14基于人工智能方法加筋土本构模型

发布时间：2016-10-22 07:40

本文关键词：基于人工智能方法加筋土本构模型，由笔耕文化传播整理发布。

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；由于在土中加入了筋材，土的特性发生改变，加筋土的；（１）建立了草根加筋土ＢＰ神经网络本构模型，模型；（２）建立了草根加筋士ＲＢＦ神经网络本构模型，并

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；ＡＮＦＩＳ

Ａｂｓｔｒａｃｔ

Ａｓａｋｉｎｄｏｆｎｅｗｇｅｏｔｅｃｈｎｉｃａｌｃｏｍｐｏｓｉｔｅｍａｔｅｒｉａｌ，ｒｅｉｎｆｏｒｃｅｄｓｏｉｌｈａｓｍａｎｙａｄｖａｎｔａｇｅｓ：Ｗｉｔｈａｇｏｏｄｓｔａｂｉｌｉｔｙ，ｉｔｉｓｅａｓｙｆｏｒｃｏｎｓｔｒｕｃｔｉｏｎａｎｄｃｏｓｔｓｍｕｃｈ１０ｗｅｒｔｂａｎｗｉｔｈｏｔｈｅｒｍａｔｅｒｉａｌｓ，ｔｈｕｓｉｔｐｒｏｖｉｄｅｓｃｉｖｉｌｅｎｇｉｎｅｅｒｓｗｉｔｈｍａｎｙｅｃｏｎｏｍｉｃａｌｍｅａｎｓ．ｒｅｉｎｆｏｒｅｅｄｓｏｉｌｔｅｃｈｎｏｌｏｇｙｈａｓｂｅｅｎｗｉｄｅｌｙａｐｐｌｉｅｄｉｎｒｅｉｎｆｏｒｃｅｄｒｅｔａｉｎｉｎｇｓｔｒｕｃｔｕｒｅｓ，ｒｅｉｎｆｏｒｃｅｄｓｌｏｐｅａｎｄｒｅｉｎｆｏｒｃｅｄｓｏｆｔｇｒｏｕｎｄｉｎｗａｔｅｒｃｏｎｓｅｒｖａｎｃｙ，ｈｉｇｈｗａｙ，ｒａｉｌｗａｙ，ｐｏｒｔａｎｄａｒｃｈｉｔｅｃｔｕｒｅ

ｓｙｎｔｈｅｔｉｃｂｕｉｌｄｉｎ２．Ｗｉｔｈｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｃｉｖｉｌｅｎｇｉｎｅｅｒｉｎｇｍａｔｅｒｉａｌｓｉｎｍｏｄｅｍｇｅｏｔｅｃｈｎｉｃａｌ

ｅｎｇｉｎｅｅｒｉｎｇ，ｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｒｅｉｎｆｏｒｃｅｄｓｏｉｌ

ｔｈｅｏｒｅｔｉｃａｌｓｔｕｄｙｏｆｒｅｉｎｆｏｒｃｅｄｓｏｉｌｉＳｅｖｅｎｔｅｃｈｎｏｌｏｇｙｗｉｌｌｂｅｍｏｒｅｗｉｄｅｓｐｒｅａｄ．ｓｏｔｈｅｍｏｒｅｎｅｃｅｓｓａｒｙ．

Ｂｅｃａｕｓｅｒｅｉｎｆｏｒｃｅｍｅｎｔｍａｔｅｒｉａｌｉｓａｄｄｅｄｔｏｔｈｅｅａｒｔｈ，ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｅａｒｔｈｉｓｃｈａｎｇｅｄ，ａｎｄ

ｒｅｉｎｆｏｒｃｅｄｔｈｅｆｏｒｍｅｒｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌｔｈｅｓｉｓｉｓｂａｓｅｄｂａｓｅｄｏｎｓｏｉｌｉｓｈａｒｄｌｙｅｎｏｕｇｈｔｏｅｘｐｌａｉｎｍｅｔｈｏｄ，ａｄｏｐｔｓｓｏｉｌ．Ｔｈｉｓｕｐｏｎａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ

ｇｒａｓｓｒｏｏｔｓ’ｒｅｉｎｆｏｒｃｅｄｓｏｉｌ（ＧＲＳ）ｔｒｉａｘｉａｌ

ｇｅｎｅｒａｔｉｎｇｎｅｔｗｏｒｋ

ＲＢＦｎｅｕｒａｌｔｅｓｔｄａｔａｔｒａｉｎｉｎｇｉｎｔｅｌｌｉｇｅｎｃｅｎｅｔｗｏｒｋ，ｓｅｌｆ∑ａｃｔｐａｒａｍｅｔｅｒ，ａｎｄｇｅｔｓｒｅｉｎｆｏｒｅｅｄｓｏｉｌＢＰｎｅｕｒａｌＡＮＦＩＳｎｅｔｗｏｒｋｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌ．ｎｅｔｗｏｒｋｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌ，，ｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌ，ｔｈｕｓａｖｏｉｄｉｎｇｔｈｅｄｉｆｆｉｃｕｌｔｉｅｓｏｆｍａｔｈｅｍａｔｉｃａｌｍｏｄｅｌｉｎｇｄｅｔｅｒｍｉｎｅｆｕｎｃｔｉｏｎｐａｒａｍｅｔｅｒ．

ａｒｅ（１）ＴｈｅＧＲＳＢＰｎｅｕｒａｌ

ｅｒｒｏｒｎｅｔｗｏｒｋｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌｔｈｅｔｒａｉｎｉｎｇｅｓｔａｂｌｉｓｈｅｄ，ａｎｄｔｈｅｔｒａｉｎｉｎｇｃｈｅｃｋｉｎｇｐｒｏｃｅｓｓｔｈｅｅｎ－０ｒａｎｄｔｈｅｃｈｅｃｋｉｎｇａｒｅａｌｌｓｍａｌｌ，ｕｎｄｅｒａｎｄｃｕｒｖｅｓｏｆ

ｔｈｅｍｏｄｅｌｓｉｍｕｌａｔｉｎｇａｒｅｉｎａｃｃｏｒｄａｎｃｅｗｉｔｈｅｘｐｅｒｉｍｅｎｔａｌ

ｅｒｒｏｒｓｃｕｒｖｅｓ，ａｎｄｉｔａｌｓｏｍｏｄｉｆｉｅｓｓｔｒｅｓｓｍｕｔａｔｉｏｎｐｏｉｎｔｃａｕｓｅｄｂｙｅｘｐｅｒｉｍｅｎｔａｌ

ｃｏｎｔｅｎｔｒｅｌａｔｉｏｎｏｎｍａｘｉｍｕｍｐｒｉｎｃｉｐｌｅｈａｓａａｎｄｇｒａｓｓｒｏｏｔｈｉｇｈｃｕｒｖｅｓ，ａｎｄｐｒｏｖｅｓｔｈａｔｔｈｉｓ

ｔｏｎｅｔｗｏｒｋｇｏｏｄｆａｕｌｔ—ｔｏｌｅｒａｎｔａｂｉｌｉｔｙａｎｄａｃｃｕｒａｃｙ，ｗｈｉｃｈｅｎａｂｌｅｓｉｔ

ｓｔｒｅｓｓ—ｓｔｒａｉｎｂｅｕｓｅｄｉｎｍａｋｉｎｇＧＲＳｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌ．ＴｈｅｒｅｉｎｆｏｒｃｅｄｓｏｉｉａｒｅｐｒｅｄｉｃｔｅｄＣＨＩＶｅｏｆｄｉｆｆｅｒｅｎｔｇｒａｓｓｒｏｏｔｃｏｎｔｅｎｔｓｉｍｕｌａｔｅｄｂｙｔｈｅｍｏｄｅｌａｌｓｏｉｎａｃｃｏｒｄａｎｃｅｗｉｔｈｍａｘｉｍｕｍｐｒｉｎｃｉｐｌｅｓｔｒｅｓｓａｎｄｇｒａｓｓｒｏｏｔｃｏｎｔｅｎｔｒｅｌａｔｉｏｎｃｕｒｖｅｓ，ＳＯｔｈｅｍｏｄｅＩｈａｓｇｏｏｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙ．

（２）Ｔｈｅ

ｏｎＧＲＳＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌａｒｅｅｓｔａｂｌｉｓｈｅｄ，ａｎｄｔｈｅｉｎｆｌｕｃｎｃｅｎｅｔｗｏｒｋｐｒｅｃｉｓｉｏｎｂｙｔｒａｉｎｉｎｇｓａｍｐｌｅｓｃａｌｅａｎｄｅｒｒｏｒ－ｃｏｎｔｒｏｌｌｉｎｇｉｓｄｉｓｃｕｓｓｅｄ．Ｔｈｅｌａｒｇｅｒｔｈｅｔｒａｉｎｉｎｇｓａｍｐｌｅｓｃａｌｅｉｓ，ｔｈｅｂｅｔｔｅｒｉｔｉｓｆｏｒｔｈｅｓｔｕｄｙｏｆｔｈｅｄａｔａｉｎｎｅｒｒｅｇｕｌａｒｉｔｙｂｖｔｈｅｎｅｔｗｏｒｋ，ａｓｗｈｅｎｔｈｅｔｒａｉｎｉｎｇ

ｔｈｅｄｅｃｒｅａｓｅｏｆｆａｕｌｔ—ｔｏｌｅｒａｎｔｅｌＴｏｒｉｓｔｏｏｓｍａｌｌ，ｔＯＯｆｉｔｔｉｎｇｍａｙａｐｐｅａｒ，ｗｈｉｃｈｗｉｌｌｒｅｓｕｌｔｉｎｔｏｏａｂｉｌｉｔｙ；Ｗｈｅｎｌａｒｇｅ，ｉｔｍａｙｌｅａｄｔＯｔｈｅｉｎａｄｅｑｕａｃｙｏｌ’ｔｈｅｓｔｕｄｙｏｆｔｈｅｉｎｎｅｒｒｅｇｕｌａｒｉｔｙｏｆｔｈｅｔｒａｉｎｉｎｇｄａｔａ．

（３）ＴｈｅＡＮＦＩＳｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌａｒｅｅｓｔａｂｌｉｓｈｅｄ，Ｔｈｅｒｅｉｎｆｏｒｃｅｄｓｏｉｌｓｔｒｅｓｓ－ｓｔｒａｉｎ

硕ｆｊ学位论文

ｐｒｅｄｉｃｔｅｄｃｕｒｖｅｓｏｆｄｉｆｆｅｒｅｎｔｇｒａｓｓｒｏｏｔｃｏｎｔｅｎｔｓｉｍｕｌａｔｅｄｂｙｔｈｅｍｏｄｅｌａｒｅｓｍｏｏｔｈ，ａｎｄａｌｓｏｉｎ

ｃｕｒｖｅｓ，ＳＯａｃｃｏｒｄａｎｃｅｗｉｔｌｌｍａｘｉｍｕｍｐｒｉｎｃｉｐｌｅｓｔｒｅｓｓａｎｄｇｒａｓｓｒｏｏｔｃｏｎｔｅｎｔｒｅｌａｔｉｏｎ

ｍｏｄｅｌｈａｓｇｏｏｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙ．ｔｈｅ

（４）Ｔｈｅｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｓｓｉｍｕｌａｔｅｄ

ａｂｙｔｈｅｔｈｒｅｅｉｎｔｅｌｌｉｇｅｎｃｅｎｅｔｗｏｒｋｃｏｎｓｔｉｔｕｔｉｖｅｍｅｔｈｏｄｓ，ｓｕｇｇｅｓｔｓｔｈａｔＡＮＦＩＳｍｏｄｅｌｈａｓ

ｆａｕｌｔ－ｔｏｌｅｒａｎｔａｂｉｌｉｔｙ

ＡＮＦＩＳｂｅｔｔｅｒｓｉｍｕｌａｔｉｖｅａｃｃｕｒａｃｙ，ａｎｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙ，ａｎｄｓｈｏｗｓｔｈｅｓｔｒｏｎｇｒｅａｓｏｎｉｎｇａｂｉｌｉｔｙｏｆＣａｎｂｅｔｔｅｒｅｘｔｒａｃｔｉｎｔｅｒｎａｌｒｅｇｕｌａｔｉｔｙｏｆｒｅｉｎｆｏｒｃｅｄｓｏｉｌ．

ＫｅｙＷｏｒｄｓ：ｒｅｉｎｆｏｒｃｅｄｓｏｉｌ；ｃｏｎｓｔｉｔｕｔｉｖｅ

ＡＮＦＩＳｍｏｄｅｌ；ＢＰｎｅｕｒ．ａｌｎｅｔｗｏｒｋ；ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ；

ＩＶ

湖南大学

学位论文原创性声明

本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。储躲鳓ｊ同期：≯。１年了月三知

学位论文版权使用授权书

本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于

ｌ、保密口，在

２、不保密囤。

（清在以｝二相应方框内打“√”）年解密后适用本授权书。

作者签名：

导师签名：盔汹日期：加。ｆ年ｊ月以ｆ］嗍加７年歹月彤闩

下载地址：14基于人工智能方法加筋土本构模型_图文.Doc

　　【】