| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-17页 |
| ·研究背景及意义 | 第8-9页 |
| ·岩土工程反分析研究现状 | 第9-16页 |
| ·本文所研究的内容 | 第16-17页 |
| 第二章 岩体工程系统辨识理论 | 第17-32页 |
| ·系统建模理论 | 第17-21页 |
| ·系统辨识定义 | 第17页 |
| ·建模过程的信息源 | 第17页 |
| ·系统研究中的基本假定 | 第17页 |
| ·系统的表述水平 | 第17-18页 |
| ·系统的形式化数学模型 | 第18-19页 |
| ·系统的模型结构特征化 | 第19页 |
| ·参数估计 | 第19-20页 |
| ·模型检验 | 第20-21页 |
| ·岩体系统辨识的特点 | 第21页 |
| ·位移反分析 | 第21-22页 |
| ·优化反分析法的基本原理 | 第22页 |
| ·目标函数 | 第22页 |
| ·岩体弹塑性模型 | 第22-28页 |
| ·破坏和屈服条件 | 第23-25页 |
| ·加载条件和流动法则 | 第25-26页 |
| ·硬化定律 | 第26页 |
| ·本构关系 | 第26-28页 |
| ·隧道围岩位移的影响因素及反演参数的确定 | 第28-30页 |
| ·一般影响因素 | 第28页 |
| ·影响隧道围岩位移的最主要因素 | 第28-29页 |
| ·隧道围岩位移反分析计算模型及反演参数的确定 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第三章 免疫规划 | 第32-43页 |
| ·免疫规划 | 第32-37页 |
| ·一般免疫规划 | 第32-35页 |
| ·免疫规划的改进 | 第35-37页 |
| ·免疫算法浓度调节机制 | 第37-39页 |
| ·基于信息熵的浓度调节 | 第37-38页 |
| ·基于矢量距的浓度调节 | 第38-39页 |
| ·改进的免疫规划算法及其性能测试 | 第39-41页 |
| ·改进的免疫规划 | 第39-40页 |
| ·免疫规划算法与标准进化规划算法、遗传算法的性能比较 | 第40-41页 |
| ·本章小结 | 第41-43页 |
| 第四章 BP 神经网络模型及智能反分析系统 | 第43-66页 |
| ·人工神经网络概述 | 第43-44页 |
| ·人工神经网络的基本结构和模型 | 第44-48页 |
| ·人工神经元的模型 | 第44页 |
| ·激活传递函数 | 第44-45页 |
| ·单层神经元网络模型结构 | 第45-46页 |
| ·多层神经元网络 | 第46-47页 |
| ·神经网络的训练 | 第47页 |
| ·神经网络的回忆操作 | 第47-48页 |
| ·BP 神经网络 | 第48-52页 |
| ·信息的正向传递 | 第49页 |
| ·利用梯度下降法求权值变化及误差的反向传播 | 第49-50页 |
| ·算法的缺点与困难 | 第50-51页 |
| ·BP 网络的改进 | 第51-52页 |
| ·BP 神经网络结构优化 | 第52-60页 |
| ·初始连接权值、阈值的优化 | 第52-57页 |
| ·实验设计方法 | 第57-60页 |
| ·BP 神经网络预测系统 | 第60-63页 |
| ·BP 神经网络预测系统的建立 | 第60页 |
| ·BP 神经网络预测系统的测试 | 第60-63页 |
| ·智能反分析系统 | 第63-65页 |
| ·智能反分析系统的建立 | 第63-64页 |
| ·智能反分析系统的测试 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 第五章 隧道围岩位移智能分析在水田湾2＃隧道中的应用 | 第66-91页 |
| ·工程概况 | 第66-68页 |
| ·地形地貌 | 第66页 |
| ·地层岩性 | 第66-67页 |
| ·地质构造 | 第67页 |
| ·隧道区水文地质 | 第67-68页 |
| ·隧道开挖三维数值模拟 | 第68-74页 |
| ·隧道 IV 级围岩初衬喷锚支护设计图 | 第68页 |
| ·试验模型的建立 | 第68-74页 |
| ·监测数据的处理 | 第74-78页 |
| ·LK109+160 断面现场监测的原始数据 | 第74-76页 |
| ·原始数据的 BP 神经网络预测 | 第76页 |
| ·开挖面推进对位移释放系数影响的数值模拟 | 第76-78页 |
| ·学习样本和测试样本的构造 | 第78-83页 |
| ·学习样本的构建 | 第78-81页 |
| ·测试样本的构建 | 第81-83页 |
| ·隧道围岩智能反分析 | 第83-88页 |
| ·BP 神经网络预测系统的建立 | 第83-84页 |
| ·BP 神经网络预测系统的测试 | 第84-87页 |
| ·智能反分析系统的测试及应用 | 第87-88页 |
| ·辨识结果的应用 | 第88-89页 |
| ·辨识结果可靠性验证 | 第88-89页 |
| ·辨识结果的应用 | 第89页 |
| ·本章小结 | 第89-91页 |
| 第六章 结论与展望 | 第91-93页 |
| ·本文结论 | 第91-92页 |
| ·本文展望 | 第92-93页 |
| 致谢 | 第93-94页 |
| 参考文献 | 第94-99页 |
| 在校期间发表的论著及取得的科研成果 | 第99页 |