《计算机应用论文隧道工程围岩变形预测的人工智能方法及集成.doc》由会员分享，可在线阅读，更多相关《计算机应用论文隧道工程围岩变形预测的人工智能方法及集成.doc（3页珍藏版）》请在三一办公上搜索。
1、隧道工程围岩变形预测的人工智能方法及集成 隧道工程围岩变形预测的人工智能方法及集成 Research on Integrated Artificial Intelligence Method of Deformation Prediction of Tunnel【中文摘要】 隧道工程围岩变形预测是以岩体的物理力学参数、支护参数以及工程现场量测位移作为基础信息,对后续施工引起的围岩变形进行超前预报。本文通过对已有变形预测方法的比较,提出了一种人工智能组合预测方法。本文采用均匀试验设计理论对FLAC3D单线铁路隧道模型参数的选取进行了设计,应用FLAC3D模拟实际隧道的开挖生成大量变形量测信息。分
2、别利用BP神经网络、广义回归神经元网络(GRNN)和改进的遗传支持向量机回归方法对FLAC3D计算所得数据进行学习,建立隧道设计、施工已知信息(围岩力学参数、隧道埋深、开挖方式、支护参数)与隧道断面变形的非线性映射关系,对于任一组围岩力学参数和支护参数,根据已建立的三种人工智能分析模型均可以确定隧道指定断面在掌子面推进到各个位置时的变形值。利用三种人工智能方法给出的预测值,建立基于遗传算法的人工智能综合预测模型。通过遗传算法给出一组权重值,对三种方法分别给出的预测结果加权求平均得到最终的变形预测数据。本文以单线铁路隧道为例探讨了上述综合智能变形预测方法的可行性和应用效果,结果表明本文提出的人工
3、智能综合预测方法的预测误差在可接受范围内,能够满足工程实用要求。该方法为隧道信息化设计和施工管理提供了一个简便而实用的分析工具,是一种智能化的信息化施工监控方法。【英文摘要】 Tunnel adjacent rock displacement forecasting is the prediction of the adjacent rock displacement caused by the following-up construction based on the physical and mechanical parameters of rock mass,parameters of
4、 supporting structure and the displacement data measuring in site.By comparing several displacement forecasting method,this article introduce a intergrated artificial intelligence forecasting method.According to the uniform design theory,this article designed the parameter of the FLAC3D single-track
5、 railway tunnel model.FLAC3D model simulate the actual excavation of the tunnel to generate a large number of displacement data.This article adopt the BP Neural Network,General Regression Neural Network(GRNN) and improved evolutionary support vector machine algorithm to learn these displacement date
6、 in order to establish the nonlinear mapping relationship between the information of tunnel design and construction(the parameter of adjacent rock,the embedded depth of the tunnel,the excavation fashion,the parameters of the supporting structure) and the displacement value of the tunnel section.For
7、any rock and supporting structure parameter,the displacement value can be determined by the established artificial intelligence models.Based on the predictive value of the three artificial intelligence methods,a intergrated artificial intelligence forecasting method has been generated.A set of weigh
8、ts can be given by the Genetic Algorithm;the final displacement forecasting is the weighted average of the three artificial intelligence methods result.By the example of single-track railway tunnel,the feasibility and applying effect of the intergrated artificial intelligence forecasting method are
9、discussed in this article,the results manifests that the intergrated artificial intelligence forecasting method developed in this article provide a convenient and practical analytical tool for tunnel adjacent rock displacement forecasting,and also is an intellectualized informational construction mo
10、nitoring and controlling method.【中文关键词】 单线铁路隧道; 变形预测; BP神经网络; GRNN神网络; 支持向量机; 遗传算法; 综合预测 【英文关键词】 Single-track railway tunnel; displacement forecasting; BP Neural Network; GRNN Neural Network; SVM; Genetic Algorithm; Intergrated Forecasting 【毕业论文目录】毕业论文论文致谢 5-6 中文摘要 6-7 ABSTRACT 7 1 绪论 11-19 1.1 研究背景
11、及意义 11 1.2 国内外研究现状 11-13 1.3 论文研究目标 13 1.4 主要研究内容和方法 13-19 1.4.1 FLAC(3D)计算模型的建立 13 1.4.2 BP神经网络 13-15 1.4.3 广义回归神经元网络(GRNN) 15-16 1.4.4 支持向量机 16-17 1.4.5 基于遗传算法的组合预测模型 17-19 2 数值试验设计 19-31 2.1 统计试验设计概述 19-20 2.2 部分因子试验 20-21 2.2.1 正交试验设计 20-21 2.2.2 均匀试验设计 21 2.3 数值试验影响因素 21-26 2.3.1 影响因素 21-22 2.3
12、.2 因素取值范围 22-23 2.3.3 数值试验方案及其因素取值 23-24 2.3.4 因素水平划分 24-26 2.4 数值试验设计 26-31 3 基于 FLAC(3D)的隧道开挖数值仿真实验 31-45 3.1 岩石力学与工程中的数值仿真概述 31-34 3.1.1 岩石力学数值方法的作用与优势 32-33 3.1.2 当前岩石力学数值方法存在的问题 33 3.1.3 岩石力学数值模拟的发展趋势 33-34 3.2 FLAC(3D)计算程序简介 34-41 3.2.1 FLAC(3D)的基本原理 34-36 3.2.2 FLAC(3D)的计算步骤 36-38 3.2.3 FLAC(
13、3D)中的基本本构模型 38-41 3.3 单线铁路隧道 FLAC(3D)计算模型的建立 41-45 4 人工神经网络理论及其在岩土工程中的应用 45-65 4.1 人工智能在岩土工程领域内的应用概述 45-47 4.1.1 岩土力学传统研究方法存在的问题 45-46 4.1.2 人工智能技术的发展及其优越性 46-47 4.1.3 人工智能在岩土力学领域的广泛应用 47 4.2 人工神经网络简介 47-48 4.3 神经网络的模型及作用 48-52 4.3.1 人工神经元模型 48-50 4.3.2 人工神经网络模型 50-52 4.4 人工神经网络的计算原理 52 4.5 人工神经网络的学
14、习过程 52-53 4.6 人工神经网络的应用 53 4.7 BP神经网络 53-55 4.7.1 BP神经网络的学习过程 54 4.7.2 BP算法的缺陷及改进 54-55 4.8 径向基(RBF)神经网络 55-60 4.8.1 径向基神经网络的结构 55-57 4.8.2 径向基神经网络的常用算法 57-59 4.8.3 广义回归神经元网络 59-60 4.9 基于神经网络方法的隧道开挖变形超前预报 60-65 4.9.1 BP神经网络变形超前预报 60-63 4.9.2 GRNN神经网络变形超前预报 63-65 5 支持向量机算法及其在岩土工程中的应用 65-89 5.1 支持向量机算
15、法 65-76 5.1.1 机器学习的基本问题和方法 65-67 5.1.2 统计学习理论 67-70 5.1.3 支持向量机 70-76 5.1.4 支持向量机算法特点总结 76 5.2 改进的进化支持向量机算法 76-86 5.2.1 遗传算法 77-82 5.2.2 改进的遗传算法 82-84 5.2.3 改进的进化支持向量机算法 84-86 5.3 基于改进的进化支持向量机算法的隧道开挖变形超前预报 86-89 6 基于遗传算法的人工智能综合预测模型 89-97 6.1 综合预测概述 89-90 6.2 基于遗传算法的人工智能综合预测模型 90-97 7 结论与展望 97-99 7.1 结论 97-98 7.2 展望 98-99 参考文献 99-107 作者简历 107-111 学位论文数据集 111
