岩体中无限区域软弱夹层的模拟

提出平面四结点映射夹层无限元模型及相应算式，在半无限区域的岩土工程中，用此单元与夹层有限单元耦合系统模拟无限区域的软弱夹层，节省了大量的数据准备工作量和机时，了计算精度。     

岩体弹性模量反分析的进化差分方法

考虑到岩体弹性模量反分析本质上是一个复杂的非线性函数优化问题,采用全局优化算法是解决这个问题的理想途径.本文将具有收敛速度快、易于实现和全局寻优能力强大等优点的差分进化算法(Differential Evolution,DE)融入到岩土工程数值计算程序(FLAC3D)中,提出了基于DE算法的岩体弹性模量反分析方法,并通过一个简单算例验证了该方法的正确性,结果也表明该方法是科学可行的,具有较高的精度.     

高地应力与强渗透水压下软弱围岩支护

为了解决锦屏Ⅱ级水电站引水隧洞工程中高地应力和高渗透水压力条件下破碎带洞段软弱围岩合理支护的关键技术问题,应用弹塑性基于流固耦合原理的三维快速拉格朗日有限差分法,分析比较了不同支护方案下隧洞围岩塑性区分布范围与变形特征.研究结果表明,在高地应力和高渗透水压力条件下,根据将围岩视为承载结构以充分发挥围岩承载能力的设计理念,围岩支护采用可使围岩与支护结构充分地联合承载的喷锚支护、固结灌浆和混凝土衬砌的联合支护型式,这是解决高地应力与强渗透水压力联合用下软弱围岩稳定性问题的有效途径.     

基于高斯过程机器学习的冲击地压危险性预测

针对多种复杂影响因素条件下,如何有效预测冲击地压危险性这一类复杂的模式识别问题,提出一种基于高斯过程机器学习的冲击地压危险性预测新模型,通过对少量训练样本的学习,能很好地建立冲击地压危险性与其影响因素的非线性映射关系.算例结果表明,该模型科学可行、容易实现且预测精度高,具有良好的工程应用前景.     

基坑位移时间序列预测的高斯过程方法

应用高斯过程理论,采用机器学习的方法,针对基坑工程中常规分析方法的预测结果与实测值出入较大的问题,提出一种基于高斯过程的基坑非线性位移时间序列预测的新方法.工程实例应用结果表明,该方法科学可行,具有很强的自学习、非线性动态处理的能力,预测精度高.     

基于高斯过程分类与蒙特卡洛模拟的岩土工程结构可靠度分析方法

岩土工程结构可靠度分析中,功能函数一般呈隐式且需借助有限元等数值计算来构建,采用传统蒙特卡洛模拟法求解时常遇到计算耗时大和计算效率低的问题,进而导致该方法在实际工程应用中受到极大限制。将结构可靠度求解问题转化为二元分类问题,把分类性能优异的高斯过程分类模型与蒙特卡洛法相结合,提出了岩土工程结构可靠度分析的高斯过程分类——蒙特卡洛法。根据所建立的隐式功能函数,采用岩土工程结构分析程序构造少量的学习样本,利用学习后的高斯过程分类模型重构极限状态方程,实现随机样本的安全或失效状态的准确识别,进而采用蒙特卡洛抽样模拟获得结构的失效概率与可靠指标。算例研究表明,方法简单易行,与传统蒙特卡洛模拟法相比较,计算效率明显较高,且易于与各种岩土工程结构分析程序或商业计算软件相结合。     

“水电站”课程教学方法研究

"水电站"课程是水利水电工程专业的主要专业课,其具有包含内容多、涉及知识面广、实践性强的特点,是专业课中较难教授、学生学习吃力的课程.本文针对该课程的特点,从思维方式和方法论上给出了授课原则与方法,分析了在当前教材选用和实践环节两方面存在的问题,并给出了相应的解决方案.     

圆弧破坏型岩质边坡安全系数快速估计的高斯过程模型

高斯过程是新近发展起来的一种新的机器学习方法,对处理复杂非线性问题具有良好的适应性.针对边坡非线性系统的复杂性,为实现边坡安全快速设计和稳定性评价的工程实践要求,在高斯过程回归模型的基础上,提出了一种圆弧破坏型岩质边坡安全系数估计的高斯过程模型.该模型不必建立复杂的力学计算模型,而是利用高斯过程的自学习功能,通过对工程实例先验知识进行学习,建立圆弧破坏型岩质边坡安全系数与其各种影响因素之间的非线性映射关系,然后利用贝叶斯推理规则估计边坡安全系数.工程实例研究的结果表明,该模型是可行的,可以快速准确地给出具有概率意义的圆弧破坏型岩质边坡安全系数.     

基于高斯过程优化与FLAC3D数值计算的岩体力学参数反分析方法

为了解决大型地下工程中岩体力学参数反分析的高计算代价问题,将适用于高计算代价优化问题的高斯过程优化方法与FLAC3D数值计算相结合,提出一种新的岩体力学参数反分析方法。研究结论表明,与传统的参数反分析方法相比较,高斯过程优化方法的数值计算重分析次数显著降低,计算耗时明显减少,更适用于高计算代价的岩体参数反分析问题。     

基于粒子群优化与高斯过程的协同优化算法

对于适应度函数计算耗时较大的工程优化问题,采用仿生智能优化算法求解时常遇到由于适应度函数评价次数过大而导致计算量过高的瓶颈问题。针对上述问题,提出一种基于粒子群优化（particle swarm optimization, PSO）算法与高斯过程（Gaussian process, GP）机器学习方法的协同优化算法（PSO-GP）。该算法在寻优过程中采用GP近似模型来构建决策变量与适应度函数值之间的映射关系,在PSO全局寻优过程中不断地总结寻优历史经验的基础上,预测可能包含全局最优解的搜索区域,以优化粒子群飞行的方向。多个测试函数的优化结果表明,该算法是可行的,与基本PSO算法相比,在获得全局最优解的前提下,可显著减小寻优过程中的适应度函数评价次数,寻优效率较高,在高计算代价复杂工程优化问题的求解上具有良好的应用前景。