The artificial neural network as a tool for assessing geotechnical properties

Geotechnical properties are controlled by factors such as mineralogy, fabric and pore water: dynamic properties which can change in response to the environment and human intervention. Their interactions are difficult to establish by statistical methods alone due to their interdependence. Based on the application of an artificial neural network, a methodology has been developed for predicting geotechnical properties utilising their Relative Strength of Effect (RSE) and Potential Relative Strength of Effect (PRSE). The PRSE reveals the trend in the neighbourhood of the focus point and has been found to be less sensitive to any noise existing within the data set. An application is illustrated using sandstone data published by Hawkins and McConnel (1991) whereby the possible influence of petrological characteristics on their geotechnical properties has been assessed.     

A study of slope stability prediction using neural networks

The determination of the non-linear behaviour of multivariate dynamic systems often presents a challenging and demanding problem. Slope stability estimation is an engineering problem that involves several parameters. The impact of these parameters on the stability of slopes is investigated through the use of computational tools called neural networks. A number of networks of threshold logic unit were tested, with adjustable weights. The computational method for the training process was a back-propagation learning algorithm. In this paper, the input data for slope stability estimation consist of values of geotechnical and geometrical input parameters. As an output, the network estimates the factor of safety (FS) that can be modelled as a function approximation problem, or the stability status (S) that can be modelled either as a function approximation problem or as a classification model. The performance of the network is measured and the results are compared to those obtained by means of standard analytical methods. Furthermore, the relative importance of the parameters is studied using the method of the partitioning of weights and compared to the results obtained through the use of Index Information Theory.     

人工神经网络与分析测试技术的研究与发展

回顾了人工神经网络研究的发展历程,简要介绍了神经网络模型与算法,对分析测试技术和相关学科中的人工神经网络研究及在流程控制、错误诊断、参数估计、传感器模型、模式识别与分类、环境监测与治理及光谱与化学分析中的应用等作了评述。引用参考文献１１３篇。     

上海人工半岛地区岩土工程特性

文章介绍了上海人工半岛地区的岩土工程条件,并对其在本工程中的应用作初步探讨。     

深基坑工程变形预报神经网络法的初步研究

提出了深基坑变形预报的人工神经网络法,详细介绍了该方法的建模和应用实例。预报结果与实测值较为吻合,从而表现在深基坑工程中利用该方法进行变形预报是可行的。     

用人工神经网络模型获取采油指数的方法

介绍了油藏工程中一种新的神经计算技术的实现方法——用人工神经网络模型获取开发初期分采时的采油指数;通过实例对该方法中的数据处理、模型确定及精度分析、预测效果进行了详尽地描述,实践表明该方法可对从事油田开发的现场研究人员提供借鉴。     

巷道围岩参数的人工神经网络预测

应用人工智能方法解决地下工程问题,提出了预测巷道围岩参数的人工神经网络预测法,构造了预测围岩参数的神经网络模型。预测结果证明,该模型具有很高的预测精度。提出的方法有一定的实用价值和参考价值。     

黄土路基震陷系数预测的模糊神经网络方法

以郑（州）-西（安）高速铁路为例,采集黄土样品,进行室内土工试验及动三轴震陷实验,以影响震陷系数主要因素为基础,建立了高速铁路黄土路基震陷系数的模糊神经网络模型,通过对样本的训练和预测,表明该模型预测的结果与动三轴试验震陷结果比较接近,是一种比较理想的预测方法。     

基于无监督方法确定岩土参数取值

随着城市工程建设的发展,建筑工程事故问题愈发突出,采用传统方法求取的岩土参数区间无法满足实际工程需要。基于无监督学习思想,选取工程性质较差的泥炭质土,结合工程经验选用8个物理指标作为输入集,利用主成分分析（priciple components analysis, PCA）算法实现多样本多参数去耦合的降维处理,得出各物理指标相关性及敏感度,结合其相关性及敏感度赋予不同埋深泥炭质土物理指标的综合评价值。利用k-means聚类分析泥炭质土物理指标、综合评价值及工程特性之间的关系,为岩土参数选取提供理论基础。采用监督学习方法——BP神经网络算法分析无监督结果,验证（PCA—k-means）算法模型的合理性。将通过聚类分析得到的正态样本利用多种截尾法优化,得到可靠取值区间,并将取值结果与实际工程取值比较,验证了该模型工程参数取值的合理性。该算法模型具有较好的工程应用价值,所得研究结果可为工程勘察、设计、施工参数取值提供参考,也能为岩土参数取值分析提供新的分析方法。     

ANN技术在岩溶地下水可开采量评价中的应用——以山西晋祠泉域为例

以晋祠泉域为例,分析该泉域水文地质特征。应用神经网络技术(ANN)建立泉域内县代表性的难老泉岩溶地下水位与各种补排项之间定量数学模型,对该泉域地下水可开采量进行了评价。研究结果表明,所建立的岩溶地下水位多因素神经网络模型具有较好的拟合精度,仿真程度较高,所得到的地下水可采资源量评价结果与该地区地下水开发利用实际情况较为一致。同时,还计算了不同降雨条件下地下水的可开采量,使其对地下水的开采规划更具有指导意义。     

人工神经网络在爆破块度预测中的应用研究

利用人工神经网络模型对爆破块度进行预测,实验结果表明,该方法是完全可行的。通过对实验样本数据进行归一化处理后再对人工神经网络模型进行训练和预测,其预测精度会得到大大提高。     

用神经网络模型预测济宁市地下水水位变化规律

本文通过应用人工神经网络模型中的ＢＰ网络模型,对济宁市地下水水位变化规律了预测,并与线顺归模型的计算结果进行比较,证明ＢＰ网络模型的精度较高。     

人工神经网络在灌浆加固工程中的应用

提出灌浆加固工程中预测单位深度吸浆量的人工神经网络模型,详细介绍了该模型的建模过程,北结合工程实例,验证预测结果和实际数据有较好吻合性,同时表明在复杂地质条件下,灌浆加固工程中利用这一模型进行单位深度吸浆量预测是有效的。     

基于人工神经网络的岩性识别方法

从神经网络的机理、特点出发,探讨了采用神经网络技术进行测井岩性识别的可行性及优越性,并以十红滩地区的找矿目的层为对象,进行了岩性分析与对比,为该方法的进一步应用开拓了前景。     

基于神经网络的沉陷区水深遥感研究

为获取煤矿积水沉陷区遥感影像数据与沉陷区水深的定量关系,建立了BP神经网络水深反演模型,并对淮南潘一矿积水沉陷区水深进行了反演。首先对Landsat卫星影像数据(TM影像)进行几何校正、大气校正和沉陷区范围提取等,然后输出像元反射率值,并与水深实测控制点坐标匹配,使水深值与反射率值对应。实验结果表明:以水深值2 m为阈值,水深值小于2 m的区域,模型反演水深值与实测水深值的平均绝对误差为0.166 3 m,平均相对误差为13.29%;水深值为2~6 m的区域,模型反演水深值与实测水深值平均绝对误差为0.578 6 m,平均相对误差为15.20%。     

PSO-RBFNN模型及其在岩土工程非线性时间序列预测中的应用

岩土工程受力变形演化是一个典型的非线性问题,其演化的高度非线性和复杂性,很难用简单的力学、数学模型描述,但可用粒子群优化径向基神经网络对岩土工程应力、位移非线性时间序列进行动态实时预测。网络径向基层的单元数通过均值聚类法确定后,所有其它参数：中心位置、形状参数、网络权值,均通过粒子群优化算法在全局空间优化确定。工程实例应用表明,该模型预测结果准确、精度高,有良好的应用前景。     

人工神经网络在水文资料插补延长中的应用

水文资料的插补延长一直是水文计算中的一个难题.本文针对水文资料的插补和水文资料的延长问题进行系统的研究.插补水文资料时,采用人工神经网络双向时间序列插补模型,打破了传统的单向时间序列识别模式,应用缺测时段前后已知时段水文资料,插补出缺测水文资料;展延长系列水文资料则应用人工神经网络参证站模型,并应用流量较大年份的径流资料预测未知年份的径流资料,来进一步提高预测精度,并结合紫坪铺流量资料插补延长实例,检验模型的可行性.结果表明该模型对水文资料的插补或对未知年份的径流量都能够进行较好的预测.     

地下水动态并行预测方法

本文首次提出了地下水动态并行预测的概念，采用人工神经网络技术使并行预测得以实现，两个算例演示结果表明，人工神经网络不但实现了并行预测而且还比传统的不确定性主人有较高的预测精度。     

Artificial Neural Networks and Grey Systems for the Prediction of Slope Stability

The interactions between factors that affect slope instability are complex, multi-factorial, and often difficult to describe mathematically, imposing a challenge for prediction using traditional methods. The power of the ANN and Grey Systems approaches lies in employing the behaviour of the system rather than knowledge of explicit relations. Published data has been used to illustrate the application of these techniques to predicting the state of slope stability. This has been developed into a tool for analysing and predicting future ground movement based on geotechnical properties and historical behaviour.     

基于粗糙集和人工神经网络的洞室岩体质量评价

针对洞室岩体质量问题,从洞室工程的角度选取能够反映岩体综合工程特性的6个参数,用可拓评判和专家审定的方法构建了决策样本集;再利用粗糙集理论对原始决策样本集进行约简操作,并分析各指标对决策的相对重要性;最后将约简结果生成的规则作为人工神经网络的输入,建立了洞室岩体质量评价模型。通过工程实例分析对比,该模型有效地简化神经网络的网络结构,减少网络的训练步数,提高网络的学习效率,能够较准确地反映洞室岩体的工程特性。