| 摘要 | 第4-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第14-33页 |
| 1.1 论文研究的背景与意义 | 第14-16页 |
| 1.2 国内外研究现状与发展趋势 | 第16-31页 |
| 1.2.1 基坑开挖土体卸荷特性研究现状 | 第16-20页 |
| 1.2.2 基坑工程施工对周边建筑物的影响 | 第20-24页 |
| 1.2.3 深基坑变形预测 | 第24-28页 |
| 1.2.4 隧道施工对邻近建筑物和既有隧道的影响 | 第28-29页 |
| 1.2.5 隧道施工接近度分析 | 第29-31页 |
| 1.3 本文的主要研究工作 | 第31-33页 |
| 第二章 土体开挖卸荷条件下的力学性状研究 | 第33-62页 |
| 2.1 土层工程地质情况对地下工程的影响 | 第33页 |
| 2.2 浅层地下空间特点 | 第33-35页 |
| 2.3 应力路径试验研究 | 第35-59页 |
| 2.3.1 基坑开挖过程中的土体应力路径分析 | 第36-37页 |
| 2.3.2 试验目的 | 第37-38页 |
| 2.3.3 试验仪器 | 第38-39页 |
| 2.3.4 试样方案和过程 | 第39-45页 |
| 2.3.5 应力一应变曲线试验结果 | 第45-52页 |
| 2.3.6 在不同应力路径试验下孔隙水压力变化规律 | 第52-57页 |
| 2.3.7 在不同应力路径试验下土体抗剪强度指标 | 第57-59页 |
| 2.4 本章小结 | 第59-62页 |
| 第三章 不同应力路径下土体非线性弹性模量 | 第62-76页 |
| 3.1 引言 | 第62-63页 |
| 3.2 卸荷条件下土体应力-应变关系的双曲线验证 | 第63-66页 |
| 3.3 土体侧卸荷条件下初始切线模量 | 第66-69页 |
| 3.4 土体卸荷非线性弹性模量公式推导 | 第69-73页 |
| 3.5 模型参数确定 | 第73-74页 |
| 3.6 本章小结 | 第74-76页 |
| 第四章 基坑开挖对下方盾构隧道变形的影响 | 第76-113页 |
| 4.1 引言 | 第76页 |
| 4.2 盾构隧道等效弹性弯曲刚度的假定 | 第76-78页 |
| 4.2.1 计算公式 | 第77页 |
| 4.2.2 工程算例 | 第77-78页 |
| 4.3 选取土体参数的理论条件 | 第78-79页 |
| 4.3.1 考虑卸载模量的参数选取 | 第78-79页 |
| 4.3.2 改进邓肯-张模型的参数选取 | 第79页 |
| 4.4 数值模型的建立 | 第79-82页 |
| 4.4.1 模拟工程概况 | 第79页 |
| 4.4.2 数值模型的基本假定 | 第79-80页 |
| 4.4.3 计算参数的选取 | 第80-82页 |
| 4.4.4 施工阶段的定义 | 第82页 |
| 4.5 数值模拟的结果和分析 | 第82-92页 |
| 4.5.1 隧道的位移等色图 | 第82-84页 |
| 4.5.2 隧道沿着纵向的位移曲线 | 第84-87页 |
| 4.5.3 不同理论条件的变形曲线 | 第87-92页 |
| 4.6 实例验证——广州市岗顶酒店基坑 | 第92-111页 |
| 4.6.1 工程概况 | 第92-96页 |
| 4.6.2 数值模拟的简化 | 第96-97页 |
| 4.6.3 有限元模型的建立 | 第97-106页 |
| 4.6.4 计算结果 | 第106-111页 |
| 4.6.5 结论 | 第111页 |
| 4.7 本章小结 | 第111-113页 |
| 第五章 城市地铁隧道施工对邻近隧道的影响 | 第113-127页 |
| 5.1 数值模型的建立 | 第113-115页 |
| 5.1.1 模拟工程概况 | 第113页 |
| 5.1.2 数值模型的基本假定 | 第113-114页 |
| 5.1.3 计算参数的选取 | 第114-115页 |
| 5.1.4 施工阶段的定义 | 第115页 |
| 5.2 数值模拟的结果和分析 | 第115-125页 |
| 5.2.1 隧道的位移等色图 | 第115-117页 |
| 5.2.2 盾构隧道在纵向的位移曲线 | 第117-125页 |
| 5.3 本章小结 | 第125-127页 |
| 第六章 基于 BP-遗传算法的沉降及水平位移智能预测 | 第127-146页 |
| 6.1 引言 | 第127页 |
| 6.2 BP 神经网络及其局限性 | 第127-129页 |
| 6.2.1 BP 神经网络简介 | 第127-129页 |
| 6.2.2 BP 神经网络的局限性 | 第129页 |
| 6.3 改进神经网络简介 | 第129-130页 |
| 6.4 BP 算法与遗传算法的结合 | 第130-132页 |
| 6.4.1 神经网络连接权的优化 | 第131页 |
| 6.4.2 网络结构的优化 | 第131-132页 |
| 6.4.3 学习规则的优化 | 第132页 |
| 6.5 神经网络模型的构建 | 第132-144页 |
| 6.5.1 样本数据来源 | 第132-134页 |
| 6.5.2 神经网络输入、输出参数的确定 | 第134-135页 |
| 6.5.3 样本的构建 | 第135-137页 |
| 6.5.4 传统 BP 神经网络模型的建立 | 第137-139页 |
| 6.5.5 改进神经网络模型的建立 | 第139-143页 |
| 6.5.6 实例验证 | 第143-144页 |
| 6.6 本章小结 | 第144-146页 |
| 第七章 结论与展望 | 第146-152页 |
| 7.1 本文主要的创新性成果 | 第146-147页 |
| 7.2 本文主要的研究结论及展望 | 第147-152页 |
| 7.2.1 论文主要成果及结论 | 第147-151页 |
| 7.2.2 研究展望 | 第151-152页 |
| 参考文献 | 第152-160页 |
| 攻读博士学位期间取得的研究成果 | 第160-161页 |
| 致谢 | 第161页 |