浅论基于人工智能方法加筋土本构模型

浅论基于人工智能方法加筋土本构模型

ID:35135430

大小:3.32 MB

页数:79页

时间:2019-03-19

浅论基于人工智能方法加筋土本构模型_第1页
浅论基于人工智能方法加筋土本构模型_第2页
浅论基于人工智能方法加筋土本构模型_第3页
浅论基于人工智能方法加筋土本构模型_第4页
浅论基于人工智能方法加筋土本构模型_第5页
资源描述:

《浅论基于人工智能方法加筋土本构模型》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、湖南大学硕士学位论文基于人工智能方法加筋土本构模型姓名:彭钊申请学位级别:硕士专业:岩土工程指导教师:陈昌富20090515硕lj学位论文摘要加筋土作为一种新型的土工结构物,具有施工简易、造价低廉、稳定性好的优点,为土木工程师提供了多方面经济适用的手段。加筋土技术已大量广泛地应用于水利、公路、铁路、港口和建筑等部门的加筋支挡结构、加筋土坡和软土地基加筋。随着土工合成材料在现代岩土工程中的应用,加筋土技术的应用更加广泛。因此,对加筋土的理论研究也就更加必要。由于在土中加入了筋材,土的特性发生改变,加筋土的本构模型难以用先前研究素土得到的本构模型来解释,本文基于人工智

2、能方法利用草根加筋土三轴实验数据训练智能网络,自动生成网络参数,得到了加筋土BP神经网络本构模型,RBF神经网络本构模型,ANFIS本构模型,避免了数学建模确定函数参数的困难。主要成果和结论有:(1)建立了草根加筋土BP神经网络本构模型,模型训练误差与检验误差均很小,在训练和检验过程中模型拟合曲线与试验曲线均很吻合,并用模型拟合结果修正了由试验误差引起的最大主应力与草根含量关系曲线的突变点,表明网络具有良好的容错能力和较高的精度,可以用做草根加筋土的本构模型。模型拟合得到的不同草根含量的加筋土应力应变预测曲线也满足最大主应力与草根含量关系曲线,此模型具有良好的泛发

3、推广能力。(2)建立了草根加筋士RBF神经网络本构模型,并讨论了训练样本规模和误差控制对网络精度的影响。训练样本规模越大,网络对数据内在规律的学习也越好。训练误差过小可能出现过拟合,导致网络的容错能力下降,误差过大又可能导致网络对训练数据内在规律学习不够。(3)建立了草根加筋上ANFIS本构模型,模型拟合得到的不同草根含量的加筋土应力应变预测曲线光滑,且满足最大主应力与争根含量关系曲线,此模型具有良好的泛发推广能力。(4)对比三种糟能网络本构模型拟合得到的预测结果,表明ANFIS模型具有更好的拟合精度、容错能力和泛发能力,说ⅢjANFIS强大的推理能力能更好的提取

4、加筋土内在规律。关键词:加筋土;本构模型:BP神经网络;RBF神经网络;ANFISAbstractAsakindofnewgeotechnicalcompositematerial,reinforcedsoilhasmanyadvantages:Withagoodstability,itiseasyforconstructionandcostsmuch10wertbanwithothermaterials,thusitprovidescivilengineerswithmanyeconomicalmeans.reinforeedsoiltechnologyhasb

5、eenwidelyappliedinreinforcedretainingstructures,reinforcedslopeandreinforcedsoftgroundinwaterconservancy,highway,railway,portandarchitecturebuildin2.Withtheapplicationofcivilengineeringsyntheticmaterialsinmodemgeotechnicalengineering,theapplicationofreinforcedsoiltechnologywillbemorew

6、idespread.sothetheoreticalstudyofreinforcedsoiliSevenmorenecessary.Becausereinforcementmaterialisaddedtotheearth,thecharacteristicsoftheearthischanged,andtheformerconstitutivemodelbasedonsoilishardlyenoughtoexplainreinforcedsoil.Thisthesisisbaseduponartificialintelligencemethod,adopts

7、grassroots’reinforcedsoil(GRS)triaxialtestdatatrainingintelligencenetwork,self∑actgeneratingnetworkparameter,andgetsreinforeedsoilBPneuralnetworkconstitutivemodel.RBFneuralnetworkconstitutivemodel,ANFISconstitutivemodel,thusavoidingthedifficultiesofmathematicalmodelingdeterminefunctio

8、npara

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。