CN112948916B - 一种岩土体力学参数获取方法 - Google Patents

一种岩土体力学参数获取方法 Download PDF

Info

Publication number
CN112948916B
CN112948916B CN202110131786.0A CN202110131786A CN112948916B CN 112948916 B CN112948916 B CN 112948916B CN 202110131786 A CN202110131786 A CN 202110131786A CN 112948916 B CN112948916 B CN 112948916B
Authority
CN
China
Prior art keywords
rock
parameter
parameters
measuring point
acquiring
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
CN202110131786.0A
Other languages
English (en)
Other versions
CN112948916A (zh
Inventor
许建聪
孙宸
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202110131786.0A priority Critical patent/CN112948916B/zh
Publication of CN112948916A publication Critical patent/CN112948916A/zh
Application granted granted Critical
Publication of CN112948916B publication Critical patent/CN112948916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Abstract

本发明涉及一种岩土体力学参数获取方法，包括：步骤1：选取待反演土体参数，确定参数范围并生成指定数量参数数据集；步骤2：采用FLAC3D对参数数据集中的参数进行计算，获得指定测点位移量；步骤3：将步骤2获取的指定测点位移量进行归一化处理；步骤4：生成神经网络超参数初始种群，采用粒子群算法选取最优超参数组合，从而获得最优代理模型；步骤5：采用NSGA‑II算法，在代理模型的基础上反演待求土体参数，获取最终的岩土体力学参数。与现有技术相比，本发明具有精度高、准确率高等优点。

Description

一种岩土体力学参数获取方法
技术领域
本发明涉及隧道工程、岩土工程和地质工程领域，尤其是涉及一种岩土体力学参数获取方法。
背景技术
在工程实践中，常通过现场原位勘测和室内试验的方式获得岩土体的力学参数。但由于岩土材料具有空间分布不均匀、易受扰动等特性，一般的室内试验和现场原位勘测受于人力、时间、成本等因素限制，无法做到对施工区域的完全有效覆盖，通常只在施工区域的某些部位存在有限的勘测结果。同时，由于试验环境与实际受力环境存在差异，室内试验所得到的岩体力学参数也难以准确反映实际围岩性质。
目前常用的基于施工监测数据的位移反分析方法来反推围岩参数，如中国专利CN111414658A中公开了一种岩体力学参数反分析方法，包括以下步骤：S1，确定待反演的岩石力学参数，以均匀试验设计方法为基础构造训练样本的计算方案；S2，对构造出的每个方案进行数值计算，获得每个方案对应的谷幅变形值，并将计算方案与对应的谷幅变形计算值构成SDCS-LSSVM算法的输入输出值；S3，基于步骤S2得到的输入输出样本，并通过对输入输出样本数据的学习，建立起岩石力学参数与谷幅变形值之间的非线性映射关系；S4，求解目标函数的最优解，确定最优的的力学参数组合。
上述方法存在两点缺陷：
(1)上述方法没有对数据进行归一化处理，这会导致在最终目标函数计算时，由于不同测点位置不同，围岩变形特征不同，导致测点位移数量级不尽相同，数量级较大的测点会在目标函数中贡献较多的误差，而较小的测点则贡献很少，会被其他测点的误差掩盖，导致无法得到有效优化，降低准确度。
(2)上述方法采用的是单目标优化理论，对处于不同施工阶段、不同测点位置的测点的预测误差整合为一个目标函数进行优化，精度和可靠性较低。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种精度高、准确率高的岩土体力学参数获取方法。
本发明的目的可以通过以下技术方案来实现：
一种岩土体力学参数获取方法，所述的获取方法包括：
步骤1：选取待反演土体参数，确定参数范围并生成指定数量参数数据集；
步骤2：采用FLAC3D对参数数据集中的参数进行计算，获得指定测点位移量；
步骤3：将步骤2获取的指定测点位移量进行归一化处理；
步骤4：生成神经网络超参数初始种群，采用粒子群算法选取最优超参数组合，从而获得最优代理模型；
步骤5：采用NSGA-II算法，在代理模型的基础上反演待求土体参数，获取最终的岩土体力学参数。
优选地，所述的步骤1具体为：
步骤1-1：通过现场实测数据确定待选取参数及其范围；
步骤1-2：采用均匀采样方式在步骤1-1所得到的范围内进行采样，获得参数集。
优选地，所述的步骤2具体为：
步骤2-1：获取FLAC3D计算文件；
步骤2-2：选定测点，调用步骤2-1中的计算文件，并记录调用次数；
步骤2-3：记录测点的位移变化，与步骤1中的参数数据集进行合并；
步骤2-4：判断当前调用次数是否达到预设阈值，若是，则执行步骤2-5，否则，返回步骤2-2；
步骤2-5：获得整体参数数据集。
优选地，所述步骤3中的归一化处理为最大最小归一化处理或均值方差归一化处理。
更加优选地，所述的最大最小归一化处理具体为：
Figure BDA0002925616460000021
其中，Mij为数据集中第i列的第j行数据；
Figure BDA0002925616460000022
和
Figure BDA0002925616460000023
分别为第i列数据的最小值和最大值。
更加优选地，所述的均值方差归一化处理具体为：
Figure BDA0002925616460000031
其中，Mij为数据集中第i列的第j行数据；
Figure BDA0002925616460000032
和σi分别为第i列数据的均值和方差。
优选地，所述的步骤4具体为：
步骤4-1：根据输入设定的粒子数量n与迭代次数I，采用随机初始化的方式生成个体数量为n的初始粒子群，每个粒子具有位置xi与速度vi两种属性，其中位置xi为三层神经网络算法的超参数T和Lr，分别代表隐藏层单元数量与优化算法学习率，然后开始进入迭代；
步骤4-2：分别对步骤4-1生成的每个超参数组合构成的神经网络采用反向传播法进行训练，训练采用的数据集在步骤3生成的归一化后的数据集中随机选取；
步骤4-3：以4-2中粒子群代表的每个神经网络在测试集上的最小二乘误差作为适应度；
步骤4-4：在当前粒子群中找到适应度最好的粒子pbest；
步骤4-5：若该轮迭代不是初始迭代，则比较pbest与之前所有迭代中最优值gbest的大小关系，若pbest适应度高于gbest则用pbest取代gbest；
步骤4-6：更新每个粒子的速度vi与位置xi，更新方法为：
vi←vi+c1q(pbest-xi)+c2p(gbest-xi)
xi←xi+v
若当前迭代次数达到预设值，则停止迭代，输出gbest所处位置，否则返回步骤4-2继续进行下一轮迭代。
更加优选地，所述的神经网络的目标函数为最小二乘目标函数，具体为：
Figure BDA0002925616460000033
其中，N为一个patch所包含的样本数量，D为测点数量，yij为神经网络输出的第i个样本的第j个测点位移，
Figure BDA0002925616460000034
为训练集中第i个样本的第j个测点位移。
优选地，所述的步骤5具体为：
步骤5-1：采用随机初始化的方式生成待反演参数θ的初始种群，种群大小为预设值n，确定多目标反演目标函数F＝{f1(θ),f2(θ),…,fk(θ)}，其中fi为第i个目标函数：
Figure BDA0002925616460000041
式中，yi为输入参数为θ时步骤4所得到的代理模型输出的第i维，每个测点都对应一个目标函数，
Figure BDA0002925616460000042
为对应测点的实测位移值，进入迭代；
步骤5-2：根据目标函数计算每个个体的目标函数值，计算当前种群所有个体之间的支配关系，将找到的所有帕累托非支配解记为第一层，并为该层中的所有个体赋值irank＝1，其中irank表示个体i的非支配序值，其后将之前找到的非支配个体剔除，继续在剩余的个体中寻找非支配个体，这次找到的非支配个体被赋予irank＝2，依次类推，直到整个种群都被分层，每一层中的所有个体都具有相同的非支配序值；
步骤5-3：计算每个个体的拥挤度指标di；
步骤5-4：根据精英策略选择用于繁育下一代种群的个体，采用遗传算法中的交叉、变异方法生成下一代种群，若当前迭代次数大于设定值，则进入步骤5-5，否则，返回步骤5-2进行下一轮迭代；
步骤5-5：根据输出的帕累托最优解集，对解集中的每个个体，寻找总相对误差率APE最小的解作为反分析的输出解，输出接即为最终的岩土体力学参数。
更加优选地，所述的总相对误差率APE的计算方法为：
Figure BDA0002925616460000043
其中，yj为代入当前反演结果后的代理模型输出值，
Figure BDA0002925616460000044
为实际测点位移值。
与现有技术相比，本发明具有以下有益效果：
一、精度高：本发明中的岩土体力学参数获取方法选用神经网络算法来取代现有技术中的仿真模型，在缩短计算时间的同时还能保证较高的精度；同时，本发明针对施工过程中不同类型的监测数据(如不同施工阶段、不同测点等)，采用多目标优化理论分别对每一类数据进行优化，相比传统方法的单一目标优化，能够达到更高的反演准确度。
二、效率高：本发明中的岩土体力学参数获取方法应用并行算法计算种群个体适应度，具有更高的反演效率。
附图说明
图1为本发明中岩土体力学参数获取方法的流程示意图；
图2为本发明中NSGA-II算法的流程示意图。
具体实施方式
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的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明受国家自然科学基金雅砻江联合基金项目(U1765110)、浙江省交通厅科技计划项目(2020035)和中铁二十局集团科技项目(qzsycsd-202010-00002)资助。
一种岩土体力学参数获取方法，其流程如图1所示，包括：
步骤1：选取待反演土体参数，确定参数范围并生成指定数量参数数据集；
步骤1-1：通过现场实测数据确定待选取参数及其范围；
步骤1-2：采用均匀采样方式在步骤1-1所得到的范围内进行采样，获得参数集；
步骤2：采用FLAC3D对参数数据集中的参数进行计算，获得指定测点位移量；
步骤2-1：获取FLAC3D计算文件，可以直接根据实际工程编写FLAC3D计算文件；
步骤2-2：选定测点，通过FLAC3D中的内置Python模块反复调用步骤2-1中的计算文件，并记录调用次数；
步骤2-3：记录测点的位移变化，与步骤1中的参数数据集进行合并；
步骤2-4：判断当前调用次数是否达到预设阈值，若是，则执行步骤2-5，否则，返回步骤2-2；
步骤2-5：获得整体参数数据集；
步骤3：将步骤2获取的指定测点位移量进行归一化处理；
选取对应的归一化方法，包括最大最小归一化处理或均值方差归一化处理。如果训练数据集样本范围可信度高，即通过地勘报告、现场经验等信息能够确定围岩参数为步骤1-1中确定的范围时，选取最大最小归一方法；当围岩参数可能在步骤1-1确定的范围之外时，选取均值方差归一化方法。
最大最小归一化处理具体为：
Figure BDA0002925616460000061
其中，Mij为数据集中第i列的第j行数据；
Figure BDA0002925616460000062
和
Figure BDA0002925616460000063
分别为第i列数据的最小值和最大值；
均值方差归一化处理具体为：
Figure BDA0002925616460000064
其中，Mij为数据集中第i列的第j行数据；
Figure BDA0002925616460000065
和σi分别为第i列数据的均值和方差；
步骤4：生成神经网络超参数初始种群，采用粒子群算法选取最优超参数组合，从而获得最优代理模型；
步骤4-1：根据输入设定的粒子数量n与迭代次数I，采用随机初始化的方式生成个体数量为n的初始粒子群，每个粒子具有位置xi与速度vi两种属性，其中位置xi为三层神经网络算法的超参数T和Lr，分别代表隐藏层单元数量与优化算法学习率，然后开始进入迭代；
步骤4-2：分别对步骤4-1生成的每个超参数组合构成的神经网络采用反向传播法进行训练，训练采用的数据集在步骤3生成的归一化后的数据集中随机选取；
神经网络的目标函数为最小二乘目标函数，具体为：
Figure BDA0002925616460000066
其中，N为一个patch所包含的样本数量，D为测点数量，yij为神经网络输出的第i个样本的第j个测点位移，
Figure BDA0002925616460000067
为训练集中第i个样本的第j个测点位移；
步骤4-3：以4-2中粒子群代表的每个神经网络在测试集上的最小二乘误差作为适应度；
步骤4-4：在当前粒子群中找到适应度最好的粒子pbest；
步骤4-5：若该轮迭代不是初始迭代，则比较pbest与之前所有迭代中最优值gbest的大小关系，若pbest适应度高于gbest则用pbest取代gbest；
步骤4-6：更新每个粒子的速度vi与位置xi，更新方法为：
vi←vi+c1q(pbest-xi)+c2p(gbest-xi)
xi←xi+v
若当前迭代次数达到预设值，则停止迭代，输出gbest所处位置，否则返回步骤4-2继续进行下一轮迭代；
步骤5：采用NSGA-II算法，在代理模型的基础上反演待求土体参数，获取最终的岩土体力学参数；
步骤5-1：采用随机初始化的方式生成待反演参数θ的初始种群，种群大小为预设值n，确定多目标反演目标函数F＝{f1(θ),f2(θ),…,fk(θ)}，其中fi为第i个目标函数：
Figure BDA0002925616460000071
式中，yi为输入参数为θ时步骤4所得到的代理模型输出的第i维，每个测点都对应一个目标函数，
Figure BDA0002925616460000072
为对应测点的实测位移值，进入迭代；
步骤5-2：根据目标函数计算每个个体的目标函数值，计算当前种群所有个体之间的支配关系，将找到的所有帕累托非支配解记为第一层，并为该层中的所有个体赋值irank＝1，其中irank表示个体i的非支配序值，其后将之前找到的非支配个体剔除，继续在剩余的个体中寻找非支配个体，这次找到的非支配个体被赋予irank＝2，依次类推，直到整个种群都被分层，每一层中的所有个体都具有相同的非支配序值；
步骤5-3：计算每个个体的拥挤度指标di；
步骤5-4：根据精英策略选择用于繁育下一代种群的个体，采用遗传算法中的交叉、变异方法生成下一代种群，若当前迭代次数大于设定值，则进入步骤5-5，否则，返回步骤5-2进行下一轮迭代；
步骤5-5：根据输出的帕累托最优解集，对解集中的每个个体，寻找总相对误差率APE最小的解作为反分析的输出解，输出接即为最终的岩土体力学参数；
总相对误差率APE的计算方法为：
Figure BDA0002925616460000073
其中，yj为为代入当前反演结果后的代理模型输出值，
Figure BDA0002925616460000074
为实际测点位移值。实施例：
某公路工程隧道，隧道高10.8m，跨径为10.8m，隧道埋深44.6m。隧道所处围岩参数有较大的变化范围，为保证施工安全可靠，现采用本发明根据监测数据反演围岩各参数，围岩参数变化范围见表1。
表1待反演参数取值范围表
参数名称 取值范围
弹性模量(E) 20～30GPa
泊松比(μ) 0.25～0.35
内摩擦角(φ) 20～30°
黏聚力(c) 10～30MPa
根据表1所示取值范围，采用随机采样方式产生了500组围岩参数数据，并建立隧道的FLAC3D模型，计算得到各个测点位移值。将建立好的数据集输入粒子群-神经网络算法进行学习，得到了最优代理模型。由于测量数据x方向位移与y方向位移在数值上有较大差异，故针对不同方向的位移，设定两个目标函数：
Figure BDA0002925616460000081
Figure BDA0002925616460000082
式中，
Figure BDA0002925616460000083
分别代表代理模型预测测点i的x和y方向位移，
Figure BDA0002925616460000084
分别为实际测点i在x与y方向的位移，Lx、Ly为目标函数，本实例中，NSGA-II需要反演的目标函数为两个。将反演结果代入有限差分模型后得到的值与实测值结果如表2所示。
表2反演位移计算值与实际监测值对比
Figure BDA0002925616460000085
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种岩土体力学参数获取方法，其特征在于，所述的获取方法包括：
步骤1：选取待反演土体参数，确定参数范围并生成指定数量参数数据集；
步骤2：采用FLAC3D对参数数据集中的参数进行计算，获得指定测点位移量；
步骤3：将步骤2获取的指定测点位移量进行归一化处理；
步骤4：生成神经网络超参数初始种群，采用粒子群算法选取最优超参数组合，从而获得最优代理模型；
步骤5：采用NSGA-II算法，在代理模型的基础上反演待求土体参数，获取最终的岩土体力学参数。
2.根据权利要求1所述的一种岩土体力学参数获取方法，其特征在于，所述的步骤1具体为：
步骤1-1：通过现场实测数据确定待选取参数及其范围；
步骤1-2：采用均匀采样方式在步骤1-1所得到的范围内进行采样，获得参数集。
3.根据权利要求1所述的一种岩土体力学参数获取方法，其特征在于，所述的步骤2具体为：
步骤2-1：获取FLAC3D计算文件；
步骤2-2：选定测点，调用步骤2-1中的计算文件，并记录调用次数；
步骤2-3：记录测点的位移变化，与步骤1中的参数数据集进行合并；
步骤2-4：判断当前调用次数是否达到预设阈值，若是，则执行步骤2-5，否则，返回步骤2-2；
步骤2-5：获得整体参数数据集。
4.根据权利要求1所述的一种岩土体力学参数获取方法，其特征在于，所述步骤3中的归一化处理为最大最小归一化处理或均值方差归一化处理。
5.根据权利要求4所述的一种岩土体力学参数获取方法，其特征在于，所述的最大最小归一化处理具体为：
Figure FDA0002925616450000011
其中，Mij为数据集中第i列的第j行数据；
Figure FDA0002925616450000012
和
Figure FDA0002925616450000013
分别为第i列数据的最小值和最大值。
6.根据权利要求4所述的一种岩土体力学参数获取方法，其特征在于，所述的均值方差归一化处理具体为：
Figure FDA0002925616450000021
其中，Mij为数据集中第i列的第j行数据；
Figure FDA0002925616450000022
和σi分别为第i列数据的均值和方差。
7.根据权利要求1所述的一种岩土体力学参数获取方法，其特征在于，所述的步骤4具体为：
步骤4-1：根据输入设定的粒子数量n与迭代次数I，采用随机初始化的方式生成个体数量为n的初始粒子群，每个粒子具有位置xi与速度vi两种属性，其中位置xi为三层神经网络算法的超参数T和Lr，分别代表隐藏层单元数量与优化算法学习率，然后开始进入迭代；
步骤4-2：分别对步骤4-1生成的每个超参数组合构成的神经网络采用反向传播法进行训练，训练采用的数据集在步骤3生成的归一化后的数据集中随机选取；
步骤4-3：以4-2中粒子群代表的每个神经网络在测试集上的最小二乘误差作为适应度；
步骤4-4：在当前粒子群中找到适应度最好的粒子pbest；
步骤4-5：若该轮迭代不是初始迭代，则比较pbest与之前所有迭代中最优值gbest的大小关系，若pbest适应度高于gbest则用pbest取代gbest；
步骤4-6：更新每个粒子的速度vi与位置xi，更新方法为：
vi←vi+c1q(pbest-xi)+c2p(gbest-xi)
xi←xi+v
若当前迭代次数达到预设值，则停止迭代，输出gbest所处位置，否则返回步骤4-2继续进行下一轮迭代。
8.根据权利要求7所述的一种岩土体力学参数获取方法，其特征在于，所述的神经网络的目标函数为最小二乘目标函数，具体为：
Figure FDA0002925616450000023
其中，N为一个patch所包含的样本数量，D为测点数量，yij为神经网络输出的第i个样本的第j个测点位移，
Figure FDA0002925616450000024
为训练集中第i个样本的第j个测点位移。
9.根据权利要求1所述的一种岩土体力学参数获取方法，其特征在于，所述的步骤5具体为：
步骤5-1：采用随机初始化的方式生成待反演参数θ的初始种群，种群大小为预设值n，确定多目标反演目标函数F＝{f1(θ),f2(θ),…,fk(θ)}，其中fi为第i个目标函数：
Figure FDA0002925616450000031
式中，yi为输入参数为θ时步骤4所得到的代理模型输出的第i维，每个测点都对应一个目标函数，
Figure FDA0002925616450000032
为对应测点的实测位移值，进入迭代；
步骤5-2：根据目标函数计算每个个体的目标函数值，计算当前种群所有个体之间的支配关系，将找到的所有帕累托非支配解记为第一层，并为该层中的所有个体赋值irank＝1，其中irank表示个体i的非支配序值，其后将之前找到的非支配个体剔除，继续在剩余的个体中寻找非支配个体，这次找到的非支配个体被赋予irank＝2，依次类推，直到整个种群都被分层，每一层中的所有个体都具有相同的非支配序值；
步骤5-3：计算每个个体的拥挤度指标di；
步骤5-4：根据精英策略选择用于繁育下一代种群的个体，采用遗传算法中的交叉、变异方法生成下一代种群，若当前迭代次数大于设定值，则进入步骤5-5，否则，返回步骤5-2进行下一轮迭代；
步骤5-5：根据输出的帕累托最优解集，对解集中的每个个体，寻找总相对误差率APE最小的解作为反分析的输出解，输出解即为最终的岩土体力学参数。
10.根据权利要求9所述的一种岩土体力学参数获取方法，其特征在于，所述的总相对误差率APE的计算方法为：
Figure FDA0002925616450000033
其中，yj为为代入当前反演结果后的代理模型输出值，
Figure FDA0002925616450000034
为实际测点位移值。
CN202110131786.0A 2021-01-30 2021-01-30 一种岩土体力学参数获取方法 Active CN112948916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110131786.0A CN112948916B (zh) 2021-01-30 2021-01-30 一种岩土体力学参数获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110131786.0A CN112948916B (zh) 2021-01-30 2021-01-30 一种岩土体力学参数获取方法

Publications (2)

Publication Number Publication Date
CN112948916A CN112948916A (zh) 2021-06-11
CN112948916B true CN112948916B (zh) 2022-09-20

Family

ID=76240818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110131786.0A Active CN112948916B (zh) 2021-01-30 2021-01-30 一种岩土体力学参数获取方法

Country Status (1)

Country Link
CN (1) CN112948916B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454677A (zh) * 2013-09-18 2013-12-18 成都晶石石油科技有限公司 基于粒子群与线性加法器结合的地震数据反演方法
CN105260771A (zh) * 2015-09-24 2016-01-20 长江大学 磁法数据多目标粒子群反演方法
CN106682688A (zh) * 2016-12-16 2017-05-17 华南理工大学 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法
CN110795208A (zh) * 2019-10-11 2020-02-14 南京航空航天大学 基于改进粒子群的移动云计算自适应虚拟机调度方法
CN111461457A (zh) * 2020-04-17 2020-07-28 福州大学 一种基于粒子群优化bp神经网络的基坑位移预测方法
CN111666671A (zh) * 2020-05-29 2020-09-15 中南大学 一种围岩体蠕变参数的实时反演方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3469539A2 (en) * 2016-06-13 2019-04-17 Worldline A pareto-based genetic algorythm for a dynamic portfolio management
CN111414658B (zh) * 2020-03-17 2023-06-30 宜春学院 一种岩体力学参数反分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454677A (zh) * 2013-09-18 2013-12-18 成都晶石石油科技有限公司 基于粒子群与线性加法器结合的地震数据反演方法
CN105260771A (zh) * 2015-09-24 2016-01-20 长江大学 磁法数据多目标粒子群反演方法
CN106682688A (zh) * 2016-12-16 2017-05-17 华南理工大学 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法
CN110795208A (zh) * 2019-10-11 2020-02-14 南京航空航天大学 基于改进粒子群的移动云计算自适应虚拟机调度方法
CN111461457A (zh) * 2020-04-17 2020-07-28 福州大学 一种基于粒子群优化bp神经网络的基坑位移预测方法
CN111666671A (zh) * 2020-05-29 2020-09-15 中南大学 一种围岩体蠕变参数的实时反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multi-dimensional particle swarm optimization in dynamic environments;Kiranyaz s et al.;《Expert Systems with Applications》;20111231;第38卷(第3期);第2212-2223页 *
粒子群和遗传算法的渡槽结构动力参数反演模拟研究;李密 等;《黑龙江水利科技》;20180930;第46卷(第9期);第19-22页 *

Also Published As

Publication number Publication date
CN112948916A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
Adeli Neural networks in civil engineering: 1989–2000
CN103163064B (zh) 一种变电站接地网腐蚀速率的模糊预测方法
Liu et al. Overall grouting compactness detection of bridge prestressed bellows based on RF feature selection and the GA-SVM model
Bal et al. A comparison of different model selection criteria for forecasting EURO/USD exchange rates by feed forward neural network
CN112347537B (zh) 工程结构数值模型的校准方法、装置、电子设备及介质
CN105824987A (zh) 一种基于遗传算法的风场特征统计分布模型建立方法
Le et al. Correlating the unconfined compressive strength of rock with the compressional wave velocity effective porosity and Schmidt Hammer rebound number using artificial neural networks
Abambres et al. Application of ANN in pavement engineering: State-of-Art
Mamat et al. Slope stability prediction of road embankment on soft ground treated with prefabricated vertical drains using artificial neural network
CN110716998B (zh) 一种精细尺度人口数据空间化方法
CN112163669A (zh) 基于bp神经网络的路面沉陷预测方法
CN115659609A (zh) 一种基于dtw-dcrnn的化工园区噪声预测方法
CN108197431A (zh) 染色质相互作用差异的分析方法和系统
CN112948916B (zh) 一种岩土体力学参数获取方法
Cao et al. Seismic damage identification of high arch dams based on an unsupervised deep learning approach
CN110245370A (zh) 一种高面板堆石坝多目标力学参数反演方法
Choobbasti et al. Mapping of soil layers using artificial neural network (case study of Babol, northern Iran)
CN113609749A (zh) 适用于多场景的基于磁场信号的电流计算方法
CN116879960A (zh) 一种基于深度学习的随掘超前探测异常体定位与辨识方法
CN109933921B (zh) 一种滚石灾害风险评估方法、装置、系统及存储介质
CN103761336B (zh) 一种面向对象软件系统类间耦合性度量方法
Wang et al. A novel dynamic model parameter updating methodology of a sluice based on vibration response
CN112926260A (zh) 一种岩土材料物理力学参数准确估值新方法
Doan et al. Machine learning applications to load and resistance factors calibration for stability design of caisson breakwater foundations
Ferreira Application of ann in pavement engineering: State-of-art

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