機器學習方法與巖土工程應用

第1章 緒論
1.1 機器學習方法與應用
1.2 巖土工程數(shù)據(jù)及特點
1.3 機器學習巖土工程應用現(xiàn)狀概述
1.4 本書的組織架構(gòu)與內(nèi)容概述
參考文獻
第2章 人工神經(jīng)網(wǎng)絡(luò)
2.1 基本架構(gòu)與組件
2.2 神經(jīng)網(wǎng)絡(luò)類別
2.3 前饋神經(jīng)網(wǎng)絡(luò)
2.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
2.3.2 誤差反向傳播算法
2.4 卷積神經(jīng)網(wǎng)絡(luò)
2.4.1 網(wǎng)絡(luò)架構(gòu)
2.4.2 卷積層
2.4.3 池化層
2.4.4 全連接層
2.4.5 幾點補充
2.5 網(wǎng)絡(luò)優(yōu)化原理
2.6 小結(jié)
參考文獻
第3章 支持向量機
3.1 線性可分支持向量機與硬間隔 化
3.1.1 支持向量與分離超平面
3.1.2 決策邊界
3.1.3 間隔超平面(硬間隔 化)
3.1.4 對偶算法
3.2 軟間隔 化
3.2.1 線性支持向量機
3.2.2 對偶算法
3.2.3 合頁損失函數(shù)
3.3 非線性可分支持向量機與核函數(shù)
3.3.1 非線性分類問題
3.3.2 核函數(shù)
3.4 支持向量機的兩點說明
3.4.1 參數(shù)選取
3.4.2 缺陷
3.5 擴展
3.5.1 多分類SVM
3.5.2 支持向量回歸
3.5.3 貝葉斯支持向量機
3.5.4 實現(xiàn)方法
3.6 小結(jié)
參考文獻
第4章 隨機森林
4.1 決策樹
4.2 無序性與信息熵
4.3 集成學習
4.3.1 Bagging
4.3.2 從Bagging到隨機森林
4.3.3 極限樹
4.4 隨機森林的特點
4.4.1 特征的重要性
4.4.2 隨機森林與 鄰近算法
4.5 核隨機森林
4.5.1 基本概念
4.5.2 從隨機森林到核隨機森林
4.5.3 核隨機森林的兩點說明
4.6 本章小結(jié)
參考文獻
第5章 土釘軸力神經(jīng)網(wǎng)絡(luò)模型
5.1 引言
5.2 土釘功能函數(shù)及FHWA土釘軸力與抗力模型
5.3 人工神經(jīng)網(wǎng)絡(luò)方法
5.4 實測土釘軸力總數(shù)據(jù)庫
5.5 FHWA土釘軸力模型評價與校正
5.5.1 模型評價
……
第6章 基于機器學習的土釘墻水平位移計算方法
第7章 基于人工神經(jīng)網(wǎng)絡(luò)的軟土力學性質(zhì)預測
第8章 軟計算在地下工程建設(shè)中的應用
第9章 基于機器學習的各向異性黏土雙隧道襯砌響應預測
0章 基于貝葉斯優(yōu)化的 梯度提升和隨機森林方法預測不排水抗剪強度
1章 基于隨機森林回歸和多元自適應回歸樣條的預制樁可打性評估
2章 基于極限梯度提升和隨機森林回歸的各向異性黏土開挖支撐基底隆起穩(wěn)定性評估
3章 預測土壓平衡盾構(gòu)引起地表沉降的軟計算方法
4章 盾構(gòu)隧道地面沉降分析和預測
5章 盾構(gòu)隧道襯砌表觀病害圖像自動識別
附錄1 總數(shù)據(jù)庫土釘墻設(shè)計參數(shù)值及實測土釘軸力
附錄2 ANN模型、RF模型和SVM模型的8個輸入?yún)?shù)及水平位移實測值
附錄3 深支撐開挖地下連續(xù)墻的平面應變有限元分析結(jié)果