三峡永久船闸中隔墩岩体变形分析

针对三峡永久船闸中隔墩变形监测资料所反映出的几种典型变形规律,采用有限元数值分析和工程地质条件分析等研究手段进行了深入细致的分析得出以下结论：中隔墩岩体水平位移值的波动是由于临槽的不同步开挖引起的;第二闸室至第三闸室首的中隔墩向北“一边倒”是因为南北闸室地应力的差异和结构面的存在;中隔墩沿深度方向水平位移数值发生突变的原因是结构面的存在。并为研究岩土工程变形监测资料中的“个性问题”（或称异常情况）提供了一种有益的借鉴。     

三峡永久船闸变形监控指标的研究

本文采用变形速率法,对三峡永久船闸变监控指标进行探索。通过比较手施工反馈的结果,证明了加固的效果,说明了三峡永久船闸体整体是稳定的。     

三峡永久船闸中隔墩岩体变形趋势预测

本文在监测数据的基础上，采用时间序列和灰色系统方法，对长江三峡工程永久船闸二闸室至三闸首部分的中隔墩岩体变形规律及其发展趋势进行了预测研究。结果表明，垂直于闸室轴线的水平位移在开挖完成后基本处于稳定状态，平行于闸室轴线的水平位移总体向下游发展，而垂直方向的位移表现为先回弹、后发生沉降。     

三峡永久船闸高边坡变形预测人工神经网络分析

提出并建立了三峡工程永久船闸高边坡变形预测的人工神经网络分析方法,基于永久船闸高边坡岩体变形监测资料,动态构筑了高边坡变形预测知识库,提出了船闸高边坡岩体变形预测分析模型,并得到了永久船闸岩体高边坡变形量、变形收敛速度与收敛时间等结果。     

参数反演在岩质高边坡变形与稳定分析中的应用

由于边坡岩体本身的非均质性和赋存环境的复杂性,以及边坡岩体的力学特性参数及赋存环境总是处在动态的演化过程之中,因此,决定参数取值是数值计算中的一个难点,它直接关系到计算成果的准确性与可靠性。在材料参数反演分析的基础上,对三峡永久船闸边坡的开挖效应进行了分析,并进一步分析了三峡船闸的应力变形状态,旨在对船闸运行期的变形稳定分析提供依据。     

关于三峡永久船闸高边坡快速施工地质超前预报的几个问题

文中就三峡永久船闸高边坡快速施工地质超前预报的几个问题进行了讨论。分别研究了三峡永久船闸高边坡施工地质超前预报的必要性，提出了超前预报技术思路，最后就高边坡岩体反分析及反馈设计问题、施工地质超前预报问题以及与监测相适应的超前处理及防护进行了分析。     

三峡工程永久船闸中隔墩岩体稳定性研究

运用离散单元法(DEM)与有限单元法(FEM)等数值模拟方法,全面地对长江三峡工程永久船闸二闸室至三闸首部分的中隔墩岩体分别在施工期和运行期的应力分布、变形规律进行了模拟研究.综合分析结果表明:垂直于闸室轴线的水平位移在开挖完成后基本处于稳定状态,而在运行期有所减少;平行于闸室轴线的水平位移总体向下游发展;而垂直方向的位移先表现为回弹,后发生沉降.在中隔墩中上部位出现拉应力区,拉应力值一般小于0.6 MPa.     

三峡船闸高边坡施工的技术难题及解决途径

三峡永久船闸是长江三峡水利枢纽工程三大主体工程之一，保证船闸高边坡施工和运行期间的稳定，为该工程的重大技术问题，对此，提出了一系列开挖施工方案及加固处理措施，并运用实践中。     

脆性岩石全应力-应变过程渗流特性试验研究

为了探讨岩石在整个变形过程中渗透性变化特点,取三峡永久船闸高边坡花岗岩与山西万家寨水电站高边坡灰岩试样分别进行不同围压条件下全应力-应变过程渗流试验。试验结果表明：岩石在破坏前后不同变形阶段渗流特性具有明显不同;岩石变形过程渗透性与变形破坏形式密切相关。在试验基础上进一步探讨了岩石全应力-应变过程渗流特点之机理,为研究水电工程节理裂隙岩体应力场与渗流场耦合问题提供有价值的支持。     

三峡工程永久船闸高强锚杆现场试验研究

介绍了三峡永久船闸高强锚杆现场试验研究（包括锚杆与混凝土联合工作状态及岩体锚固时砂浆柱破坏情况），全面分析锚杆、混凝土朦胧主砂浆应力特征，同时研究了锚杆和混凝土的变形，揭示了锚杆与混凝土联合工作规律和砂浆在循环菏载下破坏情况，试验结果对锚杆设计计算有一定的指导意义。     

考虑环境变量作用的滑坡变形动态灰色-进化神经网络预测研究

滑坡变形预测对于指导灾害的预防工作、保护人民的生命和财产安全具有重大实用价值。从系统论观点出发,结合岩土体流变理论和时序分析原理,在深入研究影响滑坡变形的主控环境变量基础上,将位移时序分解为趋势项和偏离项。采用灰色系统模型提取位移时序趋势项,结合遗传算法和人工神经网络建立起进化神经网络模型,逼近主控环境变量与位移偏离项之间的非线性关系。根据蠕变阶段和变形对环境变量响应情况,实时调整模型,建立起滑坡变形预测的动态灰色-进化神经网络（GM-ENN）模型。将此预测思路和方法应用于三峡库区某滑坡变形预测研究中,证实了模型的有效性和实用性,显示了动态预测的重要性。     

地铁深基坑支护的遗传神经网络位移反分析

针对目前已有的各种位移反分析方法存在的缺陷,利用神经网络具有的非线性映射能力和遗传算法具有的全局随机搜索能力,提出了一种基于遗传神经网络进行深基坑支护的位移反分析方法。该方法改变了BP算法依赖梯度信息的指导来调整网络权值的方法,而是利用遗传算法全局性搜索的特点,寻找最合适的网络连接权和网络结构等来达到优化的目的。结合地铁深基坑支护位移计算,应用该方法对某一地铁深基坑土体的力学参数进行了反演。结果表明：将位移观测值作为网络输入数据,土体力学参数作为输出数据,在较大的解空间内,该位移反分析方法收敛速度快、解的稳定性好、反演结果精度高,是一种理想的位移反分析方法。最后,采用该软件结合一个工程实例实现了应用遗传神经网络进行的基坑支护位移反分析。     

基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。     

岩石本构模型智能辨识方法研究

岩石本构模型是研究岩石力学特征和变形机制的基础,而本构模型或模型中相关参数的识别是本构模型研究中的热点和难点问题。本文基于红板岩室内力学实验数据,分别利用遗传算法、BP神经网络以及遗传规划对红板岩本构模型进行了模式识别,结果表明,遗传算法进行参数识别需要事先假定流变模型的形式,误差较大,而BP神经网络和遗传规划可以一次性同时确定流变模型的结构形式及参数,有效避免模型假定所带来的误差。而遗传规划与BP神经网络相比,具有精度高、收敛快,可视化程度高等特点,为岩石本构参数及模型的智能识别方法的选取提供参考。     

基于遗传神经网络的锚杆极限承载力预测的研究

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的锚杆极限承载力预测的遗传神经网络模型。该模型以低应变动测的5个变量作为输入变量来对锚杆极限承载力进行预测,并与BP神经网络预测结果进行比较。数值算例表明,遗传神经网络在锚杆极限承载力预测中具有较高的计算效率和识别精度。     

基于进化神经网络混凝土大坝变形预测

根据丰满大坝多年变形观测数据,建立了基于进化神经网络混凝土大坝变形预测方法。经典的BP神经网络的缺陷在于收敛速度慢和泛化能力弱等特性。与普通的多元回归方法和传统的BP神经网络相比,采用遗传算法训练的人工神经网络预测模型预报大坝的变形具有精度高和全局收敛的特点。在丰满大坝工程实际应用表明,所建立的基于进化神经网络混凝土大坝变形预报方法与广泛采用的统计方法相比,可以显著提高大坝变形预报精度。     

水化学溶液下灰岩力学特性及神经网络模拟研究

基于水化学溶液浸泡的饱和灰岩三轴压缩试验结果,分析了影响灰岩变形及强度等力学特性的主要因素,认为随溶液酸碱度增加,弹性模量及峰值强度均有降低的趋势;相同pH值,Na2SO4溶液、蒸馏水和CaCl2溶液对灰岩强度的弱化程度依次降低;随着围压的增加,岩石强度逐渐增大,岩石到达峰值强度时的轴向变形也越来越大,塑性变形明显增加。考虑应力路径和化学溶液的影响,利用遗传算法优化神经网络结构,建立了进化神经网络本构模型。通过样本学习模型能较好地描述化学环境下灰岩的力学性能,5种不同化学环境下的力学试验验证了进化神经网络模型模拟结果的可靠性,该方法可以推广到化学环境下其他岩石的力学试验模拟。     

遗传神经网络法在巷道围岩松动圈预测中的应用

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的围岩松动圈预测的神经网络模型。用该模型对巷道围岩松动圈厚度进行了预测并与BP预测结果相比较。结果表明,该遗传神经网络模型可靠,预测精度高,用来对围岩松动圈厚度进行预测是有效的和可行的。     

遗传模拟退火的BP算法在冲击地压中的应用

冲击地压的预测、预报的研究,大多数仍停留在简单的统计研究和单因素的预测方面,因而,结果也不十分理想。笔者采用多层前向网络对该问题进行数学建模,网络的训练算法采用基于遗传模拟退火的BP优化算法。该算法是在遗传算法中引入模拟退火机制,将其同BP算法结合,形成一个混合的优化算法。新算法既有神经网络的学习能力和鲁棒性,又有遗传算法的强全局随机搜索能力。同时,利用华丰矿冲击地压的实际监测数据,通过遗传算法的主要性能指标对新算法的参数进行了比较研究,得到优化后的一组参数。利用该参数,对冲击地压的神经网络模型的结构、权值和阈值进行了优化,得到了非全连接的优化神经网络模型。最后,利用该模型对华丰矿冲击地压进行了短期最大震级的预报。预测结果的相对误差率平均为 7.84 %,预测效果比较理想。     

基于ABC-GRNN组合模型的露天矿边坡变形预测

准确预测露天矿边坡变形是有效实现边坡临灾预警的重要保证,针对传统边坡变形预测方法无法表征和综合分析边坡变形受多种因素的影响,提出一种露天矿边坡变形的人工蜂群(ABC)算法优化广义回归网络(GRNN)组合预测模型(ABC-GRNN)。在此预测模型中,综合考虑了影响露天矿边坡变形的5个因素：开采扰动、降雨量、降雨持续时间、温度以及湿度。以山西中煤平朔安家岭露天矿为例,通过遗传算法改进BP神经网络(GA-BPNN)、支持向量机(SVM)等人工智能算法与实测变形数据进行预测效果对比分析。结果表明：ABC算法能够快速帮助GRNN寻优获取合适的传递参数,并对变形进行有效的预测。ABC-GRNN组合预测模型,将预测结果的平均绝对误差292.9 mm、平均绝对百分比误差0.691 3%及均方根误差338.9 mm分别降低到25 mm、0.043 3%和29.5 mm,说明该模型具有更高的预测精度;ABC-GRNN模型比其他模型收敛速度快,只经过7步的迭代,即可得到最小的均方误差。与其他预测模型相比较,本文模型的预测精度更高、泛化能力更强、收敛速度更快,有较高的实用价值。