| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 引言 | 第8-9页 |
| 1.2 复合地基沉降计算研究现状 | 第9-11页 |
| 1.2.1 复合地基 | 第9页 |
| 1.2.2 常用沉降计算方法 | 第9-11页 |
| 1.3 反演法的理论研究现状 | 第11-14页 |
| 1.3.1 反演法的意义 | 第11-12页 |
| 1.3.2 反演法的应用现状 | 第12-14页 |
| 1.4 本文主要工作 | 第14-17页 |
| 1.4.1 本文研究思路 | 第14-15页 |
| 1.4.2 本文研究内容 | 第15-17页 |
| 第二章 桩网复合地基工作机理和沉降计算 | 第17-24页 |
| 2.1 概述 | 第17页 |
| 2.2 桩网复合地基的定义及组成 | 第17页 |
| 2.3 桩网复合地基的工作机理 | 第17-19页 |
| 2.3.1 加筋材料的作用 | 第17-18页 |
| 2.3.2 褥垫层的作用 | 第18-19页 |
| 2.3.3 桩-土协调工作 | 第19页 |
| 2.4 桩网复合地基沉降计算 | 第19-23页 |
| 2.4.1 加固区土层压缩量的计算方法 | 第19-21页 |
| 2.4.2 下卧层土层压缩量计算方法 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于BP神经网络桩网复合地基的参数反演沉降计算 | 第24-50页 |
| 3.1 概述 | 第24页 |
| 3.2 九江绕城高速公路桩网复合工程特性 | 第24-27页 |
| 3.2.1 工程背景 | 第24页 |
| 3.2.2 地质条件 | 第24-25页 |
| 3.2.3 桩网复合地基方案设计 | 第25页 |
| 3.2.4 建立有限元模型 | 第25-27页 |
| 3.3 建立BP神经网络参数反演模型 | 第27-43页 |
| 3.3.1 BP神经网络的结构模型 | 第27-28页 |
| 3.3.2 BP神将网络的学习机理 | 第28-29页 |
| 3.3.3 BP神经网络的优缺点 | 第29页 |
| 3.3.4 反演参数的确定 | 第29-30页 |
| 3.3.5 输出样本构造 | 第30-34页 |
| 3.3.6 输入样本构造 | 第34-37页 |
| 3.3.7 基于BP神经网络参数反演 | 第37-41页 |
| 3.3.8 BP神经网络的参数反演结果 | 第41-43页 |
| 3.4 基于BP神经网络反演模型的沉降预测 | 第43-49页 |
| 3.4.1 K2+100 监测断面的沉降预测 | 第43-44页 |
| 3.4.2 K2+200 监测断面的沉降预测 | 第44-45页 |
| 3.4.3 K2+300 监测断面的沉降预测 | 第45-47页 |
| 3.4.4 K2+400 监测断面的沉降预测 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于遗传算法桩网复合软基的参数反演沉降计算 | 第50-62页 |
| 4.1 概述 | 第50页 |
| 4.2 遗传算法反演的基本理论和方法 | 第50-52页 |
| 4.2.1 遗传算法的原理 | 第50页 |
| 4.2.2 遗传算法的设计 | 第50-52页 |
| 4.2.3 遗传算法的优缺点 | 第52页 |
| 4.3 建立遗传算法反演地基参数模型 | 第52-55页 |
| 4.3.1 目标函数的确定 | 第52-53页 |
| 4.3.2 遗传算法和有限元软件结合 | 第53-54页 |
| 4.3.3 遗传算法反演结果 | 第54-55页 |
| 4.4 基于遗传算法反演模型的沉降预测 | 第55-61页 |
| 4.4.1 K2+100 监测断面的沉降预测 | 第55-57页 |
| 4.4.2 K2+200 监测断面的沉降预测 | 第57-58页 |
| 4.4.3 K2+300 监测断面的沉降预测 | 第58-59页 |
| 4.4.4 K2+400 监测断面的沉降预测 | 第59-61页 |
| 4.5 本文小结 | 第61-62页 |
| 第五章 基于GA-BP神经网络桩网复合软基参数反演沉降计算 | 第62-75页 |
| 5.1 概述 | 第62页 |
| 5.2 遗传算法优化BP神经网络（GA-BP）反演的基本理论和方法 | 第62-65页 |
| 5.2.1 遗传算法优化BP神经网络的原理 | 第62-64页 |
| 5.2.2 遗传算法优化BP神经网络的设计 | 第64-65页 |
| 5.3 建立遗传—BP神经网络(GA-BP)地基参数反演模型 | 第65-66页 |
| 5.3.1 遗传算法优化BP神经网络模型训练 | 第65-66页 |
| 5.3.2 反演结果 | 第66页 |
| 5.4 基于遗传-BP神经网络反演模型的沉降预测 | 第66-72页 |
| 5.4.1 K2+100 监测断面的沉降预测 | 第67-68页 |
| 5.4.2 K2+200 监测断面的沉降预测 | 第68-69页 |
| 5.4.3 K2+300 监测断面的沉降预测 | 第69-70页 |
| 5.4.4 K2+400 监测断面的沉降预测 | 第70-72页 |
| 5.5 三种智能算法对比 | 第72-74页 |
| 5.6 本章小结 | 第74-75页 |
| 第六章 基于光纤光栅传感技术的软基全断面沉降传感器研发 | 第75-90页 |
| 6.1 概述 | 第75页 |
| 6.2 光纤光栅的传感原理 | 第75-76页 |
| 6.3 软基全断面FBG沉降传感器结构设计与工作原理 | 第76-81页 |
| 6.3.1 沉降传感器结构设计 | 第76-77页 |
| 6.3.2 沉降传感器工作原理 | 第77-81页 |
| 6.4 软基全断面FBG沉降传感器验证实验 | 第81-89页 |
| 6.4.1 试验设备 | 第81-82页 |
| 6.4.2 试验方法 | 第82-83页 |
| 6.4.3 封装变化 | 第83-85页 |
| 6.4.4 长度变化 | 第85-87页 |
| 6.4.5 结果分析 | 第87-89页 |
| 6.5 本章小结 | 第89-90页 |
| 第七章 结论和展望 | 第90-92页 |
| 7.1 结论 | 第90-91页 |
| 7.2 创新点 | 第91页 |
| 7.3 展望 | 第91-92页 |
| 参考文献 | 第92-95页 |
| 致谢 | 第95-96页 |
| 研究生期间参与的科研项目与成果 | 第96页 |
