| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-16页 |
| 1.1 研究的背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 基坑变形预测研究现状 | 第12页 |
| 1.2.2 人工神经网络研究现状 | 第12-13页 |
| 1.2.3 基坑模型分析研究现状 | 第13-14页 |
| 1.3 论文的主要研究内容 | 第14-16页 |
| 2 基坑变形及其监测研究 | 第16-42页 |
| 2.1 基坑工程的特点 | 第16-17页 |
| 2.2 基坑的开挖变形形式及机理 | 第17-18页 |
| 2.2.1 墙体变形 | 第17-18页 |
| 2.2.2 坑底土体隆起回弹 | 第18页 |
| 2.2.3 墙体后部的地表沉降 | 第18页 |
| 2.3 基坑的变形监测 | 第18-26页 |
| 2.3.1 基坑监测基本原则 | 第19页 |
| 2.3.2 基坑监测技术 | 第19-26页 |
| 2.4 基坑监测工程实例 | 第26-39页 |
| 2.4.1 工程概况 | 第26-28页 |
| 2.4.2 基坑监测 | 第28-32页 |
| 2.4.3 监测结果及数据处理分析 | 第32-39页 |
| 2.5 小结 | 第39-42页 |
| 3 在基坑变形预测中的人工神经网络及其模型应用 | 第42-58页 |
| 3.1 基坑变形预测中人工神经网络的应用理论基础 | 第42-46页 |
| 3.1.1 人工神经网络的构建特点 | 第42-43页 |
| 3.1.2 人工神经网络在变形预测中所需的应用模型及原理 | 第43-44页 |
| 3.1.3 人工神经网络实现的功能网络类型 | 第44-46页 |
| 3.2 构建变形预测模型所采用的BP神经网络 | 第46-50页 |
| 3.2.1 BP神经网络为构建变形预测模型所具备的结构特点 | 第46-48页 |
| 3.2.2 BP神经网络对变形监测数据的训练过程 | 第48-50页 |
| 3.3 变形监测数据处理的神经网络预测的分类 | 第50-53页 |
| 3.3.1 神经网络对变形监测数据预测的方式 | 第50-51页 |
| 3.3.2 神经网络变形预测模型的建模分类 | 第51-53页 |
| 3.4 采用BP神经网络的基坑变形预测模型构建及实例应用 | 第53-57页 |
| 3.4.1 数据选取 | 第53-54页 |
| 3.4.2 模型构建 | 第54-55页 |
| 3.4.3 预测结果 | 第55-57页 |
| 3.5 小结 | 第57-58页 |
| 4 融合有限元建模的神经元网络预测模型及实例应用分析 | 第58-80页 |
| 4.1 两种模型在变形预测中的特点 | 第58-59页 |
| 4.2 融合模型的构建思路及实现方式 | 第59页 |
| 4.3 基坑实例的有限元近似模型构建与分析 | 第59-71页 |
| 4.3.1 基坑开挖的有限元模拟方法 | 第60-62页 |
| 4.3.2 建立基坑实例的二维有限元近似模型 | 第62-71页 |
| 4.4 融合有限元模型特性的BP神经网络变形预测分析 | 第71-79页 |
| 4.4.1 样本分析及数值引入 | 第71-73页 |
| 4.4.2 融合模型的BP神经网络预测模型构建 | 第73-75页 |
| 4.4.3 两种模型的预测及结果的对比分析 | 第75-79页 |
| 4.5 小结 | 第79-80页 |
| 5 结论与展望 | 第80-82页 |
| 5.1 结论 | 第80-81页 |
| 5.2 未来工作的展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 附录A | 第86-92页 |
| 附录B | 第92-98页 |
| 作者简历 | 第98-102页 |
| 学位论文数据集 | 第102页 |
