CN110826714B - 一种岩质基坑爆破参数动态调控方法 - Google Patents

一种岩质基坑爆破参数动态调控方法 Download PDF

Info

Publication number
CN110826714B
CN110826714B CN201911038692.8A CN201911038692A CN110826714B CN 110826714 B CN110826714 B CN 110826714B CN 201911038692 A CN201911038692 A CN 201911038692A CN 110826714 B CN110826714 B CN 110826714B
Authority
CN
China
Prior art keywords
algorithm
population
optimal
parameters
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911038692.8A
Other languages
English (en)
Other versions
CN110826714A (zh
Inventor
姜谙男
蒋腾飞
李兴盛
薛永锋
侯拉平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201911038692.8A priority Critical patent/CN110826714B/zh
Publication of CN110826714A publication Critical patent/CN110826714A/zh
Application granted granted Critical
Publication of CN110826714B publication Critical patent/CN110826714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Physiology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种岩质基坑爆破参数动态调控方法，利用GP机器学习法建立输入矢量和输出向量之间的非线性映射关系，将GP中的最优超参数作为DE算法中的种群样本，通过DE过程中的变异、交叉、选择，借助DE的寻优能力寻找GP的各项最优超参数，优化GP模型，提高GP模型的预测能力，从而预测出更加接近最优解的输出值；进一步，采用GP模型预测结果最优的输出值，所述输出值与控制值之间的均方差作为DE的适应值函数，通过优化样本种群、逐步逼近最优解提高GP模型的预测能力，从而预测出更加接近最优解的目标向量。本发明在爆破监测数据分析的基础上引入高斯‑差异进化算法(GP‑DE)爆破智能优化算法对爆破参数进行快捷有效的优化，保证施工过程安全进行。

Description

一种岩质基坑爆破参数动态调控方法
技术领域
本发明涉及基坑爆破领域，尤其涉及一种岩质基坑爆破参数动态调控方法。
背景技术
在基坑开挖中遇到硬质岩层时，需要采用爆破开挖方式对岩层进行破除。传统爆破法属于特种作业，需要专业队伍和严格审批，施工成本高且对周围环境有较大的危害。此外，处于城市闹市区的基坑开挖往往临近大量的既有建(构)筑物和地下管线，采用爆破开挖方式势必对其造成影响，严重时会造成人员财产损失。
为了减少基坑爆破对周围环境的危害，在爆破监测数据分析的基础上引入高斯-差异进化算法(GP-DE)爆破智能优化算法对爆破参数进行快捷有效的优化，依据国家标准对爆破危害进行评估，合理调整爆破参数，确保施工过程安全进行。
发明内容
本发明提供一种岩质基坑爆破参数动态调控方法，以克服上述技术问题。
本发明包括如下步骤：
S1：设置差异进化算法(DE)的变异因子，交叉因子，差异策略及种群规模相关参数并选取高斯算法(GP)中的核函数，依照差异进化算法(DE)规则随机产生高斯算法(GP)核函数中超参数作为初始种群；
S2：根据提供的训练样本，对初始种群进行高斯算法(GP)学习，并对测试样本进行预测，得到输出值，并通过核函数对输出值进行适应度评价；
S3：按照DE算法对S1产生的初始种群进行变异交叉操作(差异策略分析)，对生成的新种群赋予高斯算法(GP)再次进行学习、预测，对预测结果再次进行适应度评价，并与之前种群作比较，选择保留更优的种群作为新的父代种群；
S4：设置迭代终止条件，对最优解进行迭代终止条件判断，若满足终止条件则退出计算，否则，返回S3；
S5：反复进行差异进化算法(DE)过程的变异、交叉、选择、高斯算法(GP)预测和适应度评价操作，直至最大种群迭代数或目标函数值达到预设值，完成高斯-差异进化算法(GP-DE)优化并退出程序。
进一步地，S1所述的差异策略具体为对种群进行变异、交叉和选择操作。
进一步地，S1所述的核函数为平方指数协方差函数(SE)。
进一步地，S2所述测试样本和训练样本包括输入变量和输出变量，输入变量包括：炮孔孔径炮孔深度h1、炮孔间距a、炮孔排距b、炮孔数量n、不耦合装药系数λ、药卷长度h2、最大单孔药量Q1、最大单响药量Q2和爆心距L，输出变量包括爆破振速v。
进一步地，S2所述适应度评价方法为采用适应度函数计算学习样本振速xp与预测样本振速xq的误差，所述适应度函数为：
式中：σf，l，σn均为超参数。用来控制局部相关性的程度；l为数据点之间的距离尺度；σn为噪音的标准差；δpq是符号函数，当p＝q时，δpq＝0，否则δpq＝1，xp、xq分别代表学习样本振速与预测样本振速。
进一步地，S3所述的迭代终止条件为如果本代最佳个体的个体预测误差小于预测误差给定值，则满足结束条件，输出本代最佳个体作为高斯算法(GP)的最优超参数；预设定迭代次数G，如果本代迭代次数＞G，则满足结束条件，输出本代最佳个体作为高斯算法(GP)的最优超参数。
本发明在爆破监测数据分析的基础上引入高斯-差异进化算法(GP-DE)爆破智能优化算法对爆破参数进行快捷有效的优化，依据国家标准对爆破危害进行评估，合理调整爆破参数，确保施工过程安全进行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明岩质基坑爆破参数动态调控方法流程图；
图2为本发明岩质基坑爆破参数动态调控方法初始种群分布图；
图3为本发明岩质基坑爆破参数动态调控方法的GP-DE变异过程图；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
高斯-差异进化算法(GP-DE)的核心思想是利用GP机器学习建立输入矢量和输出向量的非线性映射关系，将GP中的最优超参数作为DE算法中的种群样本，通过DE过程中的变异交叉选择，借助DE的寻优能力寻找GP的各项最优超参数，优化GP模型，提高GP模型的预测能力，从而预测出更加接近最优解的输出值；进一步，采用GP模型预测品质最优的输出值，所述输出值与控制值之间的平方差作为DE的适应值函数，通过优化样本种群、逐步逼近最优解提高GP模型的预测能力，从而预测出更加接近最优解的目标向量，如此循环迭代直至寻找到各项最优超参数全局最优解。GP经过DE优化寻找最优超参数后，加快了迭代速度，也提高了预测精度。
本发明包括如下步骤，如图1所示：
S1：设置差异进化算法(DE)的变异因子，交叉因子，差异策略及种群规模相关参数并选取高斯算法(GP)中的核函数，依照差异进化算法(DE)规则随机产生高斯算法(GP)核函数中超参数作为初始种群；
S2：根据提供的训练样本，对初始种群进行高斯算法(GP)学习，并对测试样本进行预测，得到输出值，并通过核函数对输出值进行适应度评价；
S3：按照DE算法对S1产生的初始种群进行变异交叉操作(差异策略分析)，对生成的新种群赋予高斯算法(GP)再次进行学习、预测，对预测结果再次进行适应度评价，并与之前种群作比较，选择保留更优的种群作为新的父代种群；
S4：设置迭代终止条件，对最优解进行迭代终止条件判断，若满足终止条件则退出计算，否则，返回S3；
S5：反复进行差异进化算法(DE)过程的变异、交叉、选择、高斯算法(GP)预测和适应度评价操作，直至最大种群迭代数或目标函数值达到预设值，完成高斯-差异进化(GP-DE)算法优化并退出程序。
进一步地，S1所述的差异策略具体为对种群进行变异、交叉和选择操作。
进一步地，S1所述的核函数为平方指数协方差函数(SE)。
进一步地，S2所述测试样本和训练样本包括输入变量和输出变量，输入变量包括：炮孔孔径炮孔深度h1、炮孔间距a、炮孔排距b、炮孔数量n、不耦合装药系数λ、药卷长度h2、最大单孔药量Q1、最大单响药量Q2和爆心距L，输出变量包括爆破振速v。
进一步地，S2所述适应度评价方法为采用适应度函数计算学习样本振速xp与预测样本振速xq的误差，所述适应度函数为：
式中：σf，l，σn均为超参数。用来控制局部相关性的程度；l为数据点之间的距离尺度；σn为噪音的标准差；δpq是符号函数，当p＝q时，δpq＝0，否则δpq＝1，xp、xq分别代表学习样本振速与预测样本振速。
进一步地，S3所述的迭代终止条件为如果本代最佳个体的个体预测误差小于预测误差给定值，则满足结束条件，输出本代最佳个体作为高斯算法(GP)的最优超参数；预设定迭代次数G，如果本代迭代次数＞G，则满足结束条件，输出本代最佳个体作为高斯算法(GP)的最优超参数。
具体而言，差异进化算法是一种将种群个体间的差异向量作为优化搜索方向的种群算法，通过对种群进行变异、交叉和选择操作，使得种群不断向搜索空间的最优区域进化。如图2所示为初始种群分布图，差异进化算法的基本过程：
初始化操作：DE算法需要产生初始种群PG作为算法的起点：
式中：G为当前进化代数；NP表示种群规模，进化过程中为固定值；个体的表达式为：
初始种群P0中的个体的第j个分量需要满足搜索空间S的约束条件，即：
xi,j＝Lboundj+rand×(Uboundj-Lboundj)
i＝1,…,NP,j＝1,…n (4)
式中：n表示个体维数，即所需求解的未知量个数；Uboundj和Lboundj分别表示分量xi,j的上、下限，rand表示从[0,1]范围内产生的服从均匀分布的随机数。
如图3所示，变异操作是将任意两个向量做差，叠加到第三个个体向量上，从而增强种群的全局性和多样性：
vij(G+1)＝xr1j(G)+F(xr2j(G)-xr3j(G)) (5)
式中：vij为G+1代新变量，r1,r2和r3为[1,NP]内中互不相等的随机整数；F为变异因子，取值范围[0,1]用于调节向量差异的幅值。
交叉操作：将目标向量xi(G)与变异向量vi(G+1)杂交形成新向量，DE算法中广泛使用的交叉操作方法有二项式交叉法(bin)和指数交叉法(exp),二项式交叉法表达式如下：
μi(G+1)＝vi(G+1),rj≤CR||j＝ni (6)
μi(G+1)＝xi(G+1),rj≤CR&j≠ni (7)
式中：rj为与向量第j个分量对应的随机数；CR为交叉因子，取值范围[0,1]；nj为D维空间内的随机整数，确保至少一个变异向量vi(G+1)中的分量被试样向量ui(G+1)采用。
选择操作：将试样向量ui(G+1)和目标向量xi(G)代入适应度函数，保留使函数值较小的个体向量。
为解决高斯(GP)过程中传统的共轭梯度法对初始值依赖强，迭代过程难以控制，易陷入局部最优解的缺陷，引入差异进化(DE)算法不断优化高斯过程中的最优超参数，成功解决了以上问题。具体实施工程如下：
(1)建立样本：首先进行小规模的基坑岩体试爆，采用自动化爆破振速监测装置进行爆破振速监测，形成基坑爆破影响因素和对应振速v的监测样本，作为算法中的训练样本和测试样本，训练样本和测试样本均由炮孔孔径炮孔深度h1、炮孔间距a、炮孔排距b、炮孔数量n、不耦合装药系数λ、药卷长度h2、最大单孔药量Q1、最大单响药量Q2、爆心距L和爆破振速v。
(2)建立GP-DE爆破智能优化模型：GP模型对样本的学习能力和预测能力有着直接的影响。利用差异进化算法对GP的最优超参数进行优化，以炮孔孔径炮孔深度h1、炮孔间距a、炮孔排距b、炮孔数量n、不耦合装药系数λ、药卷长度h2、最大单孔药量Q1、最大单响药量Q2、爆心距L作为GP模型的输入变量，以监测得到的爆破振速作为GP模型的输出变量，构建得到输入变量与输出变量之间的非线性映射关系，GP中的超参数作为DE算法中的种群，以个体预测误差为适应度函数评价模型的预测能力，在适应度函数值大于适应度函数给定值时，使用DE算法通过变异、交叉、选择操作寻找GP中的最优超参数。
使用上述得到的最优超参数构建的输入变量与输出变量之间的非线性映射关系，在输入满足相关规范标准的爆破振速安全允许值后，得到相应的爆破参数，进而实现了爆破参数的优化，使得对基坑既有结构及周围环境的影响降到最低。
根据上述方法，其中(2)中所述的适应度函数为：
式中：σf，l，σn均为超参数；用来控制局部相关性的程度；l为数据点之间的距离尺度；σn为噪音的标准差；δpq是符号函数，当p＝q时，δpq＝0，否则δpq＝1，xp、xq分别代表学习样本与预测样本。
根据(2)所述的方法，在适应度函数值大于适应度函数值给定值时，使用DE算法通过变异、交叉、选择操作寻找GP中的最优超参数；
具体步骤为：
a.设置DE算法的变异因子F，交叉因子CR，进化代数G、种群规模NP、适应度函数给定值和预测误差给定值，并随机产生以规模为NP的初始种群作为DE算法中的初始种群，其进化代数为0代。
b.根据(1)得到的样本数据中的训练样本得到输入变量与输出变量对应的非线性映射关系，使用本代种群的一个个体为模型，以测试样本的输入变量为模型的输入参数，计算得到所述个体的爆破振速预测值，并计算得到该个体与对应测试样本输出值的个体预测误差，对本代种群所有个体重复计算得到本代种群所有个体对所有测试样本的个体预测误差；
c.根据上述个体预测误差作为评价所有个体的预测能力，选用个体误差最小的个体作为本代的最佳个体；
个体预测误差计算公式为：
其中，d为个体预测误差，αi为测试样本的爆破振速预测值，βi为测试样本的爆破振速真实值，n为测试样本的样本数量。
d.求c中最佳个体对应的适应度函数值，与适应度函数值的给定值进行比较:当适应度函数值大于适应度函数值给定值时，使用DE算法寻找GP中的最优超参数，搜索结果分为三种情况：①如果本代最佳个体的个体预测误差小于预测误差给定值，则满足结束条件，输出本代最佳个体作为GP的最优超参数；②如果本代进化代数＞G，则满足结束条件，输出本代最佳个体作为GP的最优超参数；③在本代种群中任选两个个体，进行初始化、变异、交叉、选择操作，产生子代种群个体，最终直至产生NP个子代种群个体，并将本代最佳个体随机地替换子代种群中的一个个体，形成新的本代种群，本代种群进化代数加1，并重复b步骤。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.一种岩质基坑爆破参数动态调控方法，其特征在于，步骤如下：
S1：设置差异进化算法的变异因子，交叉因子，差异策略及种群规模相关参数并选取高斯算法中的核函数，依照差异进化算法规则随机产生高斯算法核函数中超参数作为初始种群；
S2：根据提供的训练样本，对初始种群进行高斯算法学习，并对测试样本进行预测，得到输出值，并通过核函数对输出值进行适应度评价；
S3：按照DE算法对S1产生的初始种群进行变异、交叉操作，对生成的新种群赋予高斯算法再次进行学习、预测，对预测结果再次进行适应度评价，并与之前种群作比较，选择保留更优的种群作为新的父代种群；
S4：设置迭代终止条件，对最优解进行迭代终止条件判断，若满足终止条件则退出计算，否则，返回S3；
S5：反复进行差异进化算法过程的变异、交叉、选择、高斯算法预测、适应度评价操作，直至最大种群迭代数或目标函数值达到预设值，完成高斯-差异进化算法优化并退出程序；
其中，S1所述的核函数为平方指数协方差函数；S2所述适应度评价方法为采用适应度函数计算学习样本振速xp与预测样本振速xq的误差，所述适应度函数为：
式中：σf，l，σn均为超参数，σf 2用来控制局部相关性的程度；l为数据点之间的距离尺度；σn为噪音的标准差；δpq是符号函数，当p＝q时，δpq＝0，否则δpq＝1，xp、xq分别代表学习样本振速与预测样本振速；
其中，S2所述测试样本和训练样本包括输入变量和输出变量，输入变量包括：炮孔孔径φ、炮孔深度h1、炮孔间距a、炮孔排距b、炮孔数量n、不耦合装药系数λ、药卷长度h2、最大单孔药量Q1、最大单响药量Q2和爆心距L，输出变量包括爆破振速v；利用差异进化算法对GP的最优超参数进行优化，以炮孔孔径炮孔深度h1、炮孔间距a、炮孔排距b、炮孔数量n、不耦合装药系数λ、药卷长度h2、最大单孔药量Q1、最大单响药量Q2、爆心距L作为GP模型的输入变量，以监测得到的爆破振速作为GP模型的输出变量，构建得到输入变量与输出变量之间的非线性映射关系，GP中的超参数作为DE算法中的种群，以个体预测误差为适应度函数评价模型的预测能力，在适应度函数值大于适应度函数给定值时，使用DE算法通过变异、交叉、选择操作寻找GP中的最优超参数。
2.根据权利要求1所述的岩质基坑爆破参数动态调控方法，其特征在于，S1所述的差异策略具体为对种群进行变异、交叉和选择操作。
3.根据权利要求1所述的岩质基坑爆破参数动态调控方法，其特征在于，S3所述的迭代终止条件为如果本代最佳个体的个体预测误差小于预测误差给定值，则满足结束条件，输出本代最佳个体作为高斯算法的最优超参数；预设定进化代数G，如果本代迭代次数＞G，则满足结束条件，输出本代最佳个体作为高斯算法的最优超参数。
CN201911038692.8A 2019-10-29 2019-10-29 一种岩质基坑爆破参数动态调控方法 Active CN110826714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911038692.8A CN110826714B (zh) 2019-10-29 2019-10-29 一种岩质基坑爆破参数动态调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911038692.8A CN110826714B (zh) 2019-10-29 2019-10-29 一种岩质基坑爆破参数动态调控方法

Publications (2)

Publication Number Publication Date
CN110826714A CN110826714A (zh) 2020-02-21
CN110826714B true CN110826714B (zh) 2024-02-27

Family

ID=69551048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911038692.8A Active CN110826714B (zh) 2019-10-29 2019-10-29 一种岩质基坑爆破参数动态调控方法

Country Status (1)

Country Link
CN (1) CN110826714B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364560B (zh) * 2020-10-19 2022-07-05 武汉理工大学 矿山凿岩装备作业工时智能预测方法
CN113626978B (zh) * 2021-06-23 2023-12-26 浙江中控技术股份有限公司 一种民爆乳化炸药的爆速在线预测方法及系统
CN114548613B (zh) * 2022-03-17 2024-06-21 江苏科技大学 融合在线学习的分层差分进化算法的虚拟机舱协作智能评估优化方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198215A (zh) * 2013-03-20 2013-07-10 辽宁工程技术大学 一种基于差异进化支持向量机的坑外土体沉降预测方法
US20180260714A1 (en) * 2017-03-10 2018-09-13 Yun Li Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics
CN109711063A (zh) * 2018-12-28 2019-05-03 大连海事大学 一种适用于上软下硬地层的车站暗挖进尺调整方法与装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198215A (zh) * 2013-03-20 2013-07-10 辽宁工程技术大学 一种基于差异进化支持向量机的坑外土体沉降预测方法
US20180260714A1 (en) * 2017-03-10 2018-09-13 Yun Li Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics
CN109711063A (zh) * 2018-12-28 2019-05-03 大连海事大学 一种适用于上软下硬地层的车站暗挖进尺调整方法与装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"A Dynamic Model Selection Algorithm for Mixtures of Gaussian Processes";Longbo Zhao 等;《IEEE》;全文 *
"基于粒子群优化与高斯过程的协同优化算法";张研 等;《系统工程与电子技术》;全文 *
"大型洞室群开挖与加固方案反馈优化分析集成智能方法研究";姜谙男;《中国优秀博硕士学位论文全文数据库 (博士) 工程科技Ⅱ辑》;全文 *
"沿海山岭大跨度小净距隧道施工稳定性分析";张启航;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;全文 *

Also Published As

Publication number Publication date
CN110826714A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110826714B (zh) 一种岩质基坑爆破参数动态调控方法
Gandomi et al. New design equations for elastic modulus of concrete using multi expression programming
Gandomi et al. A new multi-gene genetic programming approach to nonlinear system modeling. Part I: materials and structural engineering problems
Azarbakht et al. Progressive incremental dynamic analysis for first-mode dominated structures
CN108287808B (zh) 一种面向结构可靠性分析的通用动态追踪序列采样方法
CN112070356B (zh) 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法
CN110210072B (zh) 基于近似模型及差分进化算法求解高维优化问题的方法
CN111310348A (zh) 一种基于pso-lssvm的材料本构模型预测方法
CN112765902A (zh) 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用
Liu et al. An AI-powered approach to improving tunnel blast performance considering geological conditions
CN116663120A (zh) 一种隧道施工的振速与损伤双指标控制爆破方法
Peng et al. Predicting solid-particle erosion rate of pipelines using support vector machine with improved sparrow search algorithm
CN117421560A (zh) 一种钢筋混凝土构件抗冲击防护设计和灾害评估方法
CN108399296B (zh) 一种临近构筑物的基坑静态爆破的振速预测方法
Xiong et al. Intelligent Prediction Model of the Triaxial Compressive Strength of Rock Subjected to Freeze‐Thaw Cycles Based on a Genetic Algorithm and Artificial Neural Network
Ebenuwa et al. Fuzzy-based multi-objective design optimization of buried pipelines
CN113378276B (zh) 一种基于遗传算法及基因表达式编程的复合地基智能设计方法
Wang et al. Improved deep neural network for predicting structural response of stiffened cylindrical shells to far-field underwater explosion
Song et al. Parameter Determination Method of Soil Constitutive Model Based on Machine Learning
Tran et al. Forecast of surface chloride concentration of concrete utilizing ensemble decision tree boosted
Nguyen et al. Efficient hybrid machine learning model for calculating load-bearing capacity of driven piles
Tinoco et al. A data mining approach for jet grouting uniaxial compressive strength prediction
Xie et al. Remaining useful life prediction of pipelines considering the crack coupling effect using genetic algorithm-back propagation neural network
Fan et al. An Unbiased Fuzzy Weighted Relative Error Support Vector Machine for Reverse Prediction of Concrete Components
Tao et al. Coupled extreme gradient boosting algorithm with artificial intelligence models for predicting compressive strength of fiber reinforced polymer-confined concrete

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant