| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 隧道涌水研究现状 | 第12-14页 |
| 1.2.2 降雨-涌水相关性研究现状 | 第14-16页 |
| 1.3 研究目标和内容 | 第16-17页 |
| 1.3.1 研究目标 | 第16-17页 |
| 1.3.2 主要研究内容 | 第17页 |
| 1.4 技术路线 | 第17-19页 |
| 第2章 桑植隧道工程概况及水文监测介绍 | 第19-26页 |
| 2.1 桑植隧道工程概况 | 第19-22页 |
| 2.1.1 地理位置 | 第19页 |
| 2.1.2 隧址区气候特征与水系 | 第19-20页 |
| 2.1.3 隧址区地层岩性 | 第20页 |
| 2.1.4 隧址区地形地貌 | 第20-21页 |
| 2.1.5 隧址区水文地质特征 | 第21-22页 |
| 2.1.6 隧址区富水性分区 | 第22页 |
| 2.2 桑植隧道水文监测情况 | 第22-26页 |
| 2.2.1 水文监测的意义 | 第22-23页 |
| 2.2.2 桑植隧道水文监测内容 | 第23-26页 |
| 第3章 桑植隧道降雨-涌水时间序列分析 | 第26-32页 |
| 3.1 降雨-涌水序列数据的选取 | 第26-27页 |
| 3.2 降雨-涌水相关性分析 | 第27-28页 |
| 3.3 降雨-涌水滞后性分析 | 第28-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于单一模型的隧道降雨-涌水预测研究 | 第32-51页 |
| 4.1 多元线性回归模型 | 第32-39页 |
| 4.1.1 回归分析 | 第32-33页 |
| 4.1.2 多元线性回归模型 | 第33-39页 |
| 4.2 人工神经网络 | 第39-44页 |
| 4.2.1 人工神经网络简介 | 第39-40页 |
| 4.2.2 人工神经网络工作原理及功能 | 第40-42页 |
| 4.2.3 BP神经网络及其模型 | 第42页 |
| 4.2.4 BP神经网络学习过程 | 第42-43页 |
| 4.2.5 BP神经网络设计的基本方法 | 第43-44页 |
| 4.3 降雨-涌水多元线性回归预测模型 | 第44-47页 |
| 4.3.1 模型的建立 | 第44-46页 |
| 4.3.2 模型的检验 | 第46-47页 |
| 4.4 降雨-涌水BP神经网络预测模型 | 第47-50页 |
| 4.4.1 BP神经网络预测结构的确定 | 第47页 |
| 4.4.2 BP神经网络测试训练 | 第47-49页 |
| 4.4.3 基于BP神经网络的隧道涌水预测 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 基于BP-多元线性回归组合模型隧道降雨-涌水预测研究 | 第51-58页 |
| 5.1 组合模型概述 | 第51页 |
| 5.2 组合模型的建立 | 第51-52页 |
| 5.3 基于组合模型隧道降雨-涌水的预测 | 第52-54页 |
| 5.4 三种预测模型对比分析 | 第54-55页 |
| 5.5 降雨密集期隧道涌水风险预报 | 第55-57页 |
| 5.5.1 涌水风险预报的意义 | 第55页 |
| 5.5.2 涌水风险预报方案的建立 | 第55-56页 |
| 5.5.3 涌水风险预报等级的验证 | 第56-57页 |
| 5.6 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文 | 第65页 |