基于进化神经元算法的堡镇隧道软弱围岩施工弹塑性智能位移反分析

结合宜万铁路堡镇隧道的施工,将BP神经网络和遗传算法引入特长隧道软岩段的施工位移反分析,采用遗传算法自动搜索BP神经网络训练效果最优的参数,建立起反映围岩变形与岩体物理力学参数及初始地应力之间高度非线性、不确定的GA-BP智能模型,然后采用遗传算法在岩体物理力学参数和初始地应力取值范围内,搜索BP神经网络预测围岩变形与实测围岩变形最接近的参数组合,取得反演获得的岩体物理力学参数和初始地应力.从堡镇隧道应用结果来看,这种进化神经元算法反演结果可以满足隧道施工的需要,并为类似工程提供了借鉴.     

边坡位移时序预测的组合模型研究

将边坡变形预测看作一个特殊的凸二次规划问题,以加权一阶局域法（AOLMM）、Lyapunov指数预报法以及神经网络预测方法（ANN）为基础,建立了边坡变形预测的组合模型,应用动态规划方法求解组合预测模型的最优解,以达到有效利用各种预测方法提供的信息和提高模型预测精度的效果．通过工程实例研究表明,该组合预测模型较单一预测模型精度有较大提高,表明组合预测模型的可行性及有效性．     

边坡变形时序分析的进化-自适应神经模糊推理模型

变形监测与预报是保证边坡工程施工安全与工程质量的重要措施,但由于位移时间序列的强非线性,边坡变形预报成为非常困难的问题.自适应模糊神经推理系统(ANFIS)有优越的学习和泛化性能,而遗传算法(GA)是优秀的全局优化工具.采用遗传算法优化ANFIS参数,并编制了相应的计算程序.结合三峡工程永久船闸施工变形监测和新滩滑坡变形监测,建立了边坡变形时序分析的GA-ANFIS智能模型.为了对比该模型的预测精度,采用GA优化支持向量回归(SVR)和BP神经网络的模型参数,编制了GA-SVR及GA-BP程序,对相同的算例进行了变形预测分析.按滚动预测法对三峡永久船闸高边坡和新滩滑坡的计算结果表明,文中提出的GA-ANFIS模型能够获得比GA-SVR和GA-BP模型更高的预测精度,可以应用于边坡工程变形监测预报分析,并为类似工程提供参考.     

高边坡施工期变形预测遗传神经网络模型

基于BP网络存在的不足,将遗传算法引入到BP网络模型中,建立了高边坡施工期相邻层开挖暂停阶段变形预测遗传神经网络模型,对边坡时效变形进行预测,并对预测的结果进行检验,结果表明模型取得较好的预测效果,可供类似工程参考使用.     

三峡工程高边坡的稳定性分析

为了分析三峡工程边坡的稳定性,根据灰色系统的理论,利用GM(1,1)预测模型,依据三峡现场边坡的测试数据,建立了边坡岩体变形的灰色预测模型,绘出了边坡变形的拟合和预测曲线,能够比较准确地预测边坡岩体变形的发展情况及稳定性,为边坡岩体变形的预测提供了可靠保证和理论依据.计算分析表明,其预测结果与实测数据较吻合,相对平均精度超过98%,能够满足工程的使用要求.三峡边坡工程是稳定和安全可靠的.     

边坡变形FLAC3D模型的预测研究与应用——以贵州省道坪镇火闹山边坡为例

边坡岩土体受到持续强降雨的影响,原有的平衡状态被打破,进而产生变形。因此,根据边坡的变形规律,预测其发生发展的趋势,有重要的实际意义。本文以贵州省道坪镇火闹山边坡工程项目为研究对象,对边坡岩体的物理、力学参数等指标进行分析,采用FLAC3D软件建立三维模型,对不同状态下的边坡变形情况进行数字模拟。研究结果表明,在边坡初始变形到边坡失稳阶段,建立的模型与实际监测结果反映的变化规律是相符合的,达到对边坡变形的预测要求。     

顺倾岩质高边坡开挖变形机理及计算

为了进一步分析顺倾岩质高边坡开挖变形机理及变形计算方法,以卸荷岩体力学及弹性力学理论为基础,对顺层岩质边坡开挖前后边坡岩体的力学状态进行了分析,对边坡变形机理及变形计算方法进行了研究．研究结果表明,顺倾岩质边坡在开挖过程中岩体受力状态发生改变,岩体力学参数劣化,造成边坡发生较大变形;顺层岩质边坡变形主要由浅表松弛变形、卸荷回弹变形及顺层滑移变形组成．并以弹性力学为基础提出了边坡卸荷回弹变形的计算方法,依据能量守恒定律推导了顺层滑移变形的计算方法．     

改进遗传神经网络对露天矿边坡位移预测

为提高BP神经网络对边坡位移的预测精度,将遗传算法的交叉算子及变异算子改进,用以优化BP神经网络的初始权值和阈值.应用改进的遗传神经网络对安家岭露天矿1270平盘边坡位移进行预测,同时应用未改进的遗传神经网络及BP神经网络作对比分析.结果表明:改进遗传算法为BP神经网络提供了进一步优化的初始权值、阈值,应用改进遗传神经网络对安家岭1270平盘边坡位移进行预测,改进遗传神经网络的预测精度与遗传神经网络及未经优化的BP神经网络相比进一步提高,是一种可行的边坡位移预测方法.     

基于混沌理论的矿山边坡岩体变形规律与安全预警系统

通过建立露天矿边坡安全监测系统,采用基于重构相空间的混沌理论揭示露天矿边坡岩体的变形规律,并建立基于重构相空间的边坡岩体变形的混沌神经网络预测模型,实现边坡岩体变形的精确预测,同时根据露天矿开采特征,建立边坡岩体变形的安全预警系统.研究结果表明:露天矿开采过程中,边坡岩体受节理裂隙、开采强度、地下水、地表降雨等多因素的影响,其变形受其内在确定性动力学机制所支配,表现出混沌特性,是边坡工程固有影响因素对边坡岩体综合作用的结果.边坡岩体变形安全预警系统不仅可预测边坡岩体的变形量和所处的安全区域,而且可反映出露天开采强度的合理性,为矿山调节产量和安全生产提供技术保障.     

量子遗传算法对砂类边坡稳定性敏感度的分析

边坡稳定性的影响因素复杂,需要寻找不同状态下影响较大的因素针对治理。针对传统边坡稳定性计算繁琐问题与边坡分析中常用的遗传算法的收敛速度慢、易陷入局部最优情况等劣势,使用量子遗传算法进行边坡分析,并将该方法应用到实际边坡的分析中。通过模拟参数波动的方法,计算了边坡稳定系数对内摩擦角、黏聚力、土体容重、坡高的敏感度,及不同参数波动时对其他参数敏感度的影响程度,并通过此方法完成了对边坡在不同参数变异情况下的最危险滑坡区间的预测。     

基于神经网络的桥下开挖竖向位移预测

基于BP神经网络方法，对桥下开挖的竖向变形作了预测.从不同土层的土的参数敏感性分析结果可知,竖向位移只对首层土的参数变化很敏感,由此建立了桥下开挖竖向位移预测的神经网络，其控制参数为首层土的粘聚力、内摩擦角、弹性模量、泊松比、开挖深度和开挖长度.选用B-R方法进行迭代计算，并对建立的神经网络进行验证，结果表明该模型的预测准确度较高.     

基于BP神经网络的隧道下穿既有运营地铁线注浆施工参数预测——以广州地铁18号线隧道注浆工程为例

新建隧道下穿既有运营地铁线施工过程中极易对既有运营地铁线产生不利影响,而广泛采用的超前预注浆尚处于以经验性选取注浆施工参数的阶段,导致工程事故频发。为此,首先以开挖段地层物性参数、地层位移变化值作为输入层,注浆施工参数为输出层,构建了基于BP(back propagation)神经网络的注浆施工参数预测模型;其次,以MAPE(mean absolute percentage error)作为预测精度评价指标,采取试算法对BP神经模型参数(隐含层节点数目、学习率)进行了探讨;最后,将提出的BP神经网络用于指导工程实践。研究结果表明：当BP神经网络预测模型隐含层节点数为9、学习率为0.01、训练次数为20 000以及精度目标值为1×10^-4时,模型适用性评价显示预测值与监测值之间最大相对误差为19,平均相对误差均低于13,说明提出的BP神经网络预测模型可行;进一步的工程应用结果表明：采用预测的注浆施工参数进行注浆后掌子面稳定、开挖过程中未发生隧道塌方等事故,满足相关规范要求。研究成果也可在隧道下穿其他结构或建筑物灾害防控注浆工程中得到推广应用。     

基于遗传算法和神经网络的隧道围岩位移智能反分析

基于正交试验设计和FLAC3D建立的学习样本以及测试样本,通过工程现场获取的围岩位移信息,用神经网络建立待反演参数与围岩位移之间潜在的映射关系。研究结果表明:利用该神经网络的仿真预测功能,结合遗传算法搜索反演参数的最优解,从而实现位移反分析;可将反演结果反馈于隧道支护结构的设计,实现隧道的信息化施工与设计。     

遗传算法BP神经网络在变形监测中的研究

介绍了BP神经网络和遗传算法的概念和基本理论,详细阐述了遗传算法优化的BP神经网络和BP神经网络这两种神经网络模型,深入分析了两种模型在基坑水平位移监测的数据预报,指出了遗传算法优化的BP神经网络模型具有更好的预测效果.     

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.     

遗传算法的神经网络在交流调速中的应用

介绍了遗传算法与神经网络的组合方式及结构,并通过遗传算法神经网络的融合技术对交流调速锦绣控制,然后通过遗传算法对神经网络的参数进行集中优化,得到了被控制对象的一个最优控制器———神经网络控制器.说明了这种技术的可行性.仿真结果也表明了该控制器使得交流调速的性能得到了提高.     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型,并基于正交试验获得的训练样本对网络进行学习,以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础,用蚁群算法来学习神经网络的权系数。利用反演结果,建立快速拉格朗日快速计算法(FLAC)模型,对地表沉陷进行预测。结果表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

基于BP神经网络的桥梁移动荷载识别精度

为了识别作用于桥梁结构上的移动荷载,基于反向传播神经网络方法,开展了输入参数对荷载识别精度影响的分析.首先利用ANSYS模拟移动集中力通过简支T梁桥,得到了主梁跨中位移、速度和加速度时程曲线;其次基于MATLAB建立反向传播神经网络结构,分别将桥梁结构的位移、速度和加速度动态响应数据作为反向传播神经网络的输入参数,移动荷载大小作为输出参数,研究不同输入参数对荷载识别精度的影响;然后分别选取位移和速度、位移和加速度、速度和加速度以及三者组合的工况进行多参数输入的优化设计;最后,以某4跨预应力混凝土连续T梁桥工程为背景,以重车下的竖向加速度实测数据验证了该反向传播神经网络用于识别实桥上简单移动荷载的可行性.结果 表明:利用反向传播神经网络进行移动荷载大小识别时,单输入参数的识别精度由高到低依次为加速度、速度、位移,建议在实际工程中采用较易获取的加速度数据作为输入参数进行荷载识别;多参数组合输入可以提高移动荷载的识别精度,其中速度和加速度组合可以实现较优的识别效果;实测数据证明了该反向传播神经网络用于简单的实桥荷载识别是可行的.相关研究结果可为桥梁载荷识别及桥梁结构的性能评价提供参考.