智能計算與參數(shù)反演

第1章 智能計算與參數(shù)反演概述
1.1 參數(shù)反演的工程背景
1.2 有關人類智能的定義
1.3 智能計算方法概述
1.3.1 遺傳算法及其發(fā)展歷程
1.3.2 人工神經(jīng)網(wǎng)絡及其發(fā)展和應用現(xiàn)狀
1.3.3 模擬退火算法及其研究進展
1.3.4 人工蟻群優(yōu)化算法發(fā)展和應用現(xiàn)狀
1.3.5 啟發(fā)式優(yōu)化方法比較分析
1.4 基于智能計算的參數(shù)反演方法研究進展
1.4.1 基于梯度搜索算法巖土力學反問題研究簡單回顧
1.4.2 基于人工神經(jīng)網(wǎng)絡方法巖土力學反問題研究進展
1.4.3 基于遺傳算法巖土力學反問題研究進展
1.4.4 基于模擬退火算法巖土力學反問題研究進展
1.5 本書的主要內容介紹
參考文獻
第2章 參數(shù)識別反問題的適定性及其討論
2.1 經(jīng)典的最小二乘參數(shù)估計方法
2.2 參數(shù)識別反問題所要研究的內容
2.3 求解反問題的特點和難點
2.4 反問題的基本求解方法
2.4.1 反問題的直接解法
2.4.2 反問題的間接求解方法
2.5 反問題解的適定性
2.5.1 反問題解的適定性的定義
2.5.2 反問題參數(shù)識別的可識別性
2.5.3 反問題參數(shù)識別的唯一性
2.5.4 反問題參數(shù)識別的穩(wěn)定性
2.6 參數(shù)識別結果的協(xié)方差分析
2.7 本章小結
參考文獻
第3章 基于梯度搜索的巖土力學參數(shù)反演方法
3.1 參數(shù)識別反問題解的定義
3.2 基于Levenberg-Marquardt最小二乘的參數(shù)反演方法
3.3 基于BFGS優(yōu)化方法的參數(shù)反演方法
3.4 對偶邊界控制方法在反演中的應用
3.5 數(shù)值算例
3.5.1 土體固結參數(shù)反演
3.5.2 基于BFGS優(yōu)化方法的初始地應力場參數(shù)位移反分析
3.5.3 基于正則化最小二乘法的含水層參數(shù)反演
3.6 工程應用——基于Gauss-Newton優(yōu)化算法的豐滿混凝土大壩彈性參數(shù)反演方法
3.6.1 工程概況
3.6.2 壩頂水平位移水壓分量的分離計算
3.6.3 參數(shù)識別結果
3.7 本章小結
參考文獻
第4章 基于遺傳算法巖土材料力學參數(shù)反演方法
4.1 遺傳算法的基本原理和特點
4.2 遺傳算法的進化過程和基本操作
4.2.1 編碼和解碼
4.2.2 初始種群的生成
4.2.3 適應度值評價
4.2.4 選擇操作
4.2.5 交叉操作
4.2.6 變異操作
4.2.7 收斂準則
4.3 遺傳算法運行參數(shù)的選擇
4.4 數(shù)值算例
4.4.1 多極值優(yōu)化問題算例
4.4.2 基于遺傳算法的巖土阻尼參數(shù)識別方法
4.4.3 基于遺傳算法巖土邊坡抗剪指標參數(shù)反演及其最小安全系數(shù)的全局搜索
4.4.4 基于遺傳算法巖體初始地應力參數(shù)反演
4.5 工程應用——基于遺傳算法的豐滿水電站水輪發(fā)動機振動荷載參數(shù)反演
4.5.1 水輪發(fā)電機現(xiàn)場振動測試試驗
4.5.2 水輪發(fā)電機振動正演分析模型
4.5.3 水輪發(fā)電機振動荷載參數(shù)反演結果
4.6 本章小結
參考文獻
第5章 基于人工神經(jīng)網(wǎng)絡巖土力學參數(shù)反演及其預測方法
5.1 人工神經(jīng)網(wǎng)絡簡介
5.2 生物神經(jīng)元
5.3 人工神經(jīng)網(wǎng)絡常用的學習規(guī)則
5.4 BP神經(jīng)網(wǎng)絡
5.4.1 BP神經(jīng)網(wǎng)絡的傳遞函數(shù)
5.4.2 BP神經(jīng)網(wǎng)絡模型
5.4.3 經(jīng)典的BP算法
5.5 數(shù)值算例
5.5.1 巖土邊坡彈性參數(shù)識別方法
5.5.2 邊坡穩(wěn)定性分析的神經(jīng)網(wǎng)絡預測
5.5.3 基于混合優(yōu)化策略的結構損傷識別方法
5.6 有關人工神經(jīng)網(wǎng)絡的討論
5.6.1 幾個關鍵問題
5.6.2 遺傳神經(jīng)網(wǎng)絡
5.7 工程應用——基于遺傳神經(jīng)網(wǎng)絡的白山混凝土大壩滲透系數(shù)反演
5.7.1 工程概況
5.7.2 滲透系數(shù)反演分析
5.8 本章小結
參考文獻
第6章 基于模擬退火算法的巖土材料熱傳導參數(shù)識別方法
6.1 物理退火過程和Metropolis準則
6.2 模擬退火算法的馬爾可夫鏈
6.3 模擬退火算法新解的產(chǎn)生和接受準則
6.4 模擬退火算法的改進
6.5 數(shù)值算例
6.5.1 瞬態(tài)多層材料熱力學參數(shù)識別方法
6.5.2 混凝土水化過程熱力學參數(shù)識別
6.5.3 材料非線性熱傳導參數(shù)識別
6.5.4 集中熱源作用下材料熱力學參數(shù)反演
6.5.5 穩(wěn)態(tài)熱傳導材料參數(shù)識別問題
6.6 工程應用——基于模擬退火算法的云峰混凝土大壩材料參數(shù)反演
6.7 本章小結
參考文獻
第7章 基于蟻群算法的地下水滲流模型參數(shù)識別方法
7.1 自然界中螞蟻的基本特性
7.2 人工蟻群算法的發(fā)展歷史及其研究進展
7.3 經(jīng)典的用于求解TSP的蟻群算法模型
7.4 蟻群算法的改進
7.5 數(shù)值算例
7.5.1 地下水污染源識別
7.5.2 基于蟻群算法的含水層參數(shù)識別
7.6 工程應用——基于蟻群算法的豐滿混凝土大壩滲透系數(shù)反演
7.7 本章小結
參考文獻
第8章 盾構機掘進過程中的智能預測與控制方法
8.1 國內外盾構掘進機的發(fā)展歷史和現(xiàn)狀
8.2 EPB盾構機工作面土壓力和油缸推力合理選擇
8.2.1 EPB盾構機工作面土壓力合理選擇
8.2.2 盾構機掘進推力的優(yōu)化研究
8.3 基于神經(jīng)網(wǎng)絡的盾構機掘進隧道地表沉降研究
8.3.1 地表變形的基本理論
8.3.2 盾構隧道地面變形的神經(jīng)網(wǎng)絡預測模型
8.4 基于神經(jīng)網(wǎng)絡的EPB盾構機土艙壓力控制系統(tǒng)
8.4.1 基于PID神經(jīng)網(wǎng)絡的非線性系統(tǒng)控制原理
8.4.2 基于PID神經(jīng)網(wǎng)絡EPB盾構機土艙壓力控制系統(tǒng)
8.4.3 基于BP神經(jīng)網(wǎng)絡的土艙壓力平衡自動控制
8.5 本章小結
參考文獻