一、人工神经网络在围护墙水平位移预测中的应用研究（论文文献综述）
谷彦斐[1]（2020）在《基于GA-PSO组合优化BP神经网络模型的基坑变形预测研究》文中认为国民经济和城市化进程的迅猛发展,推动了基础建设的快速发展。高层建筑、地下商城、地铁隧道等设施的基坑工程施工数量激增,基坑开挖深度不断加深、面积不断扩大,也带来了诸多安全隐患,所以在施工运营的整个过程中进行基坑变形监测不可或缺。结合基坑变形监测数据,分析基坑变形特性,并建立合适的变形预测模型对基坑变形进行预测,为基坑工程安全施工决策提供参考,防止事故的发生尤为重要。本文以泰安市新城吾悦广场基坑监测工程为背景,运用相关理论及研究方法,以现场实际监测数据为基础建立基于BP神经网络的基坑变形预测模型,对未来发展进行预测。推导分析了 BP神经网络模型,之后分别利用遗传算法（GA）和粒子群算法（PSO）对BP神经网络模型进行优化,构造GA-BP神经网络模型和PSO-BP神经网络模型,在此基础上对两个算法进行组合,提出GA-PSO-BP模型,并对现场监测数据进行预测,最后将四种模型预测结果进行对比分析。本文主要研究内容如下:（1）分析了基坑变形基理,系统介绍了基坑监测的目的、内容与方法,为后续理论研究提供可靠依据。（2）探究了 BP神经网络理论,对BP神经网络的学习过程进行了详细介绍,指出BP神经网络的优缺点。分别引入遗传算法和粒子群算法对BP神经网络模型进行优化,最后结合遗传算法和粒子群算法的优点,构建了一种GA-PSO组合算法对BP神经网络进行优化的模型,并用于变形预测中。（3）通过对本文实测数据与四种预测模型的预测值进行对比分析,选择预测结果的MAE、MSE、MAPE三个指标对模型进行优越性及可靠性的评价,可以得出BP神经网络模型在基坑工程实例预测中预测精度较好,分别使用遗传算法优化、粒子群算法优化后的BP神经网络模型预测精度更高,GA-PSO组合优化BP神经网络模型的预测精度最高,适用性更强,可以利用该组合模型对基坑工程的施工进行有效的指导。
陈赵慧[2]（2020）在《湖相沉积软土HSS模型参数及变形预测研究》文中指出随着城市地下空间的加速发展,各种工程安全事故不断发生,特别是软土分布广泛的地区,一旦发生事故会造成巨大的经济财产损失,因此对于基坑变形的研究变得非常重要。常用的变形预测方法主要是系统分析法和数值分析法,因此分别采用限元软件和可拓云理论对基坑变形进行分析。昆明滇池流域分布着深厚且范围非常广泛的湖相沉积软土,主要由泥炭质土、粉质黏土、黏土及粉土层组成。本构模型及其参数选择对有限元计算结果影响巨大,针对湖相沉积的软土,本文对6个常用本构模型进行了分析,发现硬化土小应变模型（HSS）能充分考虑土体应力路径的影响及小应变情况下土体模量的高度非线性,在模拟基坑开挖时具有较好的适用性,因此数值分析时采用HSS模型对昆明软土场地的基坑变形进行计算。但对于昆明这种特性的区域性软土层,尤其是泥炭质土层,几乎没有HSS模型参数的研究。本文取原状土层到室内进行了三轴试验、压缩试验及一些物理力学指标试验以及对收集大量的工程地质勘察报告进行分析,给出了HSS模型的参数取值方法,并通过两个工程实例验证了参数取值的合理性。通过以上研究可为类似软土地区的基坑设计、施工提供参考,另外对岩土工程参数的勘察、选取具有重要参考价值。本文主要研究内容如下:（1）对多种本构模型进行比较分析,发现硬化土小应变模型（HSS模型）既能考虑土体的塑性变形、压缩硬化,也能区分加、卸载和刚度随应力变化的特性,所以选择HSS模型作为分析滇池湖相沉积软土基坑变形的首选模型。（2）对滇池湖相沉积的典型软土泥炭质土、粉土及黏土取原状土样进行多种试验,并结合大量的地勘资料分析,给出了适合隶属于本地区软土的HSS模型参数的取值方法。（3）对多个昆明泥炭质土场地地铁站点基坑从勘察、开挖、支撑、监测等数据资料方面,综合分析基坑开挖引起的变形特征和规律。并建立模型进行数值模型进行计算,并对围护墙水平位移、地表沉降、周边房屋沉降为研究对象,对计算结果和监测结果进行对比分析,分析计算结果的合理性以及验证HSS模型参数取值的合理性。（4）对泥炭质土场地的变形特点进行分析,选择出影响最显着的7个指标,建立沉降风险评估指标体系,用可拓云模型对泥炭质土场地的沉降风险进行评价,并通过实例验证分析方法的合理性及可行性,并对指导了施工,解决了工程问题,消除了潜在风险。
易黄智[3]（2020）在《优化GA-BP模型在地铁车站基坑工程变形预测中的应用研究》文中提出地铁车站基坑工程在建设期间会产生诸如地表沉降、周边建（构）筑物沉降、围护桩水平或竖向位移等一系列变形,这些变形量变形值过大可能会造成基坑结构破坏甚至坍塌、建（构）筑物墙面开裂甚至倒塌。目前,为了保障施工安全,基坑工程都会开展施工监测。论文基于合肥轨道交通5号线三孝口站的项目概况、周边环境和地质条件等内容,分析了工程风险因素,确定了工程监测重点,并参照有关规范制定了施工监测方案进行变形监测,但是仅有施工监测还不够,还需要采取一定手段提前模拟或预测变形发展情况。影响基坑工程变形的因素很多,要想充分了解各种因素分别造成的影响难以实现。因此,变形预测的实质就是构建监测数据与时间之间的关系,通过时间来预测变形值。论文通过分析研究BP算法和遗传算法各自所具有的优势与特性,基于三孝口站基坑工程的施工监测数据,利用MATLAB编程,分别建立了BP神经网络模型、GA-BP组合模型和优化GA-BP组合模型等三种变形预测模型。通过比较三种模型的预测结果,分析各模型的精度评价指标,结果表明:三种模型的预测结果与监测数据均相差不大,应用于地铁车站基坑工程变形预测均有一定的可行性,其中,优化GA-BP组合变形预测模型的预测精度比其余两种要高。
李月锋[4]（2019）在《兰州市中央商务区深基坑开挖监测与预测研究》文中指出深基坑工程由于涉及到复杂的地质条件、繁杂的施工技术以及复杂多样的施工现场条件,经常发生各种基坑施工安全事故,造成一定的经济损失和不良的社会影响。为了避免一系列基坑安全事故的发生,在深基坑施工全过程中必须进行深基坑变形监测,而建立适当的预测模型进行基坑变形预测,对基坑的安全施工有重要的指导意义。本文以兰州市轨道交通1号线一期工程省政府站及中央商务区基坑监测项目为依托,以现场采集的各项监测数据为基础,理论联系实际,根据实际监测数据建立时间序列模型和NAR（Nonlinear Auto Regressive models）人工神经网络模型,对基坑未来的变形趋势进行预测。由于数据采集过程中受外界干扰因素较多,引入了卡尔曼滤波对其原始时间序列进行了滤波处理,并在结合两种模型优势的基础上提出了一种基于卡尔曼滤波的时间序列-NAR人工神经网络模型进行基坑变形预测分析,最后将三种模型的预测结果进行对比分析。本文的主要研究内容如下:（1）通过对兰州市轨道交通1号线一期工程省政府站及中央商务区基坑监测项目进行监测,分析各监测项目的实际监测数据结果,发现基坑在监测期内各监测项目未出现监测报警,基坑开挖过程基本处于安全稳定状态。（2）通过对基坑支护桩多期沉降监测数据进行IDW（Inverse Distance Weighted）插值处理及基于R软件平台采用最小二乘方法对基坑支护桩沉降坡度进行提取分析,确定基坑支护桩沉降变形趋势最大区域为ZJ52监测点附近区域,后期预测分析将以该点的监测数据为重点。（3）通过对三种模型的预测结果对比可知:基于Kalman滤波的ARIMA-NAR组合模型的预测精度最高,其精度指标平均绝对误差MAE、均方根误差RMSE、平均绝对百分误差MAPE和拟合优度R2分别为0.2787、0.5279、3.9150和0.9972,均优于单一的ARIMA和NAR神经网络模型,NAR人工神经网络模型的预测精度次之,时间序列ARIMA模型的预测精度最低。（4）验证了所提出的基于卡尔曼滤波的时间序列-NAR组合模型在基坑监测预测领域的实用性,将其应用于基坑支护桩水平位移和支护桩深层（测斜）位移等监测点进行变形预测分析。根据预测结果可知:时间序列模型和NAR人工神经网络模型均能够得到较为准确的预测结果。而基于卡尔曼滤波的时间序列-NAR人工神经网络组合模型,在经过卡尔曼滤波去噪的基础上,得到的结果精度更高,适用性更强,能够为基坑的安全施工提供更可靠的数据支撑。
任城[5]（2020）在《绍兴某地铁车站深基坑施工对周边土体的变形影响研究》文中提出控制结构变形一直是深基坑工程的研究热点问题。施工监测能够实时掌控基坑支护结构变形、基坑周边土体沉降的情况,在控制基坑变形中必不可少。对基坑开挖建立有限元数值模型进行计算分析、对监测数据建立预测模型预测变形发展趋势已经成为控制基坑变形的重要研究方向。绍兴地区地质情况复杂多变,既有深厚软土地层,又有密布的水乡河间,而且该区缺少地铁深基坑的建设经验。本研究以杭绍城际铁路某车站深基坑工程为背景,采用施工监测、曲线拟合和数值模拟等方法,分析了车站深基坑施工引起的土体变形规律,并对基坑周边土体的变形预测进行了研究,为绍兴地区今后的地铁深基坑建设提供经验参考。主要内容如下:（1）以杭绍城际铁路某车站深基坑为背景,对地连墙深层水平位移、支撑轴力、基坑周边土体沉降、圈梁水平位移以及地下水位进行了监测,通过对现场监测数据的分析,得出基坑开挖对周边土体的变形影响以及基坑支护结构内力及变形的变化规律。（2）运用沉降槽偏心距法,根据监测断面上的实测数据预测出此监测断面距围护结构不同距离土体的沉降量。运用灰色GM（1,1）模型、灰色Verhulst模型,对土体沉降测点17天的监测数据建立预测模型,将预测结果与实测值进行对比,预测结果表明相较于灰色Verhulst模型,灰色GM（1,1）模型的预测结果更好,数据离散性更小。（3）运用MIDAS GTS NX有限元软件,对实际工程建立三维模型并分析计算结果,主要针对地连墙深层水平位移、坑底隆起以及基坑周边土体沉降的计算结果进行分析。将不同工况下的实测数据与数值模拟结果进行对比分析,本文中主要将地连墙深层水平位移、基坑周边土体沉降的数据进行对比,结果表明数值模拟和实测所得数据基本一致,用有限元数值模拟软件分析基坑施工是可行的。
黄燕妮[6]（2019）在《基于智能算法的深基坑工程变形预测与控制方法的应用研究》文中进行了进一步梳理深基坑是一项复杂而且重要的工程,其稳定与否不仅关系到上部结构的安全,还会对周围建筑物的变形产生影响。基坑开挖的过程中可能会因为各种因素影响出现变形现象,它的变形很难用力学模型或者统一的经验公式进行计算。本论文运用及比较有限元法和系统分析法,分析两种方法用于数据预测的利弊。有限元模拟计算基坑周边地表沉降等基坑各种变形,基坑变形云图可以得出基坑周边土体竖向变形的基本特征及趋势,但准确性受周边条件数据影响。选择基于时间序列的、采用既有历史数据预测未来数据的方法,建立基坑周边土体地面竖向变形的BP神经网络预测模型,预测结果准确性受检测数据序列的长短影响。BP神经网络法在计算速度上优于有限元法,且BP神经网络法进行计算时能够非常方便的构建模型。但是BP神经网络法在实施的过程中只能通过实际数据进行建模,因此无法对土体变形机理进行清晰的表达,而有限元法能够有效的反映土体变形的特征和发展趋势。基于广州市某污水站基坑工程的监测数据,有限元法计算出每工况结束时基坑水平位移和沉降的计算值与实测相比,相对误差为27.09%和32.62%。工程数据测算中,水平位移位置控制在30%、沉降控制在40%,计算结果可以满足工程需要。与有限元法相比,BP网络对基坑变形的预测结果较准确,平均相对误差为9.57%和7.07%。运用实测数据进行修正,反馈给设计施工,为降低工程成本指标提供设计依据;及时了解施工环境地下土层、地下管线、地下设施、地面建筑在施工过程中所受的影响及程度,适时调整施工进度;及时发现和预报险情的发生及险情的发展程度,避免施工过程中产生安全事故,也能有效地保护周围建筑物的稳定,保证施工质量。在能持续获得监测数据的条件下,提出采用神经网络与模糊控制相结合的智能控制方法,通过预测控制的实施,对基坑周围关键部位进行连续变形监测,将监测信息及时反馈给预测控制系统,系统根据反馈信息预测出下一步施工过程中的变形,并根据预测变形自动给出施工参数调整指令,将施工变形控制在规定的指标值以内,实现真正的信息化施工。模糊控制器具有简便、实用、易扩充修改的优点,便于实时控制。从人工监测到信息化预测控制施工指导,能节约人力、材料、机械等工程造价;同时,避免工程事故,确保施工安全,减少经济损失,有效地提升工程管理效率,实现经济效益和社会价值。
陈修山[7]（2019）在《软土地区某基坑变形监测及预测分析》文中指出挖深不大、开挖面积较大、无支撑或少支撑的浅基坑目前在工程中应用广泛,该种类型的基坑往往在开挖过程中存在坡体稳定性较差、支护结构变形大等不利因素,同时变形数据受施工工况、降水情况等参数影响明显。因此如果能提出一种基于基坑设计方案、施工计划结合现场监测数据的基坑变形分析预测方法,可以极大的提高基坑工程的基础稳定性。本文针对某上海地区特殊软土条件,通过收集整理某基坑工程实测数据,以支护结构顶部变形为例,构建BP神经网络变形预测模型,阐述机理,预测基坑后期变形数值;并用ABAQUS有限元软件模拟基坑分层开挖的整个过程。主要结论如下:BP神经网络变形预测模型中不同输入层参数对应的最优中间层参数也不同,输入层隐含层参数设置合理,适当训练该模型中的网络之后可以较好预测该基坑支护结构后期的变化规律和变化量;该模型适用于开挖深度相近、水文地址条件相似的基坑项目。基于影响因素的BP神经网络基坑变形预测模型和F-T模型具有更优的性能。有限元模拟分析也得出较好的结果。
卞恺慧[8]（2019）在《基于神经网络的基坑形变预测研究及应用》文中进行了进一步梳理基坑是根据建筑工程设计的基准面尺寸和基础标高在基础设计位置挖掘的一种土坑,其开挖方案要根据当地地质结构、气候水文环境以及附近构筑物的情况制定,并且要做好基坑相应的防水排水工作。近年来随着我国城市化进程不断加速,超高层建筑、超大型商场、地铁项目不断增多,基坑工程的规模也不断扩深、扩大。在基坑开挖过程中,坑内开挖卸荷会导致其结构在内外部分之间的压力差下移位,引起基坑围护外部土体结构产生形变,最后造成基坑的沉降或移动。同时,还受到气候、地理环境和其它各种不确定因素影响,因此,基坑监测领域也有许多问题值得研究。传统的基坑监测方法工作量大、耗费时间也较多,监测过程中存在着基坑监测点定位不准确、精度低的问题。大多数基坑监测只注重形变后的监测结果反馈,而忽视位移形变的提前预警,经常在发现形变位移后才采取补救支护措施,这样就错失了支护修复的最佳时间,也带来重大的安全隐患。针对上述问题,本文提出一种基于神经网络的基坑形变预测方法,并应用在S市某基坑监测项目中。首先利用视觉近景摄影测量技术,运用误差补偿方法从减少相机标定误差的角度来提高识别精度,从而优化基坑监测点位置中心的精度。随后本文采用遗传神经网络方法来预测基坑可能发生的形变位移,并以实际工程数据集为实验数据,对遗传神经网络方法在基坑形变预测的效果进行了全面、深入的分析。从水平位移、竖直位移、水平位移与竖直位移结合三种角度来预测基坑位移形变,实验结果显示同时考虑水平和竖直位移预测结果更加准确。同时,通过时间维度与空间维度及其特征相关性准确建模位移预测,分别对时域（仅时间序列）特征、空域（仅相邻点）特征、时域空域特征结合进行了量化分析与研究,实验结果显示,同时考虑时间序列特征和空间相邻点特征预测的结果更加准确。最后本文方法与其它典型的机器学习方法进行了比较,主要是与支持向量机回归、随机森林回归方法进行了比较实验,实验结果显示遗传算法优化后的逆向传播神经网络预测结果相对误差最大值约为0.36%,预测误差基本都在-0.05-0.05mm内浮动,拟合指数达到0.9835分别比BP神经网络、支持向量机回归和随机森林回归提高0.0601、0.1318和0.1915。近景摄影测量获取监测数据、考虑不同特征影响运用遗传算法优化神经网络预测基坑形变为智能化基坑监测提供了新思路,提高了基坑监测实时性与预知性,可以降低基坑群体群伤事故的发生率,为绿色城市发展、城市安全健康发展提供保障。
赵启新[9]（2019）在《北京地铁某盾构始发井明挖基坑变形规律研究》文中指出目前全国多个城市大力发展轨道交通事业,地铁作为一种新型、高效、绿色的公共交通工具,在缓解大城市病中扮演着越来越重要的作用,尤其是在北京、上海这种几千万人口的大城市,地铁的存在不可或缺。我国目前已经有36个城市修建并开通了地铁,全国的地铁运营总里程总计达到了5033公里,北京现在地铁运营总里程为636.8公里,共有19条地铁运营线路,日客运量1241.1万人次,极大地缓解了北京的交通拥堵问。预计到2020年,北京地铁运营总里程达到1177公里,未来全国各地将继续的加大轨道交通的发展力度。在地铁建设当中会有大量的基坑工程,若设计和施工方案不合理,可能会产生较为严重的后果。本文以北京地铁新机场线某标段某盾构始发井明挖基坑工程（本文简称M1标段某基坑）作为依托,首先介绍了基坑变形分析的研究现状,依据设计资料及规范编写了施工监测方案,同时分析了现场的监测数据,此外对MIDAS GTS/NX有限元软件的特点进行了介绍,利用该软件对基坑开挖过程进行了模拟,分析基坑变形规律,并利用该软件对基坑支护结构进行了优化设计模拟。此外,基坑围护结构及周边建筑物变形的影响因素较多,利用系统分析的方法对基坑的变形做出预测,可以弥补经验公式以及数值模拟分析方法的一些不足。本文的主要研究成果如下:通过实测结果与数值模拟结果的对比,证明了该模型的准确性;通过对现场监测数据的分析,得出监测断面的最终沉降曲线呈开口向上的抛物线,钢支撑段桩体水平位移曲线为呈平行移动的“弓形”曲线,锚索支护段呈现“S形”曲线,由于基坑的空间效应,短边处的变形小于长边处的变形;利用MIDAS GTS/NX有限元软件对插入比及锚索倾角进行研究,得出该工程中插入比介于1:4与1:5.5之间较为合理;锚索倾角宜取值范围为10°至20°之间。基于BP神经网络建立的基坑变形预测模型,通过MATLAB的实现,将其结果与实测值进行对比分析,二者相差较小,该模型可以较为准确的预测短期内桩体水平位移以及周边地表沉降的数值。
薛一然[10]（2019）在《地铁车站深基坑施工安全状态评价体系研究》文中认为随着城市轨道交通的快速发展,地铁车站深基坑工程规模越来越大,面临的风险日益增加。施工过程中,监测数据可以直观反映工程情况,通过对监测数据的分析,能够及时发现工程中存在的风险,以便制定具有针对性的应对措施,确保基坑施工安全。由于施工过程中涉及大量不确定因素,风险具有关联性、模糊性和动态性等特点,对基坑施工安全状态进行评价时,必须综合考虑多个监测指标。本文以沿海某复合土地层多个地铁车站深基坑工程为研究背景,以基坑施工安全状态综合评价为研究目标,构建基于熵值模糊综合评判理论的基坑施工安全状态评价体系。主要研究内容如下:（1）根据深基坑工程监测数据,分析各个监测指标在施工过程中所显示出的内在特征与敏感性。对复合土地层四个地铁基坑监测数据进行分析,统计出墙体深层水平位移与周边地表最大沉降、周边建筑沉降比值的分布规律。进行墙体深层水平位移与墙顶沉降、墙顶水平位移的关联性分析,拟合出关系式。统计分析各个监测指标在实际工程中的应用情况及监测点可使用率。根据上述研究,最终选定能够及时有效反映基坑变形及应力状态的主要评价指标。（2）使用熵值法对八个指标在基坑开挖不同工况下的权重变化进行分析,得出六个主要评价指标在基坑安全评价中的影响权重明显大于其余两个指标。表述确定指标权重,拟定指标累计值和变化速率分级控制值,使用模糊综合评判法定量描述基坑施工安全状态的基本过程,将基坑工程安全等级分为安全、注意、预警、危险,使评价结果更趋实际。（3）构建基于MATLAB的神经网络预测模型并设置训练参数,以某个深基坑工程监测数据为训练样本,对主要评价指标进行动态预测,对比得出预测值与实测值吻合度较高,满足实际工程需要。（4）将基坑施工安全状态评价体系应用于工程实例中,定量描述基坑安全状态并判断基坑工程安全等级,评价结果较好反映了工程实际情况。对下阶段基坑安全状态进行预判,并根据各个指标在危险等级下的隶属度,结合监测指标内在特征与敏感性分析,预判基坑工程中存在的风险,有助于下阶段施工过程中的风险控制,提高施工安全性且减少不必要的资源浪费。
二、人工神经网络在围护墙水平位移预测中的应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、人工神经网络在围护墙水平位移预测中的应用研究（论文提纲范文）
（1）基于GA-PSO组合优化BP神经网络模型的基坑变形预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及技术路线 |
| 2 基坑变形监测技术研究 |
| 2.1 基坑变形机理研究 |
| 2.2 基坑监测目的 |
| 2.3 基坑监测内容 |
| 2.4 基坑监测方法及精度要求 |
| 2.5 基坑监测数据处理与分析 |
| 2.6 本章小结 |
| 3 基坑变形预测模型研究 |
| 3.1 BP神经网络 |
| 3.2 遗传算法 |
| 3.3 粒子群算法 |
| 3.4 GA-PSO组合优化BP神经网络模型 |
| 3.5 模型的精度评价 |
| 3.6 本章小结 |
| 4 工程应用实例 |
| 4.1 工程概况 |
| 4.2 现场监测和数据选取 |
| 4.3 基坑监测数据预测与分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（2）湖相沉积软土HSS模型参数及变形预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 论文选题的国内外研究动态及现状 |
| 1.2.1 本构模型及HSS模型参数确定的研究现状 |
| 1.2.2 基坑变形国内外研究现状 |
| 1.2.3 基坑变形预测研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 有限元本构模型 |
| 2.1 引言 |
| 2.2 弹性本构模型 |
| 2.2.1 线弹性模型 |
| 2.2.2 邓肯-张(Duncan-Chang)模型 |
| 2.3 理想弹塑性本构模型 |
| 2.3.1 摩尔库伦模型 |
| 2.3.2 .Drucker-Prager本构模型 |
| 2.4 硬化类弹塑性本构模型 |
| 2.4.1 硬化土(HS)模型 |
| 2.4.2 硬化土小应变(HSS)模型 |
| 2.5 基坑变形中本构模型比较分析 |
| 2.5.1 工程概况 |
| 2.5.2 有限元计算分析 |
| 2.6 本章小结 |
| 第三章 昆明湖相沉积区典型土层HSS模型参数选取 |
| 3.1 引言 |
| 3.2 昆明典型土层部分参数确定 |
| 3.3 昆明典型软土层基本物理力学性质试验 |
| 3.3.1 土的获取方法和取样位置 |
| 3.3.2 含水率试验 |
| 3.3.3 比重和天然密度试验 |
| 3.3.4 液性指数、塑性指数测试试验 |
| 3.4 固结试验 |
| 3.4.1 标准固结试验 |
| 3.4.2 标准固结加载-卸载-再加载试验 |
| 3.5 常规三轴剪切试验 |
| 3.5.1 固结排水试验 |
| 3.5.2 固结不排水试验 |
| 3.5.3 不固结不排水试验 |
| 3.6 昆明典型土层HSS本构模型参数的确定方法 |
| 3.6.1 G_0~(ref)的确定方法 |
| 3.6.2 R_f 的确定方法 |
| 3.6.3 黏性土层E_(oed)~(ref) 、E_(50)~(ref) 、E_(ur)~(ref)确定方法 |
| 3.6.4 砂性土及粉土层E_(oed)~(ref) 、E_(50)~(ref) 、E_(ur)~(ref)确定方法 |
| 3.6.5 泥炭质土层E_(oed)~(ref) 、E_(50)~(ref) 、E_(ur)~(ref)确定方法 |
| 3.7 本章小结 |
| 第四章 HSS模型的工程验证及其在基坑变形分析中的运用 |
| 4.1 引言 |
| 4.2 基坑有限元分析模型 |
| 4.2.1 PLAXIS软件简介 |
| 4.2.2 边界条件及网格划分 |
| 4.2.3 本构模型和单元 |
| 4.2.4 基坑围护墙变形和地表沉降定义 |
| 4.2.5 基坑墙体与土体的接触算法 |
| 4.3 滇池卫城站 |
| 4.3.1 工程地质与水文条件 |
| 4.3.2 工程环境 |
| 4.3.3 围护结构概述 |
| 4.3.4 监测布置及其结果分析 |
| 4.4 兴体路站 |
| 4.4.1 水文地质条件 |
| 4.4.2 围护结构及支撑设计 |
| 4.4.3 监测布置及结果分析 |
| 4.5 基坑有限元分析 |
| 4.5.1 深层水平位移 |
| 4.5.2 地表沉降 |
| 4.6 本章小结 |
| 第五章 基于可拓云理论对基坑周围地表的沉降等级预测 |
| 5.1 引言 |
| 5.2 理论简介 |
| 5.2.1 云模型的基本概念 |
| 5.2.2 可拓云理论 |
| 5.2.3 可拓云理论评价步骤 |
| 5.3 指标权重计算模型 |
| 5.3.1 三标度层次分析法 |
| 5.3.2 改进熵权法 |
| 5.3.3 综合赋权法 |
| 5.3.4 沉降风险等级确定 |
| 5.4 工程实例应用 |
| 5.4.1 指标评价标准确定 |
| 5.4.2 评价指标的确定度函数 |
| 5.4.3 样本综合确定度的计算分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间发表的论文 |
| 附录 B 参加的科研项目 |
（3）优化GA-BP模型在地铁车站基坑工程变形预测中的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要技术路线 |
| 1.4 本章小结 |
| 第二章 三孝口站施工监测方案设计 |
| 2.1 三孝口站工程概述 |
| 2.1.1 工程背景概述 |
| 2.1.2 项目概况 |
| 2.1.3 周边环境及管线情况 |
| 2.2 水文地质条件 |
| 2.3 工程风险分析及监控重点 |
| 2.3.1 工程风险因素分析 |
| 2.3.2 监测重点 |
| 2.4 监测方案 |
| 2.4.1 监测范围和监测内容 |
| 2.4.2 监测点布设及保护 |
| 2.4.3 监测控制值及预警 |
| 2.5 本章小结 |
| 第三章 变形预测理论及模型研究 |
| 3.1 人工神经网络 |
| 3.1.1 人工神经网络概念的提出与发展 |
| 3.1.2 人工神经元模型 |
| 3.1.3 人工神经网络的特点及应用 |
| 3.2 BP神经网络概述 |
| 3.2.1 BP神经网络模型与学习算法 |
| 3.2.2 BP神经网络的缺点及改进方法 |
| 3.3 遗传算法 |
| 3.3.1 达尔文进化论与遗传算法的基本思想 |
| 3.3.2 遗传算法的基本流程与步骤 |
| 3.3.3 遗传算法的组成要素 |
| 3.4 GA-BP组合模型的建立与优化 |
| 3.4.1 GA-BP组合模型的建立 |
| 3.4.2 GA-BP组合模型的优化 |
| 3.5 本章小结 |
| 第四章 三种预测模型在工程中的应用 |
| 4.1 模型精度的评价指标 |
| 4.2 基于BP神经网络模型的变形预测 |
| 4.2.1 BP地表沉降预测模型 |
| 4.2.2 BP建筑物沉降预测模型 |
| 4.3 基于GA-BP组合模型的变形预测 |
| 4.3.1 GA-BP地表沉降预测模型 |
| 4.3.2 GA-BP建筑物沉降预测模型 |
| 4.4 基于优化GA-BP组合模型的变形预测 |
| 4.4.1 优化GA-BP地表沉降预测模型 |
| 4.4.2 优化GA-BP建筑物沉降预测模型 |
| 4.5 三种模型的对比与分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 本文展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（4）兰州市中央商务区深基坑开挖监测与预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 基坑变形监测研究现状 |
| 1.3 基坑变形监测预测研究现状 |
| 1.4 本文主要研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第2章 基坑变形监测 |
| 2.1 基坑变形 |
| 2.1.1 基坑变形的定义 |
| 2.1.2 基坑变形监测的意义 |
| 2.1.3 基坑变形监测的内容 |
| 2.2 变形监测技术 |
| 2.2.1 现场巡视 |
| 2.2.2 常规仪器监测技术 |
| 2.2.3 现代监测新技术 |
| 2.3 变形监测网设计 |
| 2.3.1 平面控制网 |
| 2.3.2 高程控制网 |
| 2.4 变形监测数据处理 |
| 2.5 本章小结 |
| 第3章 兰州市中央商务区基坑监测 |
| 3.1 工程基本概况 |
| 3.2 场地工程地质条件 |
| 3.3 基坑变形监测的内容和难点 |
| 3.4 监测依据 |
| 3.5 基坑监测网设计 |
| 3.5.1 控制网的布设 |
| 3.5.2 监测点的布设 |
| 3.6 监测周期和频率 |
| 3.7 监测预警值设置 |
| 3.8 基坑变形监测结果 |
| 3.8.1 沉降监测 |
| 3.8.2 水平位移监测 |
| 3.8.3 水位监测 |
| 3.8.4 桩深层水平位移监测(测斜) |
| 3.9 基坑变形趋势分析 |
| 3.9.1 基于Arc GIS的基坑多期监测图层提取 |
| 3.9.2 基于最小二乘的基坑变形趋势分析 |
| 3.10 本章小结 |
| 第4章 基坑变形预测研究 |
| 4.1 基于时间序列的的基坑沉降分析 |
| 4.1.1 时间序列的定义及特征 |
| 4.1.2 时间序列模型的分类 |
| 4.1.3 时间序列的建模流程 |
| 4.1.4 基于时间序列的基坑沉降分析 |
| 4.2 基于NAR人工神经网络的基坑沉降分析 |
| 4.2.1 NAR神经网络 |
| 4.2.2 NAR神经网络模型参数的确定 |
| 4.2.3 NAR神经网络模型的检验 |
| 4.2.4 NAR神经网络模型预测分析 |
| 4.3 基于卡尔曼滤波的ARIMA-NAR组合模型基坑沉降分析 |
| 4.3.1 滤波模型 |
| 4.3.2 ARIMA-NAR组合模型 |
| 4.4 水平位移预测及分析 |
| 4.4.1 时间序列模型预测 |
| 4.4.2 NAR神经网络模型预测 |
| 4.4.3 基于Kalman滤波的AR-NAR组合模型预测 |
| 4.5 桩身层水平位移(测斜)预测及分析 |
| 4.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A 卡尔曼滤波部分Matlab代码 |
| 附录B 基坑周边变形趋势提取原数据 |
（5）绍兴某地铁车站深基坑施工对周边土体的变形影响研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 深基坑变形研究现状 |
| 1.2.1 深基坑变形理论计算研究现状 |
| 1.2.2 深基坑变形实测研究现状 |
| 1.2.3 深基坑变形数值模拟研究现状 |
| 1.3 深基坑变形预测研究现状 |
| 1.4 本文研究内容 |
| 2 基坑周边地表沉降类型及计算方法 |
| 2.1 沉降原理 |
| 2.2 沉降变形的类型 |
| 2.2.1 地表沉降基本形态 |
| 2.2.2 按时间先后区分的沉降 |
| 2.3 沉降计算方法 |
| 2.3.1 Peck地表沉降经验曲线 |
| 2.3.2 现场实验法 |
| 2.3.3 曲线拟合法 |
| 2.3.4 有限元法 |
| 2.4 本章小结 |
| 3 地铁车站深基坑变形实测分析 |
| 3.1 车站深基坑工程概况 |
| 3.2 工程地质水文条件 |
| 3.2.1 地层条件 |
| 3.2.2 水文地质条件 |
| 3.2.3 气候及地形地貌 |
| 3.2.4 周边风险及应对措施 |
| 3.2.5 基坑开挖方案 |
| 3.3 基坑监测方案 |
| 3.3.1 监测目的 |
| 3.3.2 监测项目 |
| 3.3.3 监测方法 |
| 3.3.4 监测点布置 |
| 3.4 现场监测数据分析 |
| 3.4.1 围护墙深层水平位移监测结果分析 |
| 3.4.2 支撑轴力监测结果分析 |
| 3.4.3 地表沉降监测结果分析 |
| 3.4.4 圈梁水平位移监测结果分析 |
| 3.4.5 地下水位监测结果分析 |
| 3.5 本章小结 |
| 4 地铁车站深基坑周边土体变形预测 |
| 4.1 基于沉降槽偏心距法的深基坑周边土体变形预测 |
| 4.1.1 沉降槽偏心距的确立 |
| 4.1.2 沉降预测 |
| 4.1.3 基于沉降槽偏心距法对基坑监测断面的预测 |
| 4.2 基于灰色GM(1,1)模型的深基坑周边土体变形预测 |
| 4.2.1 灰色系统预基本原理 |
| 4.2.2 深基坑灰色系统特征 |
| 4.2.3 灰色系统沉降预测 |
| 4.3 基于灰色Verhulst模型的深基坑周边土体变形预测 |
| 4.3.1 灰色Verhulst模型在基坑工程中的应用 |
| 4.3.2 灰色Verhulst模型沉降预测 |
| 4.4 本章小结 |
| 5 地铁车站深基坑周边土体变形数值模拟 |
| 5.1 MIDAS GTS NX软件介绍 |
| 5.1.1 MIDAS GTS NX概述 |
| 5.1.2 MIDAS GTS NX适用范围 |
| 5.2 施工过程模拟 |
| 5.2.1 模型的建立 |
| 5.2.2 模型参数 |
| 5.2.3 施工工况设定 |
| 5.3 监测结果与数值模拟结果比较分析 |
| 5.3.1 地连墙深层水平位移 |
| 5.3.2 基坑周边土体竖向变形 |
| 5.4 数值模拟计算结果及分析 |
| 5.4.1 B-B断面数值模拟计算结果分析 |
| 5.4.2 C-C断面数值模拟计算结果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 在校研究成果 |
| 致谢 |
（6）基于智能算法的深基坑工程变形预测与控制方法的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究意义和目的 |
| 1.2 国内外研究现状 |
| 1.3 研究中存在的问题 |
| 1.4 主要研究内容及技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 1.5 本章小结 |
| 第二章 深基坑开挖有限元数值模拟 |
| 2.1 土工有限元分析概述 |
| 2.2 ABAQUS有限元分析介绍 |
| 2.3 深基坑开挖过程中土体及支护结构变形的ABAQUS有限元分析 |
| 2.3.1 有限元分析步骤 |
| 2.3.2 基于ABAQUS分析基坑工程模块的确定 |
| 2.3.3 基于ABAQUS分析基坑工程接触问题的处理 |
| 2.3.4 基于ABAQUS分析基坑工程接触问题的处理土体本构模型的选取 |
| 2.3.5 基坑开挖过程的模拟 |
| 2.4 本章小结 |
| 第三章 神经网络结构及BP神经网络 |
| 3.1 神经元与网络结构 |
| 3.1.1 生物神经元 |
| 3.1.2 人工神经元 |
| 3.1.3 人工神经网络的构成 |
| 3.2 BP神经网络及其原理 |
| 3.2.1 BP神经网络定义 |
| 3.2.2 BP神经网络模型及其基本原理 |
| 3.2.3 BP神经网络算法推导 |
| 3.3 BP神经网络的主要功能 |
| 3.4 BP神经网络的优点以及局限性 |
| 3.5 本章小结 |
| 第四章 有限元数值模拟计算及结果分析 |
| 4.1 工程概述 |
| 4.2 污水站基坑支护工程监测方案设计 |
| 4.2.1 监测依据 |
| 4.2.2 监测项目及布点情况 |
| 4.2.3 报警指标 |
| 4.2.4 监测周期及频率 |
| 4.2.5 监测设备与监测方法 |
| 4.2.6 监测方法 |
| 4.2.7 各监测项目全过程的发展变化 |
| 4.2.8 监测结论 |
| 4.3 基坑周边土体的竖向位移预测和结果分析 |
| 4.4 土体模型的建立 |
| 4.4.1 几何模型及土体的模拟 |
| 4.4.2 支护结构模拟 |
| 4.4.3 土体本构模型选择 |
| 4.4.4 分析步的选择 |
| 4.4.5 初始地应力平衡计算 |
| 4.4.6 ABAQUS数值模拟计算及结果分析 |
| 4.5 本章小结 |
| 第五章 深基坑施工变形神经网络预测 |
| 5.1 BP神经网络模型的MATLAB实现 |
| 5.1.1 基于MATLAB的 BP神经网络工具箱函数 |
| 5.1.2 BP网络创建函数 |
| 5.1.3 神经元上的传递函数 |
| 5.1.4 BP网络学习函数 |
| 5.1.5 BP网络训练函数 |
| 5.2 工程应用 |
| 5.2.1 BP网络学习样本数据的预处理 |
| 5.2.2 BP神经网络预测模型设计 |
| 5.2.3 BP神经网络训练及预测结果 |
| 5.3 BP网络与有限元法的对比 |
| 5.4 本章小结 |
| 第六章 深基坑工程变形控制方法 |
| 6.1 基坑工程变形控制的理论模型及算法 |
| 6.1.1 预测控制 |
| 6.1.2 基坑工程变形控制的系统流程 |
| 6.1.3 基坑变形控制保护等级及墓坑变形警戒值确定 |
| 6.1.4 神经网络预测器 |
| 6.2 基坑施工变形的模糊控制器的实现 |
| 6.3 基坑变形控制系统工程实例应用 |
| 6.4 基坑变形控制的效益分析 |
| 6.4.1 经济效益 |
| 6.4.2 社会效益 |
| 6.5 本章小结 |
| 结论与展望 |
| 一、结论 |
| 二、展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）软土地区某基坑变形监测及预测分析（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究目的 |
| 1.3 理论意义和实际应用价值 |
| 1.3.1 理论意义 |
| 1.3.2 实际应用价值 |
| 1.4 文献综述 |
| 1.4.1 国内研究情况 |
| 1.4.2 国外研究情况 |
| 1.4.3 国内外研究进展分析 |
| 第2章 软土地区某浅基坑监测项目及监测结果分析 |
| 2.1 工程概况 |
| 2.1.1 一般概况 |
| 2.1.2 建筑结构概况 |
| 2.1.3 基坑工程概况 |
| 2.2 工程地质条件 |
| 2.2.1 地质情况 |
| 2.2.2 地下水条件 |
| 2.2.3 本基坑工程特点 |
| 2.3 基坑支护情况 |
| 2.3.1 基坑围护方案 |
| 2.3.2 基坑围护设计参数 |
| 2.4 基坑周边环境状况 |
| 2.5 监测方案 |
| 2.6 监测结果分析 |
| 第3章 人工神经网络及BP神经网络 |
| 3.1 人工神经网络的简述 |
| 3.2 BP神经网络 |
| 3.2.1 BP网络中的神经元模型 |
| 3.2.2 BP网络算法的数学表达 |
| 3.2.3 BP网络的算法 |
| 3.2.4 BP神经网络算法存在的问题 |
| 3.3 BP网络预测模型的建立 |
| 3.3.1 输入输出层的确定 |
| 3.3.2 隐含层的设计 |
| 3.3.3 网络的训练和运算 |
| 第4章 基于该监测项目的BP神经网络预测方法研究 |
| 4.1 基于时间序列的BP神经网络变形预测方法 |
| 4.1.1 建立预测模型 |
| 4.1.2 基坑变形预测结果分析 |
| 4.2 基于影响因素的 BP 神经网络基坑变形预测方法 |
| 4.2.1 变形影响因子及其赋值 |
| 4.2.2 模型建立 |
| 4.2.3 基坑支护结构竖平位移预测结果分析 |
| 4.3 基于影响因素与时间间隔变形值相结合的BP神经网络变形预测方法 |
| 4.3.1 建立模型 |
| 4.3.2 预测结果分析 |
| 4.3.3 对该模型的探究 |
| 4.4 对于变形较大情况的预测分析 |
| 第5章 基于软土地区某浅基坑项目的数值模拟分析 |
| 5.1 ABAQUS概述 |
| 5.1.1 有限元分析的步骤 |
| 5.1.2 土体本构模型的选取 |
| 5.2 工程土层参数和开挖步骤 |
| 5.2.1 概况简介 |
| 5.2.2 土层参数 |
| 5.2.3 开挖顺序 |
| 5.3 建立模型 |
| 5.3.1 基本假定 |
| 5.3.2 计算范围、网格划分及约束条件 |
| 5.4 基坑分步开挖模拟结果分析 |
| 5.4.1 各个方向土体应力云图 |
| 5.4.2 各个工况下基坑水平位移和竖向位移云图 |
| 5.4.3 基坑支护结构水平位移云图及分析 |
| 5.5 二维模型模拟结果分析 |
| 第6章 研究结论、工程建议与展望 |
| 6.1 研究结论 |
| 6.2 分析与建议 |
| 6.2.1 分析 |
| 6.2.2 建议 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间所开展的科研项目和发表的学术论文 |
（8）基于神经网络的基坑形变预测研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究和发展现状 |
| 1.2.1 近景摄影测量在基坑监测的研究现状 |
| 1.2.2 基坑形变产生原因与形式的研究现状 |
| 1.2.3 深基坑形变预测的研究现状 |
| 1.3 本文研究内容 |
| 第二章 背景知识 |
| 2.1 人工神经元模型 |
| 2.2 BP神经网络 |
| 2.2.1 BP神经网络原理 |
| 2.2.2 BP神经网络学习流程 |
| 2.2.3 BP神经网络特点 |
| 2.3 遗传算法改进BP神经网络 |
| 2.3.1 遗传算法发展过程 |
| 2.3.2 遗传算法基本实现流程 |
| 2.3.3 遗传算法特点 |
| 2.3.4 遗传算法优化BP神经网络 |
| 2.4 本章小结 |
| 第三章 工程应用情况与监测点中心识别定位 |
| 3.1 基坑工程应用情况 |
| 3.1.1 基坑工程测区地理概况与岩土参数 |
| 3.1.2 监测目的 |
| 3.1.3 监测点、基准点布置 |
| 3.1.4 构筑物形变控制标准 |
| 3.1.5 监测内容 |
| 3.2 基坑监测点中心识别优化 |
| 3.2.1 多维特征误差补偿相机标定方法 |
| 3.2.2 粗糙K均值多靶点中心优化 |
| 3.2.3 监测点中心优化结果 |
| 3.3 本章小结 |
| 第四章 基于遗传BP神经网络的基坑形变预测 |
| 4.1 工程监测点分布 |
| 4.2 监测数据预处理 |
| 4.3 遗传BP神经网络预测算法 |
| 4.4 水平、竖直位移特征基坑位移形变预测 |
| 4.4.1 仅水平位移预测 |
| 4.4.2 仅竖直位移预测 |
| 4.4.3 水平与竖直位移结合预测 |
| 4.5 本章小结 |
| 第五章 基于多阶时空特征的神经网络基坑预测方法 |
| 5.1 多阶时空特征基坑形变预测模型 |
| 5.1.1 多阶时空特征 |
| 5.1.2 仅时间序列预测模型 |
| 5.1.3 仅空间预测模型 |
| 5.1.4 时域空域结合预测模型 |
| 5.2 多阶时空特征比较实验 |
| 5.2.1 仅时域、仅空域、时空结合比较实验 |
| 5.3 与其它典型方法的预测结果比较 |
| 5.3.1 支持向量机回归预测方法 |
| 5.3.2 随机森林回归预测方法 |
| 5.3.3 与支持向量机回归、随机森林回归比较实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 图表目录 |
| 致谢 |
| 作者简历 |
（9）北京地铁某盾构始发井明挖基坑变形规律研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基坑变形研究现状 |
| 1.2.2 神经网络在基坑变形中的应用研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 基坑变形理论 |
| 2.1 基坑支护形式及其适用的范围 |
| 2.1.1 放坡开挖和简易支护 |
| 2.1.2 加固边坡土体而形成的自立式支护 |
| 2.1.3 挡墙式支护结构 |
| 2.1.4 其他支护结构形式 |
| 2.2 基坑变形与支护结构内力计算 |
| 2.2.1 基坑变形机理 |
| 2.2.2 基坑外地表沉降的计算 |
| 2.2.3 坑底隆起变形计算 |
| 2.2.4 锚索预应力的确定 |
| 2.2.5 钢支撑轴力的计算 |
| 3 基坑变形数值模拟分析 |
| 3.1 基坑数值模拟分析 |
| 3.1.1 材料参数 |
| 3.1.2 条件假设 |
| 3.1.3 施工工况 |
| 3.1.4 基坑模型建立 |
| 3.1.5 模拟结果分析 |
| 3.2 基坑支护方案优化 |
| 3.2.1 排桩插入比 |
| 3.2.2 锚索倾角 |
| 3.3 本章小结 |
| 4 现场监测数据分析 |
| 4.1 工程地质和水文地质情况 |
| 4.1.1 水文地质概况 |
| 4.1.2 工程地质概况 |
| 4.2 施工工艺 |
| 4.3 基坑支护结构 |
| 4.4 施工监测方案 |
| 4.4.1 风险工程 |
| 4.4.2 监测项目及监测精度 |
| 4.4.3 现场监测作业方法 |
| 4.5 监测数据分析 |
| 4.5.1 施工工况 |
| 4.5.2 地表沉降监测数据分析 |
| 4.5.3 桩体水平位移监测数据分析 |
| 4.5.4 钢支撑轴力监测数据分析 |
| 4.5.5 锚索拉力监测数据分析 |
| 4.6 本章小结 |
| 5 基于BP神经网络对基坑变形的预测 |
| 5.1 基坑变形预测 |
| 5.2 BP神经网络介绍 |
| 5.2.1 人工神经网络简介 |
| 5.2.2 BP神经网络 |
| 5.2.3 BP神经网络的算法模型 |
| 5.3 MATLAB神经网络工具箱 |
| 5.4 基于BP神经网络对桩体水平位移的预测 |
| 5.5 基于时间序列的BP神经网络对地表沉降的预测 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）地铁车站深基坑施工安全状态评价体系研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基坑施工安全评价研究 |
| 1.2.2 熵值法在指标权重确定中的应用 |
| 1.2.3 模糊综合评判法在基坑安全评价中的应用 |
| 1.2.4 神经网络在工程预测中的应用 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 基坑施工安全评价指标选定 |
| 2.1 监测项目分类 |
| 2.2 监测指标内在特征分析 |
| 2.2.1 墙体深层水平位移 |
| 2.2.2 墙顶水平位移 |
| 2.2.3 墙顶沉降 |
| 2.2.4 支撑内力 |
| 2.2.5 地下水位 |
| 2.2.6 周边地表竖向位移 |
| 2.2.7 周边建筑竖向位移 |
| 2.2.8 周边管线变形 |
| 2.3 围护墙变形与周边环境关联性分析 |
| 2.3.1 墙体最大水平位移与地表最大沉降 |
| 2.3.2 墙体最大水平位移与周边建筑沉降 |
| 2.4 围护墙本体监测指标关联性分析 |
| 2.4.1 墙体深层水平位移与墙顶沉降 |
| 2.4.2 墙体深层水平位移与墙顶水平位移 |
| 2.5 监测指标应用统计分析 |
| 2.6 主要评价指标选定 |
| 2.7 小结 |
| 第三章 基坑施工安全状态评价体系构建 |
| 3.1 主要评价指标及权重确定 |
| 3.1.1 熵值法基本原理 |
| 3.1.2 权重确定基本过程 |
| 3.1.3 熵值法确定主要评价指标 |
| 3.2 指标分级控制值确定 |
| 3.3 基坑安全评价模型建立 |
| 3.3.1 模糊综合评判法基本原理 |
| 3.3.2 基坑安全评价基本过程 |
| 3.4 小结 |
| 第四章 主要评价指标动态预测 |
| 4.1 指标预测基本原理 |
| 4.1.1 BP神经网络 |
| 4.1.2 指标预测基本过程 |
| 4.2 基于MATLAB的神经网络实现 |
| 4.2.1 预测模型构建 |
| 4.2.2 训练参数设置 |
| 4.3 预测精度验证 |
| 4.3.1 训练样本选取 |
| 4.3.2 网络训练及预测 |
| 4.3.3 预测结果分析 |
| 4.4 小结 |
| 第五章 基坑施工安全状态评价实例分析 |
| 5.1 基坑施工安全状态评价 |
| 5.1.1 指标权重确定 |
| 5.1.2 基坑安全状态模糊综合评价 |
| 5.2 基坑施工安全状态预判 |
| 5.2.1 指标动态预测 |
| 5.2.2 下阶段指标权重确定 |
| 5.2.3 下阶段基坑安全状态模糊综合评价 |
| 5.3 小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
四、人工神经网络在围护墙水平位移预测中的应用研究（论文参考文献）
- [1]基于GA-PSO组合优化BP神经网络模型的基坑变形预测研究[D]. 谷彦斐. 山东科技大学, 2020(06)
- [2]湖相沉积软土HSS模型参数及变形预测研究[D]. 陈赵慧. 昆明理工大学, 2020(05)
- [3]优化GA-BP模型在地铁车站基坑工程变形预测中的应用研究[D]. 易黄智. 合肥工业大学, 2020(02)
- [4]兰州市中央商务区深基坑开挖监测与预测研究[D]. 李月锋. 兰州理工大学, 2019(02)
- [5]绍兴某地铁车站深基坑施工对周边土体的变形影响研究[D]. 任城. 绍兴文理学院, 2020(03)
- [6]基于智能算法的深基坑工程变形预测与控制方法的应用研究[D]. 黄燕妮. 华南理工大学, 2019(06)
- [7]软土地区某基坑变形监测及预测分析[D]. 陈修山. 上海应用技术大学, 2019(02)
- [8]基于神经网络的基坑形变预测研究及应用[D]. 卞恺慧. 苏州科技大学, 2019(01)
- [9]北京地铁某盾构始发井明挖基坑变形规律研究[D]. 赵启新. 中国地质大学(北京), 2019(02)
- [10]地铁车站深基坑施工安全状态评价体系研究[D]. 薛一然. 福州大学, 2019