基于BP神经网络的隧道围岩参数反演分析

以张家口市东太平山隧道工程项目为背景,基于MIDAS软件建立有限元模型,利用退火算法优化GA-BP神经网络,设计正交试验并构建GASA-BP神经网络,通过隧道拱顶沉降、水平收敛和仰拱隆起3个参数的模拟值对围岩的弹性模量、黏聚力、内摩擦角进行反演分析。结果表明:使用GASA-BP神经网络反演所得到隧道拱顶沉降、水平收敛和仰拱隆起的模拟值,与实测值的最大相差分别为6.60%、19.80%、2.16%;与BP神经网络相比,GASA-BP神经网络整体反演精度更高,反演所得围岩参数精度处于合理区间,在此参数下建立的有限元模型可以对工程实际进行较好地模拟。

基于BP神经网络的隧道下穿既有运营地铁线注浆施工参数预测——以广州地铁18号线隧道注浆工程为例

新建隧道下穿既有运营地铁线施工过程中极易对既有运营地铁线产生不利影响,而广泛采用的超前预注浆尚处于以经验性选取注浆施工参数的阶段,导致工程事故频发。为此,首先以开挖段地层物性参数、地层位移变化值作为输入层,注浆施工参数为输出层,构建了基于BP(back propagation)神经网络的注浆施工参数预测模型;其次,以MAPE(mean absolute percentage error)作为预测精度评价指标,采取试算法对BP神经模型参数(隐含层节点数目、学习率)进行了探讨;最后,将提出的BP神经网络用于指导工程实践。研究结果表明:当BP神经网络预测模型隐含层节点数为9、学习率为0.01、训练次数为20 000以及精度目标值为1×10^(-4)时,模型适用性评价显示预测值与监测值之间最大相对误差为19,平均相对误差均低于13,说明提出的BP神经网络预测模型可行;进一步的工程应用结果表明:采用预测的注浆施工参数进行注浆后掌子面稳定、开挖过程中未发生隧道塌方等事故,满足相关规范要求。研究成果也可在隧道下穿其他结构或建筑物灾害防控注浆工程中得到推广应用。

基于SGD算法优化的BP神经网络围岩参数反演模型研究

为充分利用现场监测数据所反馈的围岩变形信息,对岩体力学参数进行反演,以贵州省剑河至黎平高速公路TJ-1标段牛练塘隧道为工程背景,选择围岩弹性模量、黏聚力、泊松比及内摩擦角为影响因素,通过设计正交试验及有限元模拟,获取25组围岩物理力学参数组合及其对应的拱顶沉降值和拱腰收敛模拟值。基于随机梯度下降算法(stochastic gradient descent algorithm,简称SGD算法)对传统BP神经网络模型进行改进,建立以拱顶沉降值和拱腰收敛值为输入参数,以围岩弹性模量、黏聚力、泊松比及内摩擦角为输出值的基于SGD算法优化的BP神经网络模型,实现围岩参数的反演分析。将反演所得的围岩参数代入有限元模型,验证优化BP神经网络模型的可行性和准确性。最后,分析围岩变形及初期支护受力特性并给出施工建议。结果表明:1)基于SGD算法优化的BP神经网络模型计算得出的拱顶沉降值、拱腰收敛值、拱肩收敛值与现场实测值的相对误差率在2.50%~24.01%,均低于传统BP神经网络模型计算得出的误差率(11.51%~93.71%),验证优化BP神经网络模型的可行性和优越性;2)上、下台阶拱脚处的喷层和锚杆有应力集中现象,有破坏风险,建议施工中加强拱脚支护,防止发生工程事故。

基于BP神经网络的隧道参数反演模型研究

随着我国基础建设的不断推进,越来越多隧道不可避免的修建在地质地貌复杂的地区,隧道施工安全与岩体参数确定变得更加重要。本文运用LM算法改进的BP神经网络与数值模拟技术相结合的方法构建智能隧道围岩参数反演模型,并结合工程实例对其可靠性进行检验,以期为类似隧道物理力学参数预测提供参考。

BP神经网络在隧道围岩力学参数反演中的应用

以谷城至竹溪高速公路珠藏洞隧道施工监测为工程依托,根据现场变形监测数据的指数函数回归方程,对最终变形量进行了预测,并基于其预测值,借助BP神经网络的超强非线性映射能力,对隧道围岩力学参数(变形模量E、黏聚力C、内摩擦角φ)进行反演,以及时掌握开挖围岩类型和材料特性参数,为隧道工程施工和设计提供参数依据,从而达到安全施工和优化设计的目的,以实现隧道的信息化施工与设计。

基于神经网络的堆石料本构模型参数反演

为准确估计堆石料力学本构模型参数,根据堆石料三轴压缩实验观测数据,提出一种基于神经网络的堆石料非线性本构模型参数反演方法。通过对三轴压缩实验轴向和径向应变的分段线性化处理,建立求解垂直荷载与应变之间关系的解析表达式。应用神经网络法对堆石料的力学模型参数进行反演,建立三轴压缩实验轴向和径向应变与模型参数之间的非线性映射关系,并据此进行堆石料模型参数估计。为验证反演方法的有效性,采用施工现场的堆石料进行三轴压缩实验,结果表明,与基于梯度优化搜索的参数估计方法相比,该方法具有更高的预测精度,最大相对误差降低了17.8%。

基于多级神经网络的盾构法隧道施工参数控制

将盾构推进的过程划分成7个阶段,每个阶段用一个神经网络进行模拟,在此基础上构造成多级神经网络,拟合盾构法隧道施工中施工参数与地面沉降之间关系的数学模型。最后根据保证质量,兼顾效益和效率的目标,采用遗传算法进行施工参数的优化匹配,提出相应的控制方案。该方法在多项工程项目中使用,结果表明,此方法对工程实际施工有指导作用。

基于径向基函数神经网络模型对非饱和土参数的反演

通过建立考虑水气两相非饱和渗流的正演有限元模型,以归一化的数值模拟结果的出水时间为输入目标,以归一化的不同水平参数组合为输出目标,同时以归一化的模型试验结果为测试输入变量,利用径向基函数神经网络模型对不同压实系数下红层填料非饱和土参数进行了反演;并且利用反演的参数对不同压实下相对应初始饱和度数值模拟水渗出时间与实际水渗出时间进行了比较,证明了采用径向基函数神经网络模型对非饱和参数反演的可行性.

基于多级神经网络的盾构法隧道施工参数优化

在盾构法隧道施工中,合理地设置施工参数、确保地面沉降控制在一定的范围之内是实际施工中最为关注的问题。本文将盾构推进的过程划分成七个阶段,每个阶段用一个神经网络进行模拟,在此基础上构造成多级神经网络,拟合盾构法隧道施工中施工参数与地面沉降之间关系的数学模型。最后根据保证质量、兼顾效益和效率的目标,采用遗传算法进行施工参数的优化匹配,并提出了相应的控制方案。该方法已在多项工程项目中得到使用。结果表明,此方法对工程实际施工有很好的指导作用。

水中悬浮隧道施工风险分析的BP神经网络模型

基于BP神经网络理论模型,对水中悬浮隧道施工中各项风险指标进行辨识、量化和评价,进而对其施工总体风险进行分析,得到施工风险的量化参考指标,为水中悬浮隧道施工风险管理提供有效的风险分析工具。

基于BP神经网络的阿拉套山隧道围岩物理力学参数反演分析

为研究高寒地区设置中心深埋水沟单线铁路隧道的围岩力学参数问题,以兰新铁路新建博州支线阿拉套山隧道为工程背景,基于FLAC3D数值模拟软件联合MATLAB中的神经网络工具箱构建BP神经网络算法,建立隧道开挖位移正演和反演模型,对围岩物理力学参数作反演分析。通过对中心水沟开挖前的拱顶和拱腰监测数据做拟合分析,发现隧道变形已趋于稳定,反演过程不需考虑中心水沟开挖对围岩的二次扰动。以水沟开挖前的拱顶沉降值和拱腰收敛值作为输入函数,以围岩的体积弹性模量K、剪切弹性模量G、黏聚力c、内摩擦角φ、重度γ作为输出函数训练神经网络模型,利用训练好的模型进行所需参数的反演分析。将反演参数代入FLAC3D正演模型计算后,提取中心水沟开挖前的拱顶沉降值和拱腰收敛值,与中心深埋水沟开挖前的实际监控量测值相比较为接近。结果证明,围岩物理力学参数的反演较为合理,对于变形的预测较为准确,可为隧道后期工程的施工和优化设计提供参考。

基于神经网络方法的极化雷达地表参数反演

人工神经网络（Artificial Neural Network）是一个由独立处理单元以一定拓扑结构高度连接而成的并行分布式信息处理结构,适于解决各种非线性问题。积分方程（Integrated Equation Model）单散射模型可模拟各种地表参数条件下裸露地表后向散射系数。以IEM为基础生成训练数据,用L波段和C波段SIR-C HH,VV极化单散射后向散射系数数据为神经网络输入,通过后向反馈（BP）神经网络模型可同时反演得到裸露地表条件下地表介电常数、地表相关长度和均方根高度等地表参数。

基于BP神经网络的李家峡拱坝材料参数反演

利用神经网络模型对大坝材料参数进行反演 ,可避免建模因子的选择不当而造成的误差 ,精度较高。本文利用有限元模型建立神经网络的训练样本 ,采用BP神经网络模型对李家峡拱坝进行了坝体和坝基材料参数反演 ,最后以反演后的材料进行正向计算得到大坝的变形 ,并与实测变形对比 ,结果令人满意。

基于BP神经网络的近接施工对地铁结构影响反演分析

为研究地下工程数值模拟中土体力学参数取值问题,同时探讨顶管近接施工对地铁结构的影响,依托西安市某顶管施工上跨地铁隧道工程,结合局部施工段的监测数据,利用设计和构建好的BP神经网络反演计算土体物理力学参数,并输入到由MIDAS-GTS NX有限元软件构建的模型中,进行正演数值计算,得到顶管施工近接地铁隧道的全工况最终变形预测值。工程结束后得到隧道结构监控量测的变形实测值,并提取数值模拟中对应断面拱顶沉降和拱腰收敛的预测值,通过误差比对验证有限元分析的准确性和参数反演方式的合理性。结果表明:1)利用上述方法对土体参数进行反演,所得的预测值和实际值误差较小,隧道最大拱顶沉降和周边收敛值分别为2.6 mm和0.5 mm,误差值分别为0.24 mm和0.07 mm,顶管施工近接地铁隧道时对隧道结构的变形影响较小。2)基于BP神经网络对土层物理力学参数的反演较为合理,对于变形的预测较为准确。

基于BP神经网络的面板堆石坝参数反演分析

高面板堆石坝的有限元计算分析中本构模型与模型参数的选取至关重要,尤其模型参数的选取与实际参数存在一定的差异性。根据面板堆石坝的特点,结合实测资料,基于BP神经网络选用合理方法构造参数训练样本,并给出了参数反演步骤,对坝体主、次堆石区的邓肯E-B模型参数反演与三维有限元进行了比较分析,计算结果与实测资料较为吻合。

隧道施工过程的三角模糊数与神经网络安全评估

为动态地对地铁隧道施工过程进行安全评估,针对地铁超浅埋暗挖段隧道,构建三角模糊数与神经网络相结合的地铁隧道施工过程安全评估模型.根据监测和数值仿真数据建立安全指标体系;划分地铁隧道施工过程评估等级,并将评估等级语言变量转换为三角模糊数;用混合遗传算法优化的BP神经网络,找出综合指标数据与评估等级的非线性映射关系.研究结果表明:大连地铁超浅埋段隧道施工过程处于安全等级;通过与既有方法比较分析,证明该评估方法与实际情况具有较强的贴近度.

BP神经网络算法在修正SIR传染病模型参数反演中的应用

研究了一类修正SIR传染病模型的参数识别问题,给出了参数识别问题的唯一性结论,并利用BP神经网络算法对参数识别问题进行数值求解,通过数值算例说明了该反演算法的可行性。

基于BP神经网络的隧道锚围岩参数反演分析

本文在某隧道锚的稳定性研究过程中采用正交设计法构造BP神经网络学习样本,均匀设计构造BP神经网络测试样本;并通过BP神经网络对样本进行反复训练,对隧道锚围岩力学参数进行了反演分析。该反演分析方法获得的参数与正向计算得出的位移增量及监测位移增量在量值上基本相当,为更准确地获取围岩岩体力学参数开辟了新途径。

岩爆危险性预测的神经网络模型及应用研究

岩爆是高地应力区岩质隧道开挖施工过程中发生的主要施工地质灾害之一 ,它的发生对隧道施工企业的安全生产构成很大的威胁 ,对岩爆发生可能性及其程度的预测是这类隧道设计、施工及安全生产所面临的重大问题。依据隧道岩爆发生的条件 ,基于国内外隧道工程岩爆实例 ,应用人工神经网络方法 ,建立了岩爆危险性预测的评价模型并应用于实践。

基于BP神经网络的左心室心肌组织参数反演方法的研究

因为蕴含着心肌组织特性变化等病理特征,人体左心室的变形和动力学特性已成为心脏疾病临床诊断的重要依据。本研究基于BP神经网络方法,通过对左心室临床诊断数据的反演,开展左心室心肌组织参数识别研究。首先,使用Matlab语言编写图像识别程序提取人体左心室CT影像中内外膜位置点,在SolidWorks软件中建立左心室的真实几何模型,通过Abaqus软件建立左心室的有限元分析模型。其次,采用Mooney-Rivlin超弹性模型模拟心肌组织特性,运用Abaqus有限元软件,对左心室有限元模型进行动态数值分析,获得3个特征时刻下对应的45组BP神经网络的输入-目标向量。最后,使用Matlab语言编写BP神经网络程序,对输入-目标向量进行BP神经网络训练,建立左心室诊断数据与心肌组织参数之间的非线性映射关系。对实例的分析结果表明,BP神经网络可很好地用于基于临床数据的心肌组织参数反演,可望成为临床诊断因心肌组织特性变化引起左心室病变的一种有效方法。