| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 混凝土坝裂缝的成因分析方法研究进展 | 第15-17页 |
| 1.2.2 机器学习算法在大坝监测领域的研究现状 | 第17-20页 |
| 1.3 主要研究内容 | 第20-21页 |
| 第二章 基于粗糙集与深度学习的建模方法研究 | 第21-30页 |
| 2.1 概述 | 第21-22页 |
| 2.2 粗糙集理论 | 第22-25页 |
| 2.2.1 经典粗糙集理论 | 第22-24页 |
| 2.2.2 邻域粗糙集理论 | 第24-25页 |
| 2.3 深度学习算法理论 | 第25-26页 |
| 2.3.1 深度学习原理 | 第25-26页 |
| 2.3.2 深度置信网络模型 | 第26页 |
| 2.4 大坝安全监测预警模型研究 | 第26-29页 |
| 2.4.1 预警模型的选择 | 第26-27页 |
| 2.4.2 预警模型构建思路 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 裂缝监测指标体系的约简与预警模型的构建 | 第30-58页 |
| 3.1 概述 | 第30-33页 |
| 3.1.1 工程概况 | 第30-32页 |
| 3.1.2 预警模型构建流程 | 第32-33页 |
| 3.2 基于粗糙集理论的裂缝监测指标体系约简 | 第33-41页 |
| 3.2.1 初始指标体系数据收集与预处理 | 第33-36页 |
| 3.2.2 基于粗糙集的指标体系约简 | 第36-41页 |
| 3.3 基于深度置信网络的裂缝预警模型构建 | 第41-50页 |
| 3.3.1 RBM网络无监督训练过程算法实现 | 第42-44页 |
| 3.3.2 RBM堆叠过程算法实现 | 第44-48页 |
| 3.3.3 BP网络有监督参数微调过程算法实现 | 第48-49页 |
| 3.3.4 完整深度置信网络训练过程算法实现 | 第49-50页 |
| 3.4 粗糙集与深度置信网络耦合预警模型仿真 | 第50-57页 |
| 3.4.1 基于深度置信网络的裂缝开度模型仿真 | 第50-52页 |
| 3.4.2 基于BP网络的裂缝开度模型仿真 | 第52-54页 |
| 3.4.3 基于统计模型的裂缝开度模型仿真 | 第54-57页 |
| 3.4.4 深度置信网络与传统预警模型结果对比分析 | 第57页 |
| 3.5 本章小结 | 第57-58页 |
| 第四章 基于预警模型的成因分析与预警研究 | 第58-73页 |
| 4.1 概述 | 第58页 |
| 4.2 确定裂缝效应量各分量比例的DBN方法 | 第58-59页 |
| 4.3 基于DBN的裂缝扩展不利荷载组合规则提取 | 第59-61页 |
| 4.4 裂缝多物理场因子互馈分析 | 第61-64页 |
| 4.4.1 基于DBN模型的裂缝多物理场因子互馈分析 | 第61-62页 |
| 4.4.2 基于灰色理论模型的裂缝多物理场因子互馈分析 | 第62-64页 |
| 4.5 裂缝失稳预警指标拟定 | 第64-72页 |
| 4.5.1 基于DBN模型的预警指标拟定 | 第64-65页 |
| 4.5.2 基于典型小概率法的预警指标拟定 | 第65-72页 |
| 4.6 本章小结 | 第72-73页 |
| 第五章 结论与展望 | 第73-75页 |
| 5.1 主要结论 | 第73-74页 |
| 5.2 展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80页 |
