基于BP神经网络下的深长隧道突水预测分析与数值模拟研究
摘要 | 第4-5页 |
ABSTRACT | 第5页 |
目录 | 第7-9页 |
1 绪论 | 第9-17页 |
1.1 选题背景 | 第9-10页 |
1.2 国内外研究现状 | 第10-15页 |
1.2.1 隧道涌水量预测的研究 | 第10-13页 |
1.2.2 神经网络工程应用的研究现状 | 第13-15页 |
1.3 本课题的研究意义 | 第15页 |
1.4 本文的主要研究内容 | 第15-17页 |
2 神经网络的基本理论 | 第17-31页 |
2.1 人工神经网络概述 | 第17-21页 |
2.1.1 人工神经网络的发展 | 第17-18页 |
2.1.2 人工神经网络的基本特征 | 第18-19页 |
2.1.3 神经网络的连接方式 | 第19-20页 |
2.1.4 神经网络的学习方式和规则 | 第20-21页 |
2.2 BP神经网络 | 第21-30页 |
2.2.1 BP神经网络的特点 | 第22-24页 |
2.2.2 BP神经网络的应用 | 第24页 |
2.2.3 BP神经网络算法的实现 | 第24-26页 |
2.2.4 BP网模型的设计 | 第26-28页 |
2.2.5 BP神经网络的缺陷 | 第28页 |
2.2.6 BP学习算法的改进 | 第28-30页 |
2.3 本章小结 | 第30-31页 |
3 隧道涌水量影响因素分析 | 第31-43页 |
3.1 工程概况 | 第31-37页 |
3.1.1 钟家山隧道简介 | 第31-32页 |
3.1.2 工程地质、水文地质条件 | 第32-34页 |
3.1.3 历次突水突泥及塌方情况 | 第34-37页 |
3.2 隧道突水突泥及塌陷成因分析 | 第37-39页 |
3.3 钟家山隧道突水突泥处理措施 | 第39-40页 |
3.4 涌水量预测参数的选择及依据 | 第40-42页 |
3.5 本章小结 | 第42-43页 |
4 基于BP神经网络的隧道涌水量预测研究 | 第43-52页 |
4.1 BP神经网络预测流程 | 第43页 |
4.2 样本数据的选择与组织 | 第43-48页 |
4.3 BP神经网络中常见的函数 | 第48页 |
4.4 BP神经网络预测模型的实现 | 第48-51页 |
4.5 本章小结 | 第51-52页 |
5 深长隧道突水的数值模拟研究 | 第52-66页 |
5.1 模型的建立及参数的选取 | 第52-53页 |
5.2 数值模拟结果的分析 | 第53-56页 |
5.2.1 拱顶与边墙的应力和位移变化过程 | 第53-54页 |
5.2.2 防突层的变化过程 | 第54-56页 |
5.3 依托钟家山隧道的数值模拟分析 | 第56-65页 |
5.3.1 参数的选取与计算模型的建立 | 第56-58页 |
5.3.2 突水前兆多场信息演化规律分析 | 第58-65页 |
5.3.3 数值模拟分析的结论 | 第65页 |
5.4 本章小结 | 第65-66页 |
6 结论与展望 | 第66-68页 |
6.1 结论 | 第66页 |
6.2 展望 | 第66-68页 |
参考文献 | 第68-73页 |
攻读硕士学位期间主要的科研成果 | 第73-74页 |
致谢 | 第74页 |