目錄
1 緒論
1.1 智能岩土力學產生的背景
1.1.1 岩土工程面臨的新形勢
1.1.2 以固體力學為基礎發展起來的岩土力學面臨的困難
1.1.3 人工智慧的作用
1.1.4 思維方式的轉變
1.2 智能科學的若干基本理論
1.3 人工智慧技術在岩土工程中的應用
2 群智能仿生優化演算法
2.1 模擬退火演算法基本理論
2.1.1 模擬退火演算法簡介
2.1.2 模擬退火演算法實現
2.2 遺傳演算法
2.2.1 遺傳演算法的基本思想
2.2.2 遺傳演算法的優越性
2.2.3 遺傳演算法的實現
2.2.4 基本遺傳演算法
2.2.5 改進的遺傳演算法
2.3 粒子群優化演算法
2.3.1 粒子群優化演算法原理
2.3.2 基於SA和PSOA的函數測試
2.4 粒子群-模擬退火混合優化演算法
2.4.1 標準粒子群優化演算法的改進研究現狀
2.4.2 粒子群-模擬退火混合優化演算法的串列設計
2.5 免疫克隆選擇演算法
2.6 群智能的優勢及粒子群優化演算法特點
3 人工神經網路演算法
3.1 概論
3.1.1 神經元的一般模型
3.1.2 人工神經網路的特點
3.1.3 人工神經網路的學習方法
3.1.4 人工神經網路存在的主要問題
3.2 BP神經網路演算法
3.3 PSO-BP神經網路耦合演算法
3.4 工程應用實例——隧道鑽爆施工光面爆破參數的最優化
3.4.1 光面爆破參數優化的數學模型
3.4.2 光面爆破參數優化數學模型的求解方法
3.4.3 基於PSO-BP神經網路耦合演算法的佛嶺隧道光面爆破參數優化
3.4.4 BP神經網路訓練樣本的獲取
3.4.5 隧道光面爆破輸入與輸出參數PSO-BP智能映射模型的建立——網路訓練
3.4.6 基於PSO-BP神經網路耦合演算法的隧道光面爆破參數優化——模型求解
3.4.7 基於PSO-BP神經網路耦合演算法的隧道光面爆破參數優化——工程算例
4 支持向量機演算法及其在岩土工程領域的應用
4.1 支持向量機產生的背景
4.2 機器學習的基本問題和方法
4.2.1 機器學習問題
4.2.2 統計學習理論
4.3 支持向量機演算法理論
4.3.1 支持向量分類演算法
4.3.2 支持向量回歸演算法
4.3.3 支持向量機演算法特點總結
4.4 支持向量機演算法在岩土工程中的應用
4.4.1 位移非線性時間序列採用支持向量機演算法的智能建模與預測
4.4.2 邊坡角設計的支持向量機建模與精度影響因素的研究
4.5 改進的支持向量回歸演算法及其在岩土工程領域的應用
4.5.1 改進的支持向量回歸演算法
4.5.2 改進的支持向量回歸演算法在隧道噴錨支護設計中的應用
4.6 基於免疫一多維輸出支持向量回歸耦合演算法的隧道工程位移反分析新方法
4.6.1 多維輸出支持向量回歸演算法模型的建立
4.6.2 基於ICSA-MSVR耦合演算法的岩體物理力學參數位移反分析
4.6.3 工程實例
4.7 基於遺傳-支持向量分類耦合演算法的隧道工程圍岩分級方法
4.7.1 圍岩新分級體系
4.7.2 隧道施工期圍岩現場快速分級
5 高斯過程演算法及其在岩土工程中的應用
5.1 高斯過程回歸
5.2 高斯過程回歸在岩土工程領域的應用研究
5.2.1 非線性位移時序分析的高斯過程回歸建模與外推研究
5.2.2 基於Mercer重構核的高斯過程邊坡角智能設計
5.3 基於粒子群優化-模擬退火-高斯過程回歸演算法的邊坡變形預測
5.3.1 典型滑坡變形時間序列
5.3.2 變形預測及結果分析
5.4 基於遺傳-組合核函數高斯過程回歸演算法的隧道工程彈塑性模型參數反演
5.4.1 遺傳-組合核函數高斯過程回歸演算法
5.4.2 基於遺傳-組合核函數高斯過程回歸演算法的北口隧道位移反分析
6 人工智慧技術在岩土工程中的綜合應用——公路隧道施工智能輔助決策系統的開發
6.1 隧道施工監測信息管理及反饋系統研究
6.1.1 系統功能與總體設計
6.1.2 監測信息管理系統設計
6.1.3 系統資料庫設計
6.1.4 系統界面設計
6.1.5 系統後台主體程序設計
6.2 監測數據回歸分析與反饋
6.2.1 監測數據的PSOA回歸分析
6.2.2 監測數據的PSOA回歸分析實例
6.2.3 回歸函數的選擇
6.2.4 包含丟失位移的監測數據回歸
6.2.5 圍岩穩定性判斷準則
[