CN117217121A - 基于分布式并行topso-ewoa-de算法的岩体力学参数反演方法及系统 - Google Patents
基于分布式并行topso-ewoa-de算法的岩体力学参数反演方法及系统 Download PDFInfo
- Publication number
- CN117217121A CN117217121A CN202311187062.3A CN202311187062A CN117217121A CN 117217121 A CN117217121 A CN 117217121A CN 202311187062 A CN202311187062 A CN 202311187062A CN 117217121 A CN117217121 A CN 117217121A
- Authority
- CN
- China
- Prior art keywords
- ewoa
- topso
- algorithm
- rock
- mechanical parameter
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000013461 design Methods 0.000 claims description 16
- 230000006978 adaptation Effects 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 241000283153 Cetacea Species 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000010429 evolutionary process Effects 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 description 19
- 238000012544 monitoring process Methods 0.000 description 9
- 238000009412 basement excavation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于分布式并行TOPSO‑EWOA‑DE算法的岩体力学参数反演方法，包括以下步骤：S1、建立岩体力学参数反演模型，统计模型参数信息；S2、根据S1的模型参数信息，设置n组初始力学参数X1，X2，…,Xn，并将初始力学参数信息通过网络发至所有工作的计算机；S3、分布式并行的计算机采用TOPSO‑EWOA‑DE算法根据初始力学参数信息对岩体力学参数进行反演；S4、综合各计算机端反演结果，输出最优结果；本发明的主要特点是采用计算机并行的TOPSO‑EWOA‑DE算法对参数进行反演，有效的提高了反演效率，使得在计算机网络环境中基于有限单元法的复杂岩体参数反馈分析成为可能。
Description
技术领域
本发明属于地下洞室工程技术领域，尤其涉及一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演方法及系统。
背景技术
由于岩体变形计算的模型越来越复杂，从线性、非线性到粘-弹塑性，计算规模也越来越大，伴随而来的是大规模的重复计算问题。有限元计算本身需要较长的计算时间，在此基础上进行最优化计算，工作量则成百上千倍地增长，迫切需要有高性能的计算机软、硬件系统。
由于受元器件物理性能的限制，使得单机速度的提高逐步达到了极限，在单机上有效地解决大型或超大型工程设计的优化问题有一定困难。目前网络并行计算成为当前国际上超大规模工程问题计算分析的一个重要研究方向，使用多台处理机协调、有序地工作来提高计算规模和计算效率是一种简便、可行的技术方案。
计算机网络并行可提供更大规模计算的环境，基于消息传递的并行软件提供了工程实用软件的设计平台，使得在计算机网络环境中基于有限单元法的复杂岩体参数反馈分析成为可能。
TOPSO-EWOA-DE算法(混沌反向粒子群-强化鲸鱼-差分进化算法)是一种基于双种群的进化策略，通过将群体划分为两个或多个子群体，并在进化过程中同时操作这些子群体来提高搜索性能。每个子群体都有自己的进化机制和参数设置。计算过程对函数性态的依赖性较小，具有适应范围广、鲁棒性好等优点，非常适合于计算机并行计算。
发明内容
为解决现有技术中存在的不足，本发明提供一种基于分布式并行环境下TOPSO-EWOA-DE算法的岩体力学参数反演方法，以提高参数反演计算效率。
本发明采用如下的技术方案。
一方面，本发明提供一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演方法，包括以下步骤：
S1、建立岩体力学参数反演模型，统计模型参数信息；
S2、根据S1的模型参数信息，设置n组初始力学参数X1，X2，…,Xn，并将初始力学参数信息通过网络发至所有工作的计算机；
S3、分布式并行的计算机采用TOPSO-EWOA-DE算法根据初始力学参数信息对岩体力学参数进行反演；
S4、综合各计算机端反演结果，输出最优结果；
进一步地，S1建立的岩体力学参数反演模型为塑性岩体材料的反演模型。
进一步地，S1中的模型参数信息包括初始力学参数和训练阶段需要更新的参数。
进一步地，所述S3中采用TOPSO-EWOA-DE算法对岩体力学参数进行反演主要包括以下步骤：
步骤1：设置种群规模M和设计变量的取值范围，基于Tent映射和初始力学参数生成岩石力学参数的初始种群；
步骤2：计算种群每个个体的适应值；
步骤3：基于步骤1所得到的的初始种群，更新增强型鲸鱼优化算法和粒子群算法进化过程中的参数，生成对应的进化实验种群POP_EWOA和进化实验种群POP_PSO；
步骤4：计算POP_EWOA、POP_PSO两个进化实验种群中所有个体的适应值F1和F2；
步骤5：根据步骤4得到的适应值F1和F2，确定全局最优解，选择最终实验种群POP_trial；
步骤6：根据差分进化算法生成下一代种群，在差分进化的变异阶段根据混沌随机反向学习策略生成反向种群，进入交叉阶段，随后在选择阶段通过比较适应值，选择较优个体进入下一代种群；
步骤7：判断TOPSO-EWOA-DE算法的迭代数k是否达到最大迭代次数Itmax,如满足则输出最优解，否则转到步骤2。
进一步地，所述步骤3中TOPSO-EWOA-DE算法进化实验种群POP_EWOA、POP_PSO生成公式如下：
式中：表示第k次迭代时，粒子i的第j个设计变量的值；Xjm1n和Xjmax分别为第j个设计变量取值范围的最大值和最小值；q为【0，1】之间的随机数；q”为设计变量随机变化的概率；
式中：表示第k次迭代时，粒子i的第j个设计变量的速度；/>表示第k
次迭代最优解的第j个变量的值；表示直到第k次迭代的全局最优解的第j
维分量；r1，r2表示介于[0,1]之间的随机数；C1,C2表示认知参数和社会参数，均设置为2；ωk表示惯性权重。
进一步地，步骤5中，根据F1和F2值的大小来判断个体在两个不同实验中的优劣程度，通过多次迭代搜索和优化，以寻找最优的参数组合来确定全局最优解；
在每一代迭代过程中，根据适应度函数的值，选择适应度高的个体作为潜在的全局最优解；随着迭代的进行，不断更新和改进当前的最优解，直到达到预定的停止条件，生成全局最优解的种群即为最终实验种群POP_trial。
进一步地，步骤6中，根据适应值的差异和个体之间的竞争关系，选择适应值高的个体作为择优的标准。
进一步地，步骤7中，若TOPSO-EWOA-DE算法的迭代数k＜Itmax，则迭代数k变为k+1，回到步骤2。
进一步地，所述S4中：使用目标函数来确定最优结果；
式中：表示第i组数据的计算结果，为计算机端反演结果；/>表示第i
组数据的测量结果；l表示数据总组数。
另一方面，本发明提供一种基于分布式并行环境下TOPSO-EWOA-DE算法的岩体力学参数反演系统，；
所述系统包括岩体力学参数反演模型建立模块、岩体力学参数反演模块和结果输出模块；
所述岩体力学参数反演模型建立模块用于建立岩体力学参数反演模型，统计模型参数信息；
所述岩体力学参数反演模块采用TOPSO-EWOA-DE算法对岩体初始力学参数进行反演；
所述结果输出模块用于综合各计算机端反演结果，输出最优结果。
本发明的有益效果在于，与现有技术相比：
1.采用的分布式并行计算方法具有良好的可扩展性和灵活的体系结构。
2.提供TOPSO-EWOA-DE算法对参数进行反演，有效的提高了反演效率，减少计算量。
3.本发明提出的方法使得在计算机网络环境中基于有限单元法的复杂岩体参数反馈分析成为可能。
附图说明
图1为本发明所述基于分布式并行环境下TOPSO-EWOA-DE算法的岩体力学参数反演方法流程图；
图2为开挖分层示意图；
图3为开挖尺寸示意图；
图4为厂房顶拱层边墙扩挖示意图。
具体实施方式
为使本发明的目的、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，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。
参照图1，本发明的基于分布式并行环境下TOPSO-EWOA-DE算法的岩体力学参数反演方法，具体步骤如下：
S1、建立岩体力学参数反演模型，统计模型参数信息；
所述步骤S1中：建立的岩体力学参数反演模型为塑性岩体材料的反演模型；
塑性岩体材料的反演模型采Drucker-Prager模型，用于描述岩石和土壤等材料在应力作用下的塑性行为。在三维应力状态下，Drucker-Prager模型可以表示为：
其中：F是屈服条件函数；σij是剪应力张量；p是正应力的平均值；σkk是正应力的迹；是内摩擦角。
S1中的模型参数信息包括初始力学参数和训练阶段需要更新的参数；
训练阶段需要更新的参数是用来优化模型的性能，以更好地预测岩石力学参数。这些参数的更新是为了使模型能够更准确地从输入数据中学习到岩石力学参数之间的关系，从而实现更精确的预测和反演结果。
S2、根据S1的模型参数信息，设置n组初始力学参数X1，X2，…,Xn，并将初始力学参数信息通过网络发至所有工作的计算机；
S3、分布式并行的计算机采用TOPSO-EWOA-DE算法根据初始力学参数信息对岩体力学参数进行反演；
所述S3中采用TOPSO-EWOA-DE算法对岩体力学参数进行反演主要包括
以下步骤：
步骤1：设置种群规模M和设计变量的取值范围，基于Tent映射和初始力学参数生成岩石力学参数的初始种群；
步骤2：计算种群每个个体的适应值；
对于每个个体，将其岩石力学参数代入模型，计算出模型预测值，然后计算其预测值与实际测量值之间的均方误差，该误差即为适应值。
步骤3：基于步骤1所得到的的初始种群，更新增强型鲸鱼优化算法(EWOA)和粒子群算法(PSO)进化过程中的参数，生成对应的进化实验种群POP_EWOA和进化实验种群POP_PSO；
实验种群POP_EWOA、POP_PSO生成公式如下：
式中：表示第k次迭代时，粒子i的第j个设计变量的值；Xjmin和Xjmax分别为第j个设计变量取值范围的最大值和最小值；q为【0，1】之间的随机数；q”为设计变量随机变化的概率；
式中：表示第k次迭代时，粒子i的第j个设计变量的速度；/>表示第k次迭代最优解的第j个变量的值；/>表示直到第k次迭代的全局最优解的第j维分量；r1，r2表示介于[0,1]之间的随机数；C1,C2表示认知参数和社会参数，均设置为2；ωk表示惯性权重。
步骤4：计算POP_EWOA、POP_PSO两个进化实验种群中所有个体的适应值F1和F2；
步骤5：根据步骤4得到的适应值F1和F2，确定全局最优解，选择最终实验种群POP_trial；
根据F1和F2值的大小来判断个体在两个不同实验中的优劣程度，通过多次迭代搜索和优化，以寻找最优的参数组合来确定全局最优解；
在每一代迭代过程中，根据适应度函数的值，选择适应度高的个体作为潜在的全局最优解；随着迭代的进行，不断更新和改进当前的最优解，直到达到预定的停止条件，生成全局最优解的种群即为最终实验种群POP_trial。
步骤6：根据差分进化算法生成下一代种群，在差分进化的变异阶段根据混沌随机反向学习策略生成反向种群，进入交叉阶段，随后在选择阶段通过比较适应值，根据适应值的差异和个体之间的竞争关系，选择适应值高的个体作为择优的标准，选择较优个体进入下一代种群；
POP_trial中的优秀个体可以为步骤6中的差分进化算法提供有益的信息，有助于引导算法在参数空间中寻找更优解。通过这样的方式，可以在进化过程中充分利用已经得到的最终实验种群，提高算法的搜索效率和优化性能。
步骤7：判断TOPSO-EWOA-DE算法的迭代数k是否达到最大迭代次数Itmax,如满足则输出最优解，否则转到步骤2。
若TOPSO-EWOA-DE算法的迭代数k＜Itmax，则迭代数k变为k+1，回到步骤2。
S4、综合比较各计算机端反演结果，输出最优结果；
所述S4中：使用目标函数来确定最优结果；
式中：表示第i组数据的计算结果，为计算机端反演结果，用来优化模型参数以逼近测量结果/>从而获得更准确的岩石力学参数；/>表示第i组数据的测量结果；l表示数据总组数。
本发明提供一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演系统，所述系统包括岩体力学参数反演模型建立模块、岩体力学参数反演模块和结果输出模块；
所述岩体力学参数反演模型建立模块用于建立岩体力学参数反演模型，统计模型参数信息；
所述岩体力学参数反演模块采用TOPSO-EWOA-DE算法对岩体初始力学参数进行反演；
所述结果输出模块用于综合各计算机端反演结果，输出最优结果。
实施例：
本结构模型采用塑性岩体材料的反演模型，根据实测资料和有限元计算结果，按照相关优化方法，对地下洞室群围岩力学参数进行反演计算，结果见表1。
图2所示为分层示意图，开挖程序如表2所示，在开挖主厂房顶拱之前，先进行周围洞室如进厂交通洞、进风洞、通风兼安全洞等的开挖。
主厂房顶拱采用中导洞贯通、下游扩挖、再上游扩挖的施工方法，开挖尺寸如图3所示。计算时按30m进尺简化处理，侧墙先开中槽再两边分别扩挖，施工示意图见图4。
根据监测资料，监测分别在断面(A-A)到断面(E-E)的顶拱位置附近和两侧布置了6根多点位移计。根据多点位移计监测资料，五个监测断面各测点(14m，6m，2m，孔口)、(22m，20m，16m，8m)、(25m，23m，19m，11m)、(22.5m，20.5m，16.5m，8.5m)、(25.5m，23.5m，19.5m，11.5m)各时段的位移见表3～表7。同时通过有限元计算结果，整理了相应五个监测断面的各测点开挖步的位移计算结果。
表1洞室围岩物理力学参数反演结果
表2厂房各部分开挖程序
表3(A-A)断面多点位移计监测位移值及计算位移
表4(B-B)断面多点位移计监测位移值及计算位移
表5(C-C)断面多点位移计监测位移值及计算位移
表6(D-D)断面多点位移计监测位移值及计算位移值
表7(E-E)断面多点位移计监测位移值及计算位移值
本发明的有益效果在于，与现有技术相比：
1.采用的网络并行计算方法具有良好的可扩展性和灵活的体系结构。
2.提出了TOPSO-EWOA-DE算法对参数进行反演，有效的提高了反演效率，减少计算量。
3.本发明提出的方法使得在计算机网络环境中基于有限单元法的复杂岩体参数反馈分析成为可能。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演方法，其特征在于，包括以下步骤：
S1、建立岩体力学参数反演模型，统计模型参数信息；
S2、根据S1的模型参数信息，设置n组初始力学参数X1，X2，…,Xn，并将初始力学参数信息通过网络发至分布式并行的计算机；
S3、分布式并行的计算机采用TOPSO-EWOA-DE算法根据初始力学参数信息对岩体力学参数进行反演；
S4、综合各计算机端反演结果，输出最优结果。
2.根据权利要求1所述的一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演方法，其特征在于：
S1建立的岩体力学参数反演模型为塑性岩体材料的反演模型。
3.根据权利要求1所述的一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演方法，其特征在于：
S1中的模型参数信息包括初始力学参数和训练阶段需要更新的参数。
4.根据权利要求1所述的一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演方法，其特征在于：
S3中采用TOPSO-EWOA-DE算法对岩体力学参数进行反演包括以下步骤：
步骤1：设置种群规模M和岩石力学参数的取值范围，基于Tent映射和初始力学参数生成岩石力学参数的初始种群；
步骤2：计算种群每个个体的适应值；
步骤3：基于步骤1所得到的的初始种群，更新增强型鲸鱼优化算法和粒子群算法进化过程中的参数，生成对应的进化实验种群POP_EWOA和进化实验种群POP_PSO；
步骤4：计算POP_EWOA、POP_PSO两个进化实验种群中所有个体的适应值F1和F2；
步骤5：根据步骤4得到的适应值F1和F2，确定全局最优解，选择最终实验种群POP_trial；
步骤6：根据差分进化算法生成下一代种群，在差分进化的变异阶段根据混沌随机反向学习策略生成反向种群，进入交叉阶段，随后在选择阶段通过比较步骤2得到的适应值，选择较优个体进入下一代种群；
步骤7：判断TOPSO-EWOA-DE算法的迭代数k是否达到最大迭代次数Itmax,如满足则输出最优解，否则转到步骤2。
5.根据权利要求4所述的一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演方法，其特征在于：
步骤3中TOPSO-EWOA-DE算法进化实验种群POP_EWOA、POP_PSO生成公式如下：
式中：表示第k次迭代时，粒子i的第j个设计变量的值；Xjmin和Xjmax分别为第j个设计变量取值范围的最大值和最小值；q为【0，1】之间的随机数；q”为设计变量随机变化的概率；
式中：表示第k次迭代时，粒子i的第j个设计变量的速度；/>表示第k次迭代最优解的第j个变量的值；/>表示直到第k次迭代的全局最优解的第j维分量；r1，r2表示介于[0,1]之间的随机数；C1,C2表示认知参数和社会参数，均设置为2；ωk表示惯性权重。
6.根据权利要求4所述的一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演方法，其特征在于：
步骤5中，根据F1和F2值的大小来判断个体在两个不同实验中的优劣程度，通过多次迭代搜索和优化，以寻找最优的参数组合来确定全局最优解；
在每一代迭代过程中，选择适应度高的个体作为潜在的全局最优解；随着迭代的进行，不断更新和改进当前的最优解，直到达到预定的停止条件，生成全局最优解的种群即为最终实验种群POP_trial。
7.根据权利要求4所述的一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演方法，其特征在于：
步骤6中，根据适应值的差异和个体之间的竞争关系，选择适应值高的个体作为择优的标准。
8.根据权利要求4所述的一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演方法，其特征在于：
步骤7中，若TOPSO-EWOA-DE算法的迭代数k＜Itmax，则迭代数k变为k+1，回到步骤2。
9.根据权利要求1所述的一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演方法，其特征在于：
所述S4使用目标函数来确定最优结果；
式中：表示第i组数据的计算结果，为计算机端反演结果；/>表示第i组数据的测量结果；l表示数据总组数。
10.一种基于分布式并行TOPSO-EWOA-DE算法的岩体力学参数反演系统，其特征在于：
所述系统包括岩体力学参数反演模型建立模块、岩体力学参数反演模块和结果输出模块；
所述岩体力学参数反演模型建立模块用于建立岩体力学参数反演模型，统计模型参数信息；
所述岩体力学参数反演模块采用TOPSO-EWOA-DE算法对岩体初始力学参数进行反演；
所述结果输出模块用于综合各计算机端反演结果，输出最优结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311187062.3A CN117217121A (zh) | 2023-09-14 | 2023-09-14 | 基于分布式并行topso-ewoa-de算法的岩体力学参数反演方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311187062.3A CN117217121A (zh) | 2023-09-14 | 2023-09-14 | 基于分布式并行topso-ewoa-de算法的岩体力学参数反演方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117217121A true CN117217121A (zh) | 2023-12-12 |
Family
ID=89047612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311187062.3A Pending CN117217121A (zh) | 2023-09-14 | 2023-09-14 | 基于分布式并行topso-ewoa-de算法的岩体力学参数反演方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217121A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169558A (zh) * | 2017-05-25 | 2017-09-15 | 河海大学 | 一种实现工程岩体力学参数反演的改进粒子群优化方法 |
| CN111414658A (zh) * | 2020-03-17 | 2020-07-14 | 宜春学院 | 一种岩体力学参数反分析方法 |
| WO2021007959A1 (zh) * | 2019-07-15 | 2021-01-21 | 中国矿业大学 | 一种模拟巷道围岩裂隙演化的离散元方法 |
| CN113221462A (zh) * | 2021-05-21 | 2021-08-06 | 中铁十四局集团第四工程有限公司 | 一种pso-de算法和神经网络联合的基坑土体参数反演方法 |
| CN116680990A (zh) * | 2023-06-27 | 2023-09-01 | 太原理工大学 | 面向开采沉陷的岩体力学参数反演方法 |
-
2023
- 2023-09-14 CN CN202311187062.3A patent/CN117217121A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169558A (zh) * | 2017-05-25 | 2017-09-15 | 河海大学 | 一种实现工程岩体力学参数反演的改进粒子群优化方法 |
| WO2021007959A1 (zh) * | 2019-07-15 | 2021-01-21 | 中国矿业大学 | 一种模拟巷道围岩裂隙演化的离散元方法 |
| CN111414658A (zh) * | 2020-03-17 | 2020-07-14 | 宜春学院 | 一种岩体力学参数反分析方法 |
| CN113221462A (zh) * | 2021-05-21 | 2021-08-06 | 中铁十四局集团第四工程有限公司 | 一种pso-de算法和神经网络联合的基坑土体参数反演方法 |
| CN116680990A (zh) * | 2023-06-27 | 2023-09-01 | 太原理工大学 | 面向开采沉陷的岩体力学参数反演方法 |
Non-Patent Citations (2)
| Title |
|---|
| 蒙继华;程志强;王一明;: "WOFOST模型与遥感数据同化的土壤速效养分反演", 遥感学报, no. 04, 25 July 2018 (2018-07-25), pages 1 - 4 * |
| 韩峰;徐磊;张太俊;: "坝基岩体力学参数的PSO-ABAQUS联合反演", 河海大学学报(自然科学版), no. 04, 25 July 2013 (2013-07-25), pages 2 - 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109684714B (zh) | 一种基于机器学习和bim技术的建筑设计方法 | |
| Wang et al. | Application of artificial neural network in tunnel engineering: A systematic review | |
| CN104376214A (zh) | 基于数据驱动的脉动风速模拟方法 | |
| CN112084727A (zh) | 一种基于神经网络的转捩预测方法 | |
| CN105930562A (zh) | 一种非概率条件下的结构性能优化设计方法 | |
| CN112879024B (zh) | 一种盾构姿态动态预测方法、系统及设备 | |
| CN114235330B (zh) | 关联风洞试验和计算数据的多源气动载荷模型构建方法 | |
| Yi et al. | Intelligent prediction of transmission line project cost based on least squares support vector machine optimized by particle swarm optimization | |
| Fei et al. | Research on tunnel engineering monitoring technology based on BPNN neural network and MARS machine learning regression algorithm | |
| CN103413038A (zh) | 基于矢量量化的长期直觉模糊时间序列预测方法 | |
| Cai et al. | Application of BAS-Elman neural network in prediction of blasting vibration velocity | |
| CN111125963A (zh) | 基于拉格朗日积分点有限元的数值仿真系统及方法 | |
| CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
| Wilkinson et al. | Approximating computational fluid dynamics for generative tall building design | |
| CN113221228B (zh) | 水电站地下洞群围岩力学参数反演方法 | |
| Wang et al. | An Improved Grey Prediction Model Based on Matrix Representations of the Optimized Initial Value. | |
| CN116894180B (zh) | 一种基于异构图注意力网络的产品制造质量预测方法 | |
| Zehtabiyan-Rezaie et al. | Physics-guided machine learning for wind-farm power prediction: Toward interpretability and generalizability | |
| Zhang et al. | Multi-fidelity surrogate model ensemble based on feasible intervals | |
| CN117217121A (zh) | 基于分布式并行topso-ewoa-de算法的岩体力学参数反演方法及系统 | |
| CN115510732B (zh) | 一种基于深度学习的方舱红外特性仿真快速算法 | |
| CN114462336B (zh) | 一种核反应堆主管道冷却剂平均温度计算方法 | |
| JP2007080095A (ja) | 異方性を有する球状表面波素子の解析方法 | |
| Tabib et al. | Hybrid deep-learning POD-based parametric reduced order model for flow around wind-turbine blade | |
| CN115099066A (zh) | 一种基于Kriging的输电塔结构风灾易损性建模方法 |
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 |