基于遗传算法和神经网络的水下隧道涌水量预测研究

论文摘要

与跨越江河湖海的其他交通方式相比,水下隧道有其独有的优势,因此近些年来在国内外发展迅速。修建水下隧道不同于陆域隧道,水压高,水源充足,又无天然出口,再加上地质勘探工作的不确定性,使得水下隧道的涌水问题远比陆域隧道严重的多,处理起来也困难的多。因此,针对水下隧道的特殊性,合理的涌水量预测是水下隧道防排水设计和施工措施制定的关键。预测方法的选择直接影响预测结果的精度,论文以铁道部科技开发计划项目—水下隧道渗流场分析及涌水预测研究为背景,以广深港客专狮子洋水下隧道为依托,把遗传算法与BP神经网络结合的GA-BP方法引入水下隧道涌水量的预测领域,重点进行了两方面的研究。（1）根据国内外有关水下隧道渗流涌水影响因素的研究成果及狮子洋隧道的相关工程实践经验,分析探讨了水下隧道涌水的影响因素。根据预测涌水量时选择影响因素的准则,确定了本文用于预测的六个影响因子。（2）分析了遗传算法与BP神经网络结合的可行性,并利用遗传算法优化BP神经网络的权值和阈值,从而建立了多影响因子的GA-BP预测模型。同时比较多影响因子的GA-BP和BP的预测结果,验证了前者改良了后者的局限性并提高了预测精度。结果表明,GA-BP预测模型收敛性能好、简单可行,该方法也为水下隧道涌水量的预测提供了一条新思路。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景和意义
• 1.1.1 论文的研究背景
• 1.1.2 论文的研究意义
• 1.2 国内外研究现状
• 1.2.1 水下隧道渗流场分析和涌水量预测研究现状
• 1.2.2 神经网络和遗传算法工程应用的研究现状
• 1.3 论文的研究内容和研究方法
• 1.3.1 论文的研究内容
• 1.3.2 论文的研究方法
• 1.4 论文的技术路线
• 第2章 水下隧道涌水量影响因素分析
• 2.1 依托工程概况
• 2.1.1 地理位置
• 2.1.2 工程地质条件及水文地质条件
• 2.1.3 工程施工
• 2.2 水下隧道涌水量影响因素
• 2.3 影响因素的选取
• 2.3.1 选取影响因素的准则
• 2.3.2 影响因素的取值
• 2.4 本章小结
• 第3章 BP神经网络和遗传算法理论基础
• 3.1 BP神经网络
• 3.1.1 BP神经网络的结构
• 3.1.2 BP神经网络的学习过程
• 3.1.3 BP神经网络学习公式推导
• 3.2 遗传算法
• 3.2.1 遗传算法的基本思想
• 3.2.2 遗传算法的特征
• 3.2.3 遗传算法的步骤
• 3.2.4 遗传算法的实现技术
• 3.3 遗传算法与BP神经网络的结合
• 3.3.1 遗传算法与BP网络结合的可行性
• 3.3.2 遗传算法与BP网络结合的方式
• 第4章 基于遗传神经网络的水下隧道涌水量的预测
• 4.1 MATLAB简介
• 4.2 基于BP神经网络的水下隧道涌水量的预测
• 4.2.1 预测流程
• 4.2.2 样本数据的选择与组织
• 4.2.3 网络结构和参数的确定
• 4.2.4 网络的训练与测试
• 4.3 基于遗传神经网络的水下隧道涌水量的预测
• 4.3.1 预测流程
• 4.3.2 遗传操作和参数设定
• 4.3.3 网络优化
• 4.4 仿真结果对比分析
• 4.5 本章小结
• 结论与展望
• 致谢
• 参考文献
• 附录
• 攻读硕士学位期间发表的论文及科研成果