第77页 |
| 4.6 围岩分级的模糊推理模型研究 | 第77-85页 |
| 4.6.1 Mamdani型模糊推理系统简介 | 第78-80页 |
| 4.6.2 泥巴山隧道围岩级别模糊推理系统设计 | 第80-85页 |
| 4.7 智能分级方法对比 | 第85-88页 |
| 4.8 小结 | 第88-89页 |
| 第5章 围岩级别智能判别系统的开发及应用 | 第89-107页 |
| 5.1 系统开发的目的、功能、思路及工具 | 第89-90页 |
| 5.2 系统的总体设计 | 第90-91页 |
| 5.3 数据库的设计 | 第91-96页 |
| 5.3.1 数据库需求分析 | 第91-92页 |
| 5.3.2 数据库概念结构设计 | 第92-93页 |
| 5.3.3 数据库逻辑结构设计 | 第93-96页 |
| 5.4 系统各项功能的开发 | 第96-104页 |
| 5.4.1 围岩信息的输入存储 | 第97-99页 |
| 5.4.2 C | 第99-100页 |
| 5.4.3 围岩级别判定及信息查询 | 第100-102页 |
| 5.4.4 围岩信息的打印 | 第102-104页 |
| 5.5 围岩分级信息化管理流程及其应用 | 第104-106页 |
| 5.6 小结 | 第106-107页 |
| 结论与展望 | 第107-110页 |
| 1 结论 | 第107-109页 |
| 2 展望 | 第109-110页 |
| 致谢 | 第110-111页 |
| 参考文献 | 第111-116页 |
| 攻读学位期间取得学术成果 | 第116-117页 |
| 附录A 围岩智能分级训练及判别样本 | 第117-131页 |