| 第一章 绪论 | 第1-20页 |
| ·引言 | 第8-10页 |
| ·研究现状及问题点 | 第10-14页 |
| ·智能软计算与大坝监测资料正反分析研究的关系 | 第14-16页 |
| ·主要工作及创新点 | 第16-20页 |
| ·主要工作 | 第16-19页 |
| ·主要创新点 | 第19-20页 |
| 第二章 坝工结构(安全监测资料)反分析的理论基础 | 第20-39页 |
| ·坝工结构反分析的定义与分类 | 第20-21页 |
| ·反问题的不适定性及其求解策略 | 第21-25页 |
| ·反问题的不适定性 | 第21-23页 |
| ·不适定性问题的求解策略 | 第23-25页 |
| ·坝工结构反分析的基本方法 | 第25-35页 |
| ·坝工结构反分析方法分类 | 第25-26页 |
| ·基于加权线性最小二乘的反分析 | 第26-27页 |
| ·基于非线性最小二乘的反分析 | 第27-28页 |
| ·基于极大似然估计的反分析法 | 第28-29页 |
| ·基于贝叶斯法的反分析法 | 第29-32页 |
| ·基于卡尔曼滤波的反分析方法 | 第32-35页 |
| ·关于优化方法 | 第35页 |
| ·关于数值微分问题 | 第35-36页 |
| ·本章小结 | 第36-39页 |
| 第三章 新的坝工结构反分析方法—基于软计算的坝工结构智能反分析方法.. | 第39-64页 |
| ·基于人工神经网络的反分析方法 | 第39-51页 |
| ·神经网络基础 | 第39-40页 |
| ·基于无反馈的层次型神经网络的坝工结构反分析方法 | 第40-47页 |
| ·基于反馈型神经网络的坝工结构反分析方法 | 第47-51页 |
| ·基于遗传算法的坝工结构反分析方法 | 第51-59页 |
| ·遗传算法基础 | 第51-57页 |
| ·遗传算法基本原理 | 第51-52页 |
| ·遗传算法的基本操作 | 第52-56页 |
| ·遗传算法的特点和优点 | 第56-57页 |
| ·基于遗传算法的反分析 | 第57-59页 |
| ·基于商品化结构分析软件的坝工结构反分析 | 第59-62页 |
| ·基于ANSYS 内部优化工具的反分析 | 第59-61页 |
| ·基于外部优化(反分析)程序(USEROP)调用的反分析方法 | 第61-62页 |
| ·方法评述 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第四章 反分析中的信息量与模型的选择问题 | 第64-71页 |
| ·基于信息量准则的最优反分析模型选择 | 第64-67页 |
| ·K-L((Kullback—Leibler)信息量、似然函数和AIC 准则 | 第64-66页 |
| ·基于AIC 准则的坝工结构反分析模型选择 | 第66-67页 |
| ·关于先验信息的利用问题 | 第67-69页 |
| ·先验信息的必要性与扩张贝叶斯法 | 第67-68页 |
| ·基于赤池贝叶斯信息量准则(ABIC)的先验信息利用 | 第68-69页 |
| ·本章小结 | 第69-71页 |
| 第五章 关于观测的优化布置及反分析中的鲁棒控制问题 | 第71-78页 |
| ·观测量对于反演参数的敏度 | 第71-73页 |
| ·观测点及观测项目的优化 | 第73页 |
| ·关于反分析中的鲁棒控制问题 | 第73-77页 |
| ·监测数据中的异常值与坝工结构反分析的鲁棒性 | 第73-74页 |
| ·能剔除或消弱监测数据中的异常值的智能鲁棒反分析方法 | 第74-76页 |
| ·智能鲁棒反分析的简单示例 | 第76-77页 |
| ·本章小结 | 第77-78页 |
| 第六章 基于软计算的坝工结构智能反分析实例 | 第78-91页 |
| ·基于有限元与多层前馈神经网络的均质土坝渗透参数反分析与渗透安全评价 | 第78-86页 |
| ·工程概况 | 第78页 |
| ·方法与步骤 | 第78-79页 |
| ·对神经网络反传算法(BP)的改进 | 第78-79页 |
| ·训练实例的选取 | 第79页 |
| ·西大洋水库主坝渗透系数的反演 | 第79-83页 |
| ·计算水位确定和计算假定 | 第79-80页 |
| ·正分析生成训练实例 | 第80-82页 |
| ·基于人工神经网络的渗透参数反演及观测量对反分析结果的影响 | 第82-83页 |
| ·渗透安全评价 | 第83-85页 |
| ·稳定渗流情况下的安全评价 | 第83-84页 |
| ·非稳定渗流情况下的安全评价 | 第84-85页 |
| ·实例结论 | 第85-86页 |
| ·基于遗传算法的心墙坝渗透参数反分析实例 | 第86-87页 |
| ·基于ANSYS 参数化设计语言(APDL)的重力坝弹性模量反分析实例 | 第87-89页 |
| ·问题描述 | 第87-88页 |
| ·反分析结果及评价 | 第88-89页 |
| ·实例结论 | 第89页 |
| ·本章小结 | 第89-91页 |
| 第七章 大坝安全监测资料正分析的软计算方法及其应用 | 第91-117页 |
| ·基于GA 和AIC 的大坝安全监测统计模型优选 | 第91-101页 |
| ·模型优选的必要性 | 第91页 |
| ·用于多元回归模型优选的AIC 准则 | 第91-92页 |
| ·基于GA-AIC 的多元回归模型优选 | 第92-96页 |
| ·应用实例 | 第96-101页 |
| ·基于GA 和RBF 神经网的测压管滞后时间计算方法 | 第101-109页 |
| ·测压管水位滞后成因分析 | 第101-102页 |
| ·基于遗传神经网络(GA-RBF)的测压管水位滞后时间计算方法 | 第102-107页 |
| ·应用实例 | 第107-109页 |
| ·基于分层遗传算法的初始漏测量计算方法 | 第109-116页 |
| ·土石坝初始漏测沉降计算的常规方法中的问题 | 第109-110页 |
| ·直接求取漏测沉降量的方法 | 第110-111页 |
| ·分层遗传算法原理 | 第111-112页 |
| ·计算土石坝漏测沉降的分层遗传算法(HGA) | 第112-114页 |
| ·应用实例 | 第114-116页 |
| ·本章小结 | 第116-117页 |
| 第八章 结论与展望 | 第117-120页 |
| ·本文主要结论 | 第117-118页 |
| ·问题与展望 | 第118-120页 |
| 参考文献 | 第120-128页 |
| 博士期间发表论文和参加科研情况 | 第128-130页 |
| 致谢 | 第130页 |
