| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 引言 | 第10-11页 |
| 1.2 反分析研究现状 | 第11-13页 |
| 1.3 基坑的变形预测研究现状 | 第13-14页 |
| 1.4 本文的研究内容 | 第14-16页 |
| 第2章 理论基础 | 第16-28页 |
| 2.1 人工神经网络概述 | 第16-18页 |
| 2.1.1 神经网络基本原理 | 第16-18页 |
| 2.1.2 神经网络学习方法 | 第18页 |
| 2.2 BP神经网络 | 第18-22页 |
| 2.2.1 BP网络结构 | 第19页 |
| 2.2.2 BP算法 | 第19-21页 |
| 2.2.3 BP神经网络的不足 | 第21-22页 |
| 2.3 遗传算法的基本原理 | 第22-24页 |
| 2.3.1 遗传算法的基本操作 | 第22-23页 |
| 2.3.2 遗传算法的计算流程 | 第23-24页 |
| 2.4 遗传神经网络（GA-BP）的原理 | 第24-25页 |
| 2.5 正交设计与均匀设计的原理 | 第25-26页 |
| 2.5.1 正交设计 | 第25-26页 |
| 2.5.2 均匀设计 | 第26页 |
| 2.6 正交设计在参数敏感性分析中的运用 | 第26-27页 |
| 2.6.1 正交设计的敏感性分析原理 | 第26-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第3章 基于遗传神经网络基坑参数反分析 | 第28-50页 |
| 3.1 基坑土层力学参数反分析的数学模型 | 第28-30页 |
| 3.1.1 基于GA-BP网络的基坑参数反分析算法 | 第29-30页 |
| 3.2 Midas/gts NX有限元软件简介 | 第30-31页 |
| 3.2.1 本构模型介绍 | 第30页 |
| 3.2.2 Midas/gts NX的优点 | 第30-31页 |
| 3.3 工程实例 | 第31-33页 |
| 3.3.1 工程概况 | 第31-32页 |
| 3.3.2 水文地质条件 | 第32页 |
| 3.3.3 支护设计 | 第32-33页 |
| 3.4 基坑的建模与敏感性分析 | 第33-36页 |
| 3.4.1 参数敏感性分析 | 第34-36页 |
| 3.5 基于遗传神经网络的参数反分析 | 第36-49页 |
| 3.5.1 神经网络学习样本的构造 | 第36-38页 |
| 3.5.2 样本的归一化 | 第38-39页 |
| 3.5.3 神经网络的结构确定 | 第39-43页 |
| 3.5.4 遗传神经网络的参数优化反分析 | 第43-46页 |
| 3.5.5 土层参数反演后的数值分析 | 第46-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 基于遗传神经网络的基坑位移预测 | 第50-64页 |
| 4.1 工程概况 | 第50-52页 |
| 4.1.1 水文地质 | 第50-51页 |
| 4.1.2 基坑的支护设计 | 第51页 |
| 4.1.3 周边环境 | 第51-52页 |
| 4.2 BP神经网络的位移预测模型 | 第52-63页 |
| 4.2.1 训练样本的归一化 | 第54-55页 |
| 4.2.2 BP神经网络的实现 | 第55-58页 |
| 4.2.3 遗传算法的优化 | 第58-62页 |
| 4.2.4 优化后的结果分析 | 第62-63页 |
| 4.3 本章小结 | 第63-64页 |
| 第5章 结论与展望 | 第64-66页 |
| 5.1 全文结论 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 攻读学位期间的科研成果 | 第72-74页 |
| 致谢 | 第74页 |