| 【中文题名】 | 基于智能算法的深基坑监测信息预测研究 |
| 【英文题名】 | Study on the Prediction of Monitoring Information for Deep Foundation Pit Based on Intelligent Algorithm |
| 【学科专业】 | 地质工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-7-17 |
| 【中关键词】 | 深基坑,神经网络,遗传算法,模拟退火法,混沌优化,预测 |
| 【英关键词】 | Deep foundation pit,Neural networks,Genetic algorithm,Simulated annealing algorithm,Chaos optimization,Prediction, |
| 【分类导航】 | 工业技术>建筑科学>建筑施工>各项工程与工种>基础工程> |
| 【论文摘要】 | 深基坑工程具有造价高、施工难度高、不稳定因素众多等特点,因此监测系统的优劣性对于掌握深基坑稳定性状况具有重要影响。但深基坑是支护体系与周边土体相互结合的多种介质组合的高度复杂的空间系统,其变形和安全性受地质条件、岩土体性质、场地环境、气候变化、地下水动态等因素影响。常规统计方法难以利用监测信息建模预测,BP神经网络具有较好的非线性拟合能力,使其在复杂非线性系统的分析和预测中得到了广泛应用。但BP网络也具有明显缺陷,本文采用遗传算法、模拟退火发以及变尺度混沌优化算法来优化BP网络,形成一系列智能算法。针对基坑监测信息建立非线性“隐式”模型,来预测基坑稳定性发展趋势。工程实例为采用排桩冻结法施工工艺的江苏润扬长江公路大桥南锚锭深基坑工程。
在详细研究BP神经网络、遗传算法、模拟退火法以及变尺度混沌优化算法等智能算法的基本原理的基础上,基于MATLAB7.0编制了相应程序;研究BP网络的整体性能因素,针对BP网络隐层节点数难以确定的问题,提出“自动搜索法”,基于MATLB7.0进行了程序设计;研究了神经网络与遗传算法、模拟退火法和混沌优化算法的结合,形成一系列智能算法,并基于MATLAB7.0编制了程序... |
| 【论文题纲】 |
|
第一章 绪论 |
9-22 |
|
1.1 选题依据及研究意义 |
9 |
|
1.2 基坑工程信息化施工与基坑监测 |
9-12 |
|
1.2.1 基坑工程信息化施工及研究进展 |
9-10 |
|
1.2.2 基坑工程监测及研究进展 |
10-12 |
|
1.3 智能算法在地质工程中的应用 |
12-18 |
|
1.3.1 神经网络在地质工程中的应用 |
13-15 |
|
1.3.2 遗传算法在地质工程中的应用 |
15-16 |
|
1.3.3 模拟退火法在地质工程中的应用 |
16-17 |
|
1.3.4 混沌理论在地质工程中的应用 |
17-18 |
|
1.4 现代科学计算软件 MATLAB |
18-20 |
|
1.5 本文研究思路及技术路线 |
20-22 |
|
1.5.1 研究思路 |
20 |
|
1.5.2 本文主要研究内容 |
20-22 |
|
第二章 智能算法原理 |
22-46 |
|
2.1 优化算法综述 |
22-23 |
|
2.1.1 函数优化问题 |
22-23 |
|
2.1.2 组合优化问题 |
23 |
|
2.2 优化算法分类 |
23-24 |
|
2.3 遗传算法(GA) |
24-29 |
|
2.3.1 遗传算法的基本概念 |
24-25 |
|
2.3.2 遗传算法的原理与基本步骤 |
25-26 |
|
2.3.3 遗传算法的运行参数 |
26-27 |
|
2.3.4 遗传算法的应用 |
27-28 |
|
2.3.5 遗传算法的MATLAB实现 |
28-29 |
|
2.4 模拟退火法(SA) |
29-33 |
|
2.4.1 模拟退火算法 |
29-31 |
|
2.4.2 模拟退火算法关键参数和操作的设定 |
31-33 |
|
2.4.3 模拟退火法的MATLAB实现 |
33 |
|
2.5 混沌优化算法(COA) |
33-38 |
|
2.5.1 混沌的起源 |
33-34 |
|
2.5.2 混沌的独特性质 |
34 |
|
2.5.3 混沌优化算法原理 |
34-35 |
|
2.5.4 变尺度混沌优化算法 |
35-37 |
|
2.5.5 参数探讨 |
37-38 |
|
2.6 人工神经网络(ANN) |
38-46 |
|
2.6.1 神经网络概念 |
38-39 |
|
2.6.2 BP神经网络 |
39-43 |
|
2.6.3 BP网络的 MATLAB实现 |
43-46 |
|
第三章 基于基坑监测信息的智能预测方法 |
46-56 |
|
3.1 BP神经网络的性能因素 |
46-49 |
|
3.1.1 原始数据预处理 |
46-47 |
|
3.1.2 初始权值W与阈值B |
47 |
|
3.1.3 BP网络结构 |
47-48 |
|
3.1.4 BP网络推广能力的提高 |
48-49 |
|
3.1.5 基于智能算法的BP网络改进 |
49 |
|
3.2 遗传神经网络(GANN)预测模型 |
49-52 |
|
3.2.1 利用遗传算法设计神经网络的权值W和阈值B方案 |
50 |
|
3.2.2 基于遗传算法的神经网络权值及阈值优化算法 |
50-51 |
|
3.2.3 遗传神经网络的MATLAB实现 |
51-52 |
|
3.3 模拟退火神经网络(SANN)预测模型 |
52-53 |
|
3.3.1 基于模拟退火算法的前馈神经网络 |
52 |
|
3.3.2 模拟退火神经网络的MATLAB程序实现 |
52-53 |
|
3.4 变尺度混沌神经网络(MSCNN)预测模型 |
53-56 |
|
3.4.1 混沌在神经网络中的应用 |
53-54 |
|
3.4.2 变尺度混沌优化方法确定BP网络初值 |
54-55 |
|
3.4.3 变尺度混沌神经网络的MATLAB实现 |
55-56 |
|
第四章 润扬大桥南锚啶深基坑监测信息智能预侧 |
56-85 |
|
4.1 润扬大桥南锚旋深基坑工程概况 |
56-62 |
|
4.1.1 工程概况 |
56-61 |
|
4.1.2 工程地质及水文地质条件 |
61-62 |
|
4.2 润扬大桥南锚旋基坑监测及资料分析 |
62-71 |
|
4.2.1 南锚啶基坑监测 |
62-63 |
|
4.2.2 监测资料分析 |
63-71 |
|
4.3 基于智能算法的深基坑变形预测 |
71-83 |
|
4.3.1 基坑变形预测问题的神经网络建模 |
71-73 |
|
4.3.2 基于遗传算法的BP神经网络(GABP)预测 |
73-78 |
|
4.3.3 基于模拟退火法的BP神经网络(SABP)预测 |
78-81 |
|
4.3.4 基于变尺度混沌优化的BP神经网络(MSCBP)预测 |
81-83 |
|
4.4 预测成果分析 |
83-85 |
|
第五章 结论与展望 |
85-87 |
|
5.1 主要结论 |
85-86 |
|
5.2 研究中存在的问题及展望 |
86-87 |
|
参考文献 |
87-93 |
|
致谢 |
93 |
|
| 【DOI】 | LunWen.ID:2.2008.125967 |
