基于?－SVR和GA的初始地应力场位移反分析方法研究

基于一种改进的支持向量机（?－SVR）和改进的遗传算法（GA）,提出一种初始地应力场位移反分析方法。该方法通过正交设计方法安排较少次数的正分析方案,用?－SVR对正分析中测点位移值与参数构成的样本集进行学习,建立参数取值与观测点测值的非线性隐式方程;采用确定性或随机反分析的思路确定反分析的优化目标函数,并利用GA搜索最优参数取值。采用?－SVR方法建立的参数取值与位移量测点测值的非线性隐式方程,能够以很高的精度拟合和预测不同参数取值时的观测点测值,因此,可以用该隐式方程代替正分析,减少计算量;采用改进的GA方法能够准确搜索到最优参数;搜索到的最优参数值与理论值相当吻合。算例表明,基于?－SVR和GA的初始地应力场位移反分析方法是一种行之有效的初始地应力场位移反分析方法,可以广泛用于初始地应力场确定性反分析和随机反分析。     

考虑时效的高填石路堤工后沉降有限元及反馈分析研究

把填石体作为粘弹性介质,提出采用三参数本构模型来描述填石体的蠕变特性,在此基础上引入遗传算法与有限元分析,建立了填石体三参数本构模型参数确定的优化反演方法,结合某高填石路堤得实测工后沉降数据进行参数反演,并利用反演参数对类似断面进行工后沉降分析,结果表明,本文建立的填石路堤工后沉降计算方法能准确的预测工后沉降,参数便于求取,为寻求合理的路面铺筑时间和制定施工控制条件提供依据。     

神经网络BP算法在GPS高程转换中粗差探测的尝试

引入神经网络的BP算法中稳定、收敛速度快的Levenberg—Marquardt算法,进行GPS高程转换中的粗差探测,提出了LM粗差探测法。通过实验做出分析比较,得出了实用可行的计算方法。     

天然岩体渗透系数反演研究

天然岩体存在很多裂隙,而水在这些裂隙中的渗流严重影响岩石工程的稳定性,因此确定天然岩体渗透系数具有重大的实际意义。反演方法是确定岩体渗透系数的一种较理想的方法,渗透系数反演可归结为一个复杂的非线性函数优化问题。由于采用传统优化技术存在不少问题,而目前采用的全局优化算法—遗传算法也存在本质的问题,因此,提出仿生算法-免疫进化规划进行岩体渗透系数反演,并用一个大坝坝基工程的算例证明了算法的有效性。结果表明,其方法可以在仅知道水头的条件下,得到接近实际的渗透系数值。     

基于参数反演的边坡地下水渗流数值模拟

渗流是影响岩土工程边坡稳定性的重要因素,对不同工况下岩土体边坡地下水渗流规律进行数值模拟,弄清其动态变化规律,对于边坡稳定性分析、支护设计、工程防排水措施的制定等都有重要的意义。以龙滩水电站左岸进水口边坡为研究对象,通过免疫进化规划算法,得到了边坡岩体渗流场参数。在此基础上,对洪水期、枯水期情况下地下水渗流状态进行了数值模拟,通过对比分析,研究了不同河床水位情况下地下水渗流变化规律,从而为边坡稳定性预测奠定了理论基础。     

RBFNN模型在渗透系数反演中的应用

针对经典的BP网络存在的一些缺陷,采用了径向基函数神经网络（RBFNN）。在相同的收敛条件下,用RBFNN和经典算法的BP网络进行了比较,表明前者具有优越性。在工程实例中,基于人工神经网络的非线性特点,在三维渗流有限元的基础上,利用RBFNN反演了大坝的渗透系数。并利用反演结果进行渗流场分析,水头预报值也有很高的精度,说明反演结果是正确的,从而,验证了RBFNN应用于反演分析中的可靠性。     

超深基坑信息化施工实例分析

结合某工程实例,针对复杂地质条件下圆形超深基坑的特点,建立了一套信息化施工监测体系,并将其运用到工程实践。选择了合理的计算模型,运用数值反分析手段着重就圆形围护结构的变形和承压水的信息化监测进行了分析,并且根据实际情况进行了改进,取得了良好效果,实践表明,这种信息化施工监测体系是可行的。     

基于遗传算法的软土地基沉降预测

基于自然进化原理的遗传算法是一种解决岩土工程复杂非线性问题十分有前景的方法。对遗传算法中一些具有代表性的算法作了简要分析和评论。软土地基沉降受众多因素的影响,在时序上表现出复杂的非线性特征。针对一个加固纠偏工程的沉降预测问题,运用MATLAB编写遗传算法程序进行了预测分析。计算结果与实测资料基本一致,它在全局优化、非线性优化、多参数优化等方面表现出了传统算法无法比拟的优势。     

激光扫描实时获取水下图象信息的方法与系统

报道一种实时大视角、全景深获取水下图象的新方法。该方法试图解决在无人摇控潜器(ROV)和自治式潜器 (UUV)走航式获取水下清晰图象时 ,遇到的激光在水下传输过程中后向散射噪声问题 ,建立了一种具有宽视角、全景深性能的水下激光扫描系统。用这种方法和系统在空气中和水中做了大量的实验 ,并讨论了这种方法和系统的应用前景。     

基于动量自适应BP神经网络的鸢乌贼模式识别

近年来, 计算机模式识别技术因其识别结果准确、快速, 而不断被用于生物判别邻域。本文利用MATLAB软件实现动量自适应BP神经网络(back propagation neural networks)对西北印度洋、中东太平洋和南海3个海区的鸢乌贼角质颚及其胴长进行模式识别。研究结果显示, 训练成型的神经网络收敛误差仅为4.416×10^-2, 加入动量和自适应学习率的BP神经网络对鸢乌贼地理种群的识别率有显著提高。3个海区的正确识别率分别为100%、88.89%和94.12%, 总成功率为 93.24%, 说明角质颚外部形态和胴长可用于鸢乌贼地理种群的区分。而BP神经网络的其他学习算法, 如梯度下降法、单一动量法和单一自适应法的总识别率分为74.32%, 77.03%和87.84%。本研究的识别效果稳定, 对于大样本训练集的识别率也高达92.77%, 为头足类的种群判别提供了新的方法和思路。