学位论文 > 优秀研究生学位论文题录展示

基于BP神经网络的高填石路堤本构模型参数识别及应用研究

作　者: 徐先达
导　师: 杨成忠
学　校: 华东交通大学
专　业: 道路与铁道工程
关键词: 高填石路堤沉降本构模型参数识别有限元 BP神经网络
分类号: U416.12
类　型: 硕士论文
年　份: 2012年
下　载: 50次
引　用: 0次
阅　读: 论文下载

内容摘要

随着我国高速公路的建设不断向地质、地形条件复杂的山区延伸，使得高填深挖路基和隧道工程成为不可避免。在工程施工实际过程中，常常利用隧道优质的石质弃渣作为路基的填料，这既可以解决山区缺少石渣填料的问题，又可以减少弃渣对沿线生态环境的破坏和诱发地质灾害，所以高填石路堤将成为山区高等级公路较普遍、经济、环保的路基型式。高填石路堤沉降，特别是工后沉降的计算与预测已经成为工程成功与否的关键问题，但是由于其复杂性，通常需要选择或建立一个适合的本构模型进行仿真计算，然而模型参数的确定是制约问题分析的“瓶颈”。常规的工程类比法和试验法由于本身的缺陷性，人们从而转向研究建立依据现场量测信息反分析确定有关模型参数值的理论和方法，以使现有的计算理论可在工程实践中运用。本文结合沪蓉西高速公路典型断面的路堤，根据实测资料及动态施工模拟，揭示了路堤的应力-应变规律，并建立了基于时效的三参数蠕变模型。最后利用有限元与BP神经网络相结合的方法对弹塑性模型、邓肯-张（E-B）模型及蠕变模参数分别进行识别，并用所识别的参数进行正分析计算。通过计算沉降值与实测沉降值相比较，发现两者吻合较好，具有较高的可信度。所以采用有限元与BP神经网络相结合的方法不仅可以较为准确的计算与预测路堤沉降，也为信息化施工提供科学的决策，降低了路基的不均匀沉降和过大的工后沉降等灾害发生的概率，这对于保持交通畅通、保障车辆和行人安全、促进国民经济的发展都具有十分重要的意义。

全文目录

摘要  3-4
ABSTRACT  4-8
主要符号说明  8-9
第一章绪论  9-15
  1.1 研究的背景、目的及意义  9-10
  1.2 基于神经网络智能反分析的研究历史与现状  10-11
  1.3 模型参数的识别  11-13
    1.3.1 参数识别的基本原则  11
    1.3.2 本构模型参数识别的主要方法  11-13
  1.4 本文的主要研究工作和内容  13-15
    1.4.1 研究内容  13
    1.4.2 研究路线  13-15
第二章高填石路堤非线性本构模型  15-24
  2.1 概述  15
  2.2 非线性弹性模型  15-21
    2.2.1 邓肯-张（E-B）模型  15-19
    2.2.2 弹塑性模型  19-21
    2.2.3 本构模型比较  21
  2.3 非线性问题的求解方法  21-23
    2.3.1 增量初应力法  21-22
    2.3.2 增量初应变法  22-23
  2.4 本章小结  23-24
第三章高填石路堤蠕变本构模型研究  24-35
  3.1 概述  24
  3.2 填石料的蠕变变形特性  24-25
  3.3 元件本构模型  25-32
    3.3.1 基本元件  25-27
    3.3.2 组合模型  27-32
  3.4 高填石路堤三参数蠕变本构模型  32-34
    3.4.1 蠕变经验本构关系  32-33
    3.4.2 三参数蠕变本构模型的建立  33-34
    3.4.3 工后蠕变沉降的计算  34
  3.5 本章小结  34-35
第四章高填石路堤沉降监测分析  35-46
  4.1 工程概况  35
  4.2 高填石路堤沉降监测与成果分析  35-45
    4.2.1 监测目的  35
    4.2.2 监测方法  35-39
    4.2.3 成果及分析  39-45
  4.3 本章小结  45-46
第五章高填石路堤有限元数值模拟分析  46-57
  5.1 有限元法简介  46-48
    5.1.1 有限元法概述  46
    5.1.2 有限元法分析过程  46-48
  5.2 路堤有限元分析模型建立  48-49
    5.2.1 ANSYS 简介  48
    5.2.2 计算模型  48-49
  5.3 路堤计算及分析  49-56
    5.3.1 填石体变形机理及分层填筑加载原理  49-50
    5.3.2 施工过程的有限元模拟  50-52
    5.3.3 路堤施工的位移及应力分析  52-56
  5.4 本章小结  56-57
第六章神经网络反分析模型的建立及应用  57-80
  6.1 人工神经网络简介  57-61
    6.1.1 人工神经元模型  57-58
    6.1.2 人工神经网络的分类  58-59
    6.1.3 神经网络的学习方式  59-60
    6.1.4 神经网络的学习规则  60-61
  6.2 BP 神经网络  61-67
    6.2.1 BP 网络的基本思想  61-63
    6.2.2 BP 算法基本步骤  63-65
    6.2.3 BP 算法存在的问题及改进  65-67
  6.3 BP 神经网络反分析的实现  67-70
    6.3.1 BP 神经网络反分析的基本步骤  67-68
    6.3.2 BP 神经网络结构的确定  68-70
  6.4 弹塑性模型参数的智能识别  70-76
    6.4.1 弹塑性模型参数正交模拟计算  70-72
    6.4.2 网络的设计参数及训练  72-75
    6.4.3 反演结果分析  75-76
  6.5 E-B 模型参数的智能识别  76-77
    6.5.1 E-B 模型参数正交模拟计算  76
    6.5.2 网络的设计参数及训练  76
    6.5.3 反演结果分析  76-77
  6.6 蠕变模型参数的智能识别  77-79
    6.6.1 蠕变模型参数正交模拟计算  77-78
    6.6.2 网络的设计参数及训练  78
    6.6.3 反演结果分析  78-79
  6.7 本章小结  79-80
第七章结论与展望  80-81
  7.1 主要工作回顾  80
  7.2 本课题今后需进一步研究的地方  80-81
参考文献  81-84
附录  84-86
个人简历在读期间发表的学术论文  86-87
致谢  87

基于BP神经网络的高填石路堤本构模型参数识别及应用研究

内容摘要

全文目录

相似论文