| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 1 绪论 | 第9-19页 |
| ·问题的提出及意义 | 第9页 |
| ·研究背景 | 第9-10页 |
| ·研究现状 | 第10-14页 |
| ·桩基动力参数研究现状 | 第10-12页 |
| ·锚杆系统参数的研究现状 | 第12-13页 |
| ·系统参数辨识问题研究现状 | 第13-14页 |
| ·人工智能方法在锚杆系统动力参数识别中的应用 | 第14-16页 |
| ·遗传算法的基本原理 | 第14页 |
| ·人工神经网络的发展史 | 第14-15页 |
| ·人工神经网络的特点 | 第15-16页 |
| ·本文的研究目的及研究内容 | 第16-19页 |
| 2 不同围岩类别下完整锚杆纵向振动响应分析 | 第19-33页 |
| ·引言 | 第19页 |
| ·杆的一维波动方程的求解 | 第19-21页 |
| ·完整锚杆低应变纵向振动的半解析解 | 第21-24页 |
| ·基本假设及定解问题 | 第21-22页 |
| ·积分变换法求解 | 第22-24页 |
| ·完整锚杆低应变纵向振动的速度响应求解 | 第24-31页 |
| ·激振力选取 | 第24-25页 |
| ·参数取值 | 第25-28页 |
| ·速度响应求解 | 第28-31页 |
| ·本章小结 | 第31-33页 |
| 3 均匀设计在有限元数值模拟试验中的应用 | 第33-43页 |
| ·引言 | 第33页 |
| ·均匀设计的原理与应用 | 第33-37页 |
| ·正交设计简介 | 第33-34页 |
| ·均匀设计简介 | 第34-35页 |
| ·均匀设计表的构造和使用 | 第35-37页 |
| ·试验因素水平的选取 | 第37-40页 |
| ·围岩变形模量的取值 | 第37页 |
| ·Beta 阻尼常数的取值 | 第37-40页 |
| ·锚杆直径的取值 | 第40页 |
| ·拟水平试验设计 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 4 完整锚杆系统低应变纵向振动的有限元数值模拟 | 第43-53页 |
| ·引言 | 第43-44页 |
| ·有限元法简介 | 第43页 |
| ·ANSYS 程序简介 | 第43-44页 |
| ·计算参数的选择 | 第44-45页 |
| ·激振力大小的选择 | 第44页 |
| ·时间步长的选取 | 第44-45页 |
| ·其它输入参数的取值 | 第45页 |
| ·完整锚杆-围岩结构系统模型的建立 | 第45-48页 |
| ·模型的求解 | 第48-51页 |
| ·求解方法及原理 | 第48页 |
| ·计算结果 | 第48-51页 |
| ·本章小结 | 第51-53页 |
| 5 完整锚杆系统中围岩质量的识别研究 | 第53-77页 |
| ·引言 | 第53页 |
| ·遗传算法简介 | 第53-58页 |
| ·遗传算法的发展 | 第53-54页 |
| ·遗传算法的特点 | 第54-55页 |
| ·遗传算法的进化过程 | 第55-56页 |
| ·遗传算法的基本操作 | 第56-57页 |
| ·收敛准则(Convergence Criterion) | 第57-58页 |
| ·完整锚杆动力参数反演的遗传算法设计 | 第58-63页 |
| ·人工神经网络简介 | 第63-67页 |
| ·简单人工神经元模型 | 第64-66页 |
| ·人工神经网络的构成 | 第66页 |
| ·人工神经元激活值的计算 | 第66-67页 |
| ·人工神经网络的训练类型和方法 | 第67页 |
| ·基于RBF 神经网络的围岩质量识别 | 第67-71页 |
| ·RBF 神经网络理论 | 第67-69页 |
| ·输入数据的预处理 | 第69-70页 |
| ·RBF 神经网络识别 | 第70-71页 |
| ·基于 GRNN 神经网络的围岩质量识别 | 第71-74页 |
| ·广义回归的定义 | 第71-73页 |
| ·GRNN 网络结构 | 第73-74页 |
| ·GRNN 神经网络识别 | 第74页 |
| ·本章小结 | 第74-77页 |
| 6 结论与展望 | 第77-79页 |
| ·结论 | 第77页 |
| ·展望 | 第77-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 附录 | 第85-87页 |
| 独创性声明 | 第87页 |
| 学位论文版权使用授权书 | 第87页 |