基于神经网络的高边坡稳定性预测与加固研究

《基于神经网络的高边坡稳定性预测与加固研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于神经网络的高边坡稳定性预测与加固研究Stabilitypredictionandreinforcementresearchofhighslopebasedonneuralnetwork作者：付强导师：赵玉成教授中国矿业大学二〇一五年五月中图分类号学校代码10290UDC密级公开中国矿业大学硕士学位论文基于神经网络的高边坡稳定性预测与加固研究Stabilitypredictionandreinforcementresearchofhighslopebasedonneuralnetwork作者付强导师赵玉成申请学位工学硕士培养单位力学与建筑工程学院学科专

2、业一般力学与力学基础研究方向岩土工程力学与工程应用答辩委员会主席评阅人二○一五年五月论文审阅认定书研究生付强在规定的学习年限内，按照研究生培养方案的要求，完成了研究生课程的学习，成绩合格；在我的指导下完成本学位论文,经审阅，论文中的观点、数据、表述和结构为我所认同，论文撰写格式符合学校的相关规定，同意将本论文作为学位申请论文送专家评审。导师签字：年月日致谢本论文是在导师赵玉成教授的悉心指导下完成的，从论文选题到理论、模拟分析，在论文框架的构建以及最后的文理疏通、审阅定稿等每一步工作中，导师倾注了大量的心血和智慧。论文中的每一项工作、每一步进展，无不凝聚着导师的智慧和

3、心血。导师追求真理的执着信念、精益求精的工作作风、严谨求实的治学态度和崇高质朴的品德风范，是我终身学习的榜样和楷模，将永远激励我在今后的人生道路上不断进取。在此论文完成之际，谨对导师三年来给予的指导和关怀致以衷心的感谢和深深的敬意，祝福导师永远身体健康、合家幸福！感谢茅献彪教授、殷祥超教授、刘卫群教授、马占国教授、陈占清教授、浦海教授等在论文选题及写作方面所给予的指导；感谢苏海、刘家成、王明师弟及李二霞、黄丽师妹在理论分析及数值分析等方面给予的帮助；感谢何东旭硕士、张彦坤硕士、刘飞硕士、陶静硕士等在论文撰写中给予的帮助。感谢父母的养育之恩及多年以来为我学业的完成而付

4、出辛勤劳作。感谢力学系所有的老师和我的同学们。感谢论文所引用文献的作者。最后再次向导师致敬，并感谢所有帮助和关心我的人。感谢各位专家和学者在百忙之中评审论文，衷心希望得到您的指导和帮助。2015年5月摘要边坡稳定性问题作为岩土工程研究领域中的重要课题，广泛涉及到公路、铁路、水利工程、建筑基坑、煤矿等基础建设中。边坡稳定性问题主要研究：边坡稳定性的预测与加固效果预测。通过对边坡稳定性的预测与加固预测，可以快速、直观地判断出边坡的状态。边坡加固效果模拟可以近似仿真现场加固效果，低成本获得较优的边坡加固方案，从而为边坡加固方案的现场实施提供一定的科学参考。本文基于理论分析

5、和数值模拟，系统分析了考虑渗流场作用下高边坡的稳定性与加固效果，主要完成了以下几个方面的研究工作：（1）系统概述了岩土屈服准则和岩土微观破坏机理、边坡破坏的判别准则以及边坡强度折减法等基本理论。（2）研究了边坡在自重作用下的变形、塑性区、安全系数等特征，并且进一步研究了边坡在渗流场、应力场耦合作用情况下的稳定性和破坏规律。为了简化预测系统，详细对比了渗流场作用下和代替重度法的边坡稳定性差异，为建立有效的边坡稳定性预测系统提供了理论基础。（3）基于神经网络理论，对比了几个训练函数的准确性，并且确定了几个影响因素（重度、内聚力、内摩擦角、坡角、坡高等）作为输入层，建立了

6、5*12*1的神经网络预测高边坡稳定性的诊断平台。通过大量的边坡数值模拟结果作为训练样本，并且验证了神经网络的准确性；并在以上基础上，对诊断平台进行深入研究，建立了边坡加固效果神经网络预测系统，确定了多个影响因素（重度、内聚力、内摩擦角、坡角、坡高、加固前安全系数、土钉长度、土钉间隔、土钉角度、网喷厚度等）作为输入层，建立10*16*1的神经网络诊断平台，将大量规范中的加固方案作为训练样本，并且验证其准确性。（4）结合上述神经网络诊断平台，先对徐济高速公路边坡进行稳定性预测，然后通过边坡加固神经网络预测制定加固方案，最后通过Flac3D模拟加固方案，详细了解边坡受力

7、状态并对预测结果验证。关键词：边坡；破坏机理；塑性区；神经网络；数值模拟IAbstractAsanimportantsubjectingeotechnicalengineering,theproblemofslopestabilityiswidelyrelatedtothebasicconstructionsuchashighway,railway,waterconservancyproject,buildingfoundationpitandcoalmine.Slopestabilityshowstwoaspects:1.predictionofslopest