隧道围岩分级的模糊模式识别法

利用模糊数学方法而建立的基于模糊模式识别的隧道围岩分级模型,给出了较为简单而且准确的隧道围岩级别判定方法,其有效性已经过了工程实例的验证。     

隧道围岩分级的模糊模式识别法

利用模糊数学方法而建立的基于模糊模式识别的隧道围岩分级模型．给出了较为简单而且准确的隧道围岩级别判定方法,其有效性已经过了工程实例的验证。     

基于MSR算法的公路隧道围岩分级方法

隧道围岩分级是隧道设计与施工的基础,直接影响隧道安全与运行。为实现对隧道围岩进行快速、准确地分级,基于机器学习中softmax回归线性分类模型,构建多分类softmax回归分级方法（MSR）。首先,综合考虑岩石坚硬程度、岩体完整程度、结构面产状、地下水状况、节理风化状况及初始地应力状态6项分级指标,并对其进行量化;其次,采用argmax函数作为决策函数,建立多分类器;然后,给定专家修正训练样本,利用python语言编写程序,学习最优判别函数,同时比较不同学习率下模型的精度;最后,导入测试集数据,经过模型自动演算,得出合理的围岩分级结果。结合那丘隧道BQ法对围岩进行分级。研究结果表明：(1)该算法具有可行性和较高的准确率,证实了将机器学习应用到隧道工程中可以提高工程施工效率;(2)与二分类器相比,多分类器能更好地解决围岩分级问题;(3)当学习率为0.01时,模型的分类性能最佳。     

基于先验知识和BP网络的隧道爆破参数计算

为克服当前隧道爆破参数选取受人为因素影响的不足,以围岩普氏系数、隧道断面积、实际进尺和炮孔直径等为网络输入参数,以设计进尺、炸药单耗、周边孔距和掘进孔孔距等为网络输出参数,建立了含输入层、输出层和隐含层的神经网络模型,并给出了模型学习算法,提出了基于爆破先验知识的可加快模型求解收敛速度的网络学习约束条件.隧道爆破参数的实例计算结果表明,给出的网络模型及其算法能在借鉴已有爆破资料的基础上准确、快速计算爆破参数,并且获得理想的爆破效果.     

人工神经元网络在公路隧道围岩判别中的应用

基于人工神经元网络原理,结合公路隧道围岩判别的工程实际资料,通过BP神经网络模型的有师学习记忆和预测功能,对公路隧道围岩判别预测进行了研究。通过实例预测检验,证明了人工神经元网络在公路隧道围岩判别中的可行性和实用性。     

阳宗隧道围岩变形的神经网络技术预测

隧道新奥法施工中,常以围岩变形量作为评判围岩稳定性和支护结构合理性的重要指标.公路隧道围岩变形量是随时间而变化的数据序列,因而可以建立一些实时跟踪预测模型和方法.本文根据阳宗隧道围岩拱顶下沉位移变形的特性,采用神经网络技术来预测其变形量,结果表明该方法简易、有效.     

基于正态云理论的软弱隧道围岩分级

选取针对软弱隧道围岩的4个指标——单轴抗压强度Rc、完整性系数Kv、黏聚力c及软化系数Kf,构建了基于正态云理论的软弱隧道围岩分级体系;用隧道工程实例对软弱隧道围岩分级体系进行了验证计算,并以实际开挖围岩等级作为参照标准,对比分析了分别用正态云法与BQ法得到的围岩分级结果.结果 表明:与BQ法相比,正态云法得到的围岩等级与实际开挖围岩等级的一致性更高;验证了基于正态云理论的软弱隧道围岩分级体系的可行性;正态云法围岩分级体系可作为一种新的软弱围岩分级判定方法.     

阳宗隧道围岩变形的神经网络技术预测

隧道新奥法施工中,常以围岩变形量作为评判围岩稳定性和支护结构合理性的重要指标.公路隧道围岩变形量是随时间而变化的数据序列,因而可以建立一些实时跟踪预测模型和方法.本文根据阳宗隧道围岩拱顶下沉位移变形的特性,采用神经网络技术来预测其变形量,结果表明该方法简易、有效.     

基于正态云理论的软弱隧道围岩分级

选取针对软弱隧道围岩的4个指标——单轴抗压强度Rc、完整性系数Kv、黏聚力c及软化系数Kf,构建了基于正态云理论的软弱隧道围岩分级体系;用隧道工程实例对软弱隧道围岩分级体系进行了验证计算,并以实际开挖围岩等级作为参照标准,对比分析了分别用正态云法与BQ法得到的围岩分级结果.结果 表明:与BQ法相比,正态云法得到的围岩等级与实际开挖围岩等级的一致性更高;验证了基于正态云理论的软弱隧道围岩分级体系的可行性;正态云法围岩分级体系可作为一种新的软弱围岩分级判定方法.     

模糊逻辑与神经网络技术协作系统的研究

分析了模糊系统与神经网络系统的相同及相异性。在此基础上研究了模糊逻辑与神经网络技术协作系统的结构和实现技术，并着重研究了模糊控制器的神经网络实现技术及改善神经网络学习特性的模糊控制技术。