非均质性对岩体应力场反分析结果的影响

从弹性介质的假定出发,利用“等效”节理岩体等效模型和节理岩体统计等效模型,分析了有限单元法位移反分析反算岩体弹性模量和原岩应力场的问题,通过参数研究,讨论了岩体节理和非均质性对位移反分析结果的影响.结果表明,在节理岩体“等效”连续介质力学模型假定下,采用不同力学模型对反算的弹性模量值有较明显影响,而节理岩体力学参数非均质性对反算原岩应力场的影响很小,均质、各向同性假定在原岩应力场实测和位移反分析中是适用的.     

地下工程反分析的研究

针对地下工程的以分析问题,对岩体采用了弹、塑、粘性模型和考虑了随深度变化的地应力场,为了克服反分析问题的不适定性,又采用两目标函数进行两步反演,第一步为避免量测的滞后损失,以施工阶段的增量位移为依据,彩弹性模型,反演分析６个随深度变化的初始地应力分量和弹性模量;第二步动用灰色理论,从监测得出的实际位移值求出“最终位移”值;以此移值为依据,以第一次得出的初始地应力场和弹性模量Ｅ籽初值,采用弹塑性模型     

三维问题位移反分析的实用化研究

本文介绍了一种简便实用的方法——图谱一位移反分析方法。其基本思想是将图谱(由有限元边界元等数值法计算结果建立的数据库)用于位移反分析,从而方便迅速地进行现场位移反分析,求得所需的岩体特性参数,如弹性模量E,地应力分量P、Q、τ等,对于三维问题,尤其显示出它的优越性,本文结合三峡三斗坪坝址试验洞,用图谱一印双值位移反分析法进行了试验,取得了可靠的结果。     

基于人工蜂群算法的船闸高边坡岩体力学参数反分析

人工蜂群算法(ABCA)是一种模仿自然界中蜜蜂群采集蜂蜜的自组织过程,达到寻找复杂映射极值的智能算法.采用人工蜂群算法,对长江上游某船闸施工过程中,岩体开挖产生的高边坡进行岩体力学参数反分析.旨在通过反分析的手段得到的一组更加符合工程实际的岩体力学参数.将反分析得到的这些参数用于该船闸高边坡的开挖正算,并通过实际测点位移监测值和位移计算值的比较,评价反分析得到的这组参数的优劣性.     

散体围岩力学参数位移反演优化

针对散体围岩非连续性、松散的特性以及难以获得可信度高的力学参数的问题,基于Hoek-Brown强度准则和位移反演理论,提出一种新的岩体力学参数确定方法。采用Hoek-Brown强度准则估算散体围岩强度参数(黏聚力c、内摩擦角φ和抗拉强度στ)和变形参数(弹性模量EH),将估算出的强度作为位移反演分析过程中的已知参数,基于数值计算方法,对变形参数(弹性模量反算值EB和泊松比μ)进行反演优化。将弹性模量估算值EH和弹性模量反算值EB对比分析,进而修正估算的输入参数,从而得到接近实际的岩体力学参数。研究结果表明:EH与EB相差仅为0.01 MPa,相对误差为1.75%,小于5.00%,即参数合理有效;将新方法确定的力学参数应用于数值模型进行反演正算,得到ZK34+232断面拱顶下沉值和水平收敛值的相对误差分别为1.3%和3.4%,符合检验标准,满足工程实践,说明新方法是可行的,可以用于隧道工程设计和施工。     

边坡岩体力学参数反分析方法

为了提高数值计算结果的可靠度,基于正交设计、差分法和人工神经网络建立了新的边坡岩体力学参数反分析方法. 按照正交设计要求,选定反演参数的水平,确定数值模拟方案;用FLAC2D差分程序计算得出相应的神经网络分析样本;对RBF神经网络进行训练;利用现场监测位移,对某露天矿边坡岩体的力学参数进行神经网络反分析. 反分析结果与理论值的误差很小,满足精度要求,表明该反分析方法的可行性和精确性.     

糯扎渡水电站调压井围岩力学参数反演与反馈分析

针对糯扎渡水电站调压井工程区的特点,建立三维仿真模型,根据实测位移分析、BP神经网络和最小残差原理,反演出工程区各岩层弹性模量,并将反演参数导入模型进行三维弹塑性反馈计算.实测位移分析表明,调压井拱顶位移随着开挖方量的增大而增大,最大位移发生在1号调压井与连通上室连接处,最大值1.68 mm;反演得到的各岩层弹性模量分...     

基于改进神经网络的边坡岩体弹性力学参数识别方法

基于人工神经网络的 BP算法 ,建立了根据边坡开挖后岩体位移观测数据识别岩体弹性力学参数的数值方法 .在网络训练过程中采用改进的 BP算法 ,通过对学习算子的优化搜索 ,大大提高了网络的收敛速度 ,解决了 BP算法迭代过程中目标函数振荡问题 .通过算例表明 ,提出的改进的 BP算法有助于提高岩土材料参数识别收敛速度和识别精度 .图5 ,表 3,参 15     

GA-SAPSO神经网络模型的构建

BP神经网络存在寻优参数多、收敛速度慢、易陷入局部极小的固有缺陷,为改进其网络性能,本文利用遗传-模拟退火粒子群算法(GA-SAPSO)对BP神经网络的初始权值及神经元阀值进行优化处理,并重新构建网络模型.实例仿真结果表明:所构建模型降低了BP网络结构的复杂性,避免了网络参数选取的盲目性,提高了网络的计算精度.     

基于并行改进遗传算法的拱坝位移反分析

引入小生境技术和自适应杂交变异概率方法,基于并行有限元程序,给出了适合推求拱坝和地质力学参数的位移反分析并行遗传算法,并编制了相应的程序,利用地质力学模型试验数据,对溪洛渡拱坝进行了位移反分析,得到了和试验相一致的坝体混凝土和地基岩体的力学参数。结果表明,该算法可以有效解决简单遗传算法的早熟收敛问题,收敛效率得到明显提高。当采用16个CPU进行并行计算时,可以达到42%的计算效率,表明该算法适用于拱坝这样复杂的三维结构的位移反分析,可以大大减少拱坝位移反分析的时间。     

多变元非线性复杂系统的优化与模拟退火算法

为了解决高合金高强高韧钢的性能优化问题,以获得最佳的强度和韧性的配合,采用人工神经网络方法建立多变量与多目标函数之间的关系,并将MonteCarlo方法中的模拟退火算法与人工神经网络BP算法相结合,解决了这类复杂系统中多函数变量与多目标函数之间没有确定的解析关系因而无法进行直接优化的难题·解决了航天用高强高韧钢性能优化问题,并为解决多变元非线性复杂系统的优化问题提供了一种新的有效的方法·     

北固山隧道施工力学特征及围岩变形控制

基于ANSYS软件,采用有限元法和BP神经网络建立数值分析模型,并确定围岩的力学参数.首先,考虑隧道开挖的空间效应,并分析围岩的位移场和应力场.然后,阐述围岩和边坡的破坏机理,从而进一步表明围岩的牵引作用对边坡和隧道稳定性的重要性.最后,应用所得破坏机理对北固山隧道围岩变形进行分析.结果表明:考虑边坡稳定性和围岩变形的技术方案是合理、有效的.     

基于改进的反向传播神经元网络复杂煤岩层对比方法研究

为了提高复杂地区煤岩层对比的准确率,解决由于反向传播神经元网络(BP神经元网络)连接权值和阈值的初始值选择不合适而导致的无解问题,本文把求全局最优解近似值的遗传算法(GA)和求局部最优解精确值的传统BP神经元网络所使用的梯度法有机地结合起来,取长补短,用于复杂地区煤岩层对比。首先,用GA求得BP神经元网络权值和阈值的全局最优解的近似值;然后,把该近似值作为初始值,训练该神经元网络;最后,用训练好的BP神经元网络进行复杂地区煤岩层对比工作。本文利用测井曲线采用小波变换分析沉积旋回,并用于煤岩层对比。该新方法在钱营孜煤矿的复杂煤岩层对比中,取得了较好的效果,比常规的单一方法和简单的组合方法效果要好。     

多模块构架式空间可展开天线结构参数优化

为降低卫星天线的发射成本,提高天线的展开刚度,以多模块构架式空间可展开天线结构的质量和1阶固有频率为目标函数,基于误差反向传播（BP）神经网络和遗传算法对天线的结构参数进行了优化.运用ANSYS软件对支撑桁架的结构参数进行了数值模拟,得到了与设计变量对应的目标函数值;通过正交试验设计,构建了用于神经网络训练和检验的样本集;按照BP算法的基本思想,调整网络模型的参数,建立了用于优化的预测模型;采用分目标乘除法,将多目标优化问题转变成单目标优化问题;采用遗传算法进行了优化分析,得到了支撑桁架各杆件的设计参数.结果表明：该优化方法在降低天线质量的同时,使结构的刚度得到了提高,为天线的结构设计提供了参考.     

Surface Quality Evaluation of Fluff Fabric Based on Particle Swarm Optimization Back Propagation Neural Network

Aiming at the problem that back propagation(BP) neural network predicts the low accuracy rate of fluff fabric after fluffing process,a BP neural network model optimized by particle swarm optimization(PSO) algorithm is proposed.The sliced image is obtained by the principle of light-cutting imaging.The fluffy region of the adaptive image segmentation is extracted by the Freeman chain code principle.The upper edge coordinate information of the fabric is subjected to one-dimensional discrete wavelet decomposition to obtain high frequency information and low frequency information.After comparison and analysis,the BP neural network was trained by high frequency information,and the PSO algorithm was used to optimize the BP neural network.The optimized BP neural network has better weights and thresholds.The experimental results show that the accuracy of the optimized BP neural network after applying high-frequency information training is 97.96%,which is 3.79% higher than that of the unoptimized BP neural network,and has higher detection accuracy.     

粒子群优化-BP神经网络对岩爆的预测

岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.     

基于机器学习的锚固岩质边坡变形预测

锚索锚固是一种广泛使用的边坡加固技术,锚固性能的研究是锚固的核心问题之一。利用有限差分程序建立324组物理力学参数不同的锚固边坡,组成包括锚索参数和岩土体性质参数的9维输入指标和以沉降位移和塑性区面积为输出指标的数据集,分析输入输出指标间的关系。随后用随机森林和神经网络方法学习数据并建立层状边坡变形预测模型。分析显示,边坡沉降位移和塑性区面积预测结果变化对锚索性质参数中锚索总长度变化最敏感,锚固力的变化影响最小;其次岩土体物理力学性质中边坡力学指标黏聚力、内摩擦角起主要影响作用,岩土体密度变化影响最小;对预测结果的误差分析表明随机森林变形预测模型预测准确性比BP神经网络变形预测模型高5%~10%;模型预测沉降的偏差率小于预测塑性区面积的偏差率。研究表明随机森林算法在锚固效果预测问题上更加具有适用性,通过建立预测模型可以快速预测锚固边坡沉降位移和塑性区面积,指导锚固方案优化和变形控制设计。     

基于SDCQGA优化BP神经网络的岩石可钻性建模

针对智能钻井优化控制过程中岩石可钻性提取存在的建模难、非实时性、精度差等问题,提出基于自适应双链量子遗传算法优化BP神经网络结构的岩石可钻性提取建模方法.依据目标函数在搜索点处的变化率,建立了快速自适应双链量子遗传算法;采用新算法优化BP神经网络结构,以克服BP神经网络受初始权值/阀值影响和泛化能力差的问题.通过对邻近钻井区域的大量测量数据和实验数据的统计分析和预处理,建立岩石可钻性提取模型,有效地解决了复杂地形岩石可钻性提取难的问题.对不同岩性的可钻性参数提取实验结果证明,该建模方法不仅提高了参数提取的精度和模型的泛化能力,而且在相邻实际参数提取时,具有很好的实时性和适应性.     

改进的神经网络算法在瓦斯涌出量预测中的应用

针对传统神经网络存在的收敛速度慢、容易陷入局部最小等缺陷,采用改良的BP算法———双权值迭代优化法,提高神经网络传统BP算法的训练速度。以三层神经网络为例,对权值进行优化。实验对比表明：双权值迭代优化法应用于瓦斯涌出量的预测,比一般BP网络有更高的预测精度和程序运行速度。     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.