一、用BP神经网络预测地下水动态（论文文献综述）
李桐[1]（2021）在《基于自然衰减过程模拟的石油烃污染场地地下水监测网优化研究》文中指出油气勘探、开采、冶炼以及石油加工产品在运输和使用等环节中不可避免地会对周围环境造成一定程度的污染。地下水污染监测井网的优化在确保获取场地污染信息的同时,可达到降低监测成本,提高监测效率的目的。石油烃类污染物在地下水环境中会发生自然衰减作用,在地下水中的浓度和扩散范围将小于预期,在监测网设计过程中考虑自然衰减作用可提高监测地下水中石油烃类污染物的准确性和有效性。数值模拟方法可有效预测石油烃类污染物在地下水中经自然衰减作用下的空间分布。因而,本论文以石油烃类污染物为研究对象,采用TMVOC软件模拟石油烃类污染物在地下水中的自然衰减过程,分析自然衰减作用对地下水中石油烃类污染物浓度分布的影响以及石油烃类污染物在地下水中的空间分布规律。含水层介质空间分布的非均质性使得含水层的水文地质参数本身具有不确定性,本文采用蒙特卡洛方法求出水文地质参数在一定范围内随机分布的情况下场地污染物浓度的均值,用于地下水污染监测网的优化。最后,采用模拟优化方法以监测信息的最大化为目标建立优化方程,对场地地下水石油烃类污染监测网进行优化。通过论文研究得到以下主要结论:（1）自然衰减作用中的挥发、溶解和吸附作用对场地地下水中石油烃类污染物浓度分布的影响相对较小,而生物降解作用会使地下水中石油烃类污染物浓度明显降低,因而,在石油烃类污染监测网的过程中考虑自然衰减作用的模拟能够提高监测网的准确性和有效性。（2）地下水含水介质分布存在非均质性,单一的水文地质参数取值往往无法反应介质的非均质特征,影响地下水中石油烃类污染物迁移模拟中污染物空间分布特征的准确刻画。本文通过蒙特卡洛模拟,求出1000组孔隙度和渗透率参数在一定区间范围内波动情况下的石油烃类污染物浓度分布数据均值用于监测井网的优化。相对于采用单一水文地质参数值的模拟结果,污染物浓度均值更能反应场地地下水中石油烃类污染物浓度的分布情况。（3）本文提出了基于石油烃类污染物浓度分区的地下水监测网优化方案能够对石油烃类污染物高浓度分布区域及污染物浓度空间分布进行监测。经验证,在监测井数量相同的情况下优化后的监测网监测到的污染信息均高于其他布井方案,说明基于自然衰减过程模拟的监测网优化方法有效,可应用于更多的石油烃污染场地。
袁乾[2]（2021）在《基于Stacking替代模型的地下水LNAPLs污染源解析研究》文中提出石油类产品在生产储运等环节常常会因处置不当或者突发事故等原因,泄漏进入地下水环境中,对地下水造成污染。由于地下水埋藏运移于地表面以下,地下水污染具有存在的隐蔽性和发现的滞后性,致使人们缺乏地下水污染源的了解和掌握。这不利于污染的责任认定、风险评估以及修复方案的设计等后续工作的展开。所以,开展地下水石油类污染源解析的研究十分必要。地下水污染源解析研究,是利用地下水动态观测数据（包括地下水水位和污染物浓度）,结合运用研究区相关调查资料等辅助信息,分析确定地下水中污染源的相关信息（包括污染源的位置和释放历史等）的过程。地下水污染源解析问题在数学上属于一种典型的反演问题,具有非线性和不适定性等特点。不同于正演问题的求解,反演问题中待求信息往往多于已知信息,致使反演问题的求解更具难度。本文研究应用BP-Stacking替代模型、循环更新过程（Cycle update process,CUP）策略和模拟-优化方法等,将假想例子与实际应用相结合,对地下水轻非水相流体（Light non-aqueous phase liquids,LNAPLs）的污染源解析问题开展研究。首先,概化处理研究区地质与水文地质条件,建立概念模型。再对污染源相关信息和模拟模型参数给出合理的取值区间,并给定初估值,初步建立地下水LNAPLs污染多相流数值模拟模型。其次,确定待识别变量,建立多相流数值模拟模型的替代模型。运用局部灵敏度分析方法对模拟模型参数进行筛选,将敏感度较高的模拟模型参数与污染源相关信息一起作为待识别变量。运用拉丁超立方抽样方法在待识别变量的取值区间中进行抽样,得到模拟模型的输入数据。接着调用模拟模型计算得到相应的输出数据,即获得训练样本和检验样本,对基于BP神经网络的Stacking替代模型（BP-Stacking替代模型）进行训练并评价精度,并分别与克里格（KRG）替代模型和核极限学习机（KELM）替代模型进行对比,分析BP-Stacking替代模型的适用性。最后,对污染源相关信息和模拟模型参数进行识别。构建了循环更新过程（CUP）策略。在CUP策略中,设计了两个模拟-优化过程,分别对模拟模型敏感参数与污染源相关信息进行识别,并将上述两个模拟-优化过程耦合连接成循环回路。运用混合同伦-差分进化鲸鱼算法（HA-DE-WOA）对优化模型进行求解。为了减少计算时间和计算负荷,将BP-Stacking替代模型作为等式约束,嵌入到优化模型中,作为优化模型的组成部分。通过分别识别污染源特征和模拟模型参数,使两个模拟-优化过程的识别结果相互促进,不断更新,直至求解出问题的最优解,即待识别变量的识别值。本文通过上述研究,得到以下结论:（1）在对模拟模型中输入-输出的拟合精度上,BP-Stacking替代模型精度高于KRG替代模型和KELM替代模型。基于Stacking集成学习与BP神经网络所建立的BP-Stacking替代模型对多相流数值模拟模型的逼近程度更好,更适于求解多变量、高维度、具有复杂非线性映射关系的实际问题。（2）本次研究探索非线性优化模型的有效解法。将同伦算法（Homotopy Algorithm,HA）、差分进化算法（Differential Evolution Optimization Algorithm,DE）引用于传统的鲸鱼算法（Whale Optimization Algorithm,WOA）,有效解决传统WOA算法依赖初值选择、容易陷入局部最优的问题,构建了混合同伦-差分进化鲸鱼算法（HA-DE-WOA）。HA-DE-WOA算法能够更高效的搜索到全局最优解,提高地下水LNAPLs污染源解析结果的精度。（3）本次研究探索出一种求解地下水污染源解析问题的有效策略。CUP策略包含两个模拟-优化过程,一个模拟-优化过程是污染源相关信息的识别过程,另一个模拟-优化过程是对模拟模型参数识别的过程。在CUP策略中,将前一个识别过程的识别结果代入后一个识别过程,以更新待识别变量的识别结果,通过若干次迭代循环,最终求得地下水LNAPLs污染溯源辨识的识别结果。与将污染源相关信息和模拟模型参数同步识别所得结果相对比,运用CUP策略所得结果更逼近于待识别变量的真值,因此CUP策略能够提高地下水LNAPLs溯源辨识结果的精度。
王文涛[3]（2021）在《离子型稀土矿山边坡稳定性分析与位移预测模型研究》文中进行了进一步梳理赣南离子型稀土矿山采用原地浸矿方法进行作业,原地浸矿工艺能够不开挖表土,不破坏矿区植被,有效的保护了矿区的生态环境。但经过调查发现,近些年赣南稀土矿山地质破坏仍然较为严重,主要原因是原地浸矿工艺改变了稀土矿山土体的力学性质,使土体结构遭到破坏,影响了矿山边坡的稳定性,甚至在一定程度上会引起滑坡、崩塌等地质灾害,给当地人民生活造成巨大影响,因此对稀土矿山边坡稳定性分析是至关重要的。本文以龙南市足洞稀土矿山为研究对象,在对研究区进行实地调查,获得了该矿区的工程地质概况资料,取原状土进行室内试验,测定矿土的物理力学参数,为后续边坡三维建模提供了数据基础,利用Midas/GTS对天然工况下和暴雨工况下的边坡进行分析,得出不同工况下边坡的安全系数,并比较两种条件下边坡的位移、应力、应变的差异。介绍了矿山采场滑坡在线监测系统,并用BP算法和GA-BP算法对研究区监测点位移数据进行预测分析,判断预测模型的精确性,得出以下结论:（1）通过室内试验测定原状土的含水率、密度、初始孔隙比、渗透系数、弹性模量、压缩模量和土的粘聚力、内摩擦角,试验结果表明:表土层的含水率较大,其他土层含水率有逐渐增大的趋势,土层的密度随着土层深度的加深有增大的倾向,土层的粘聚力和内摩擦角偏小,土层为砂性土但含有一定的黏土颗粒,龙南稀土矿渗透系数偏大。（2）通过Midas/GTS软件分析两种不同工况下边坡稳定性,得出结论:边坡在天然工况下安全系数较大,不会发生失稳现象,在暴雨工况下安全系数较小,边坡内部应力、有效应力减小,剪应力、孔隙应力增加,等效应变、塑性应变明显增加,塑性区明显,边坡容易发生滑坡现象。（3）构建矿山采场滑坡在线监测系统,通过裂缝计监测坡体表面位移,位移计监测山体深部变形,应力计监控支护工程应力,渗压计监测渗流,当某项监测数据超过所规定的临界值时,系统发出预警。（4）利用神经网络优越的非线性映射能力,对未经过处理且有干扰的边坡位移变形数据作预测分析,同时为了避免BP-ANN收敛速度慢、学习效率低等缺陷,采用GA优化BP神经网络的权值与阈值,再分别预测边坡位移。预测结果显示,GA-BP神经网络算法性能要高于BP算法,GA-BP神经网络算法预测精度要更高,可用GA-BP神经网络算法优化监测系统,预测边坡位移。
游洪[4]（2021）在《基于InSAR技术和BP神经网络的高速铁路沿线区域沉降监测与预测》文中认为地面沉降被国内外相关研究者广泛关注,是城市发展、过度开采地下资源等因素而产生的地质灾害问题,对建筑物、南水北调等安全运营产生一定影响。同时,区域发生不均匀沉降,沉降差异值较大,则其对高速铁路轨道的平滑性产生较大影响,对高速铁路沿线的区域沉降特征及沉降发展变化趋势的研究是很必要,对高速铁路安全运营有着重要意义,其获取时序沉降值及变化趋势能为有关部门提供一定的参考信息。本文研究主要工作如下:（1）用覆盖研究区内2018年5月-2020年8月期间的升降轨SAR数据,基于SBAS-In SAR技术获取了升降轨的年均沉降速率和沉降序列值,分析了高速铁路沿线区域形变特征。分析表明:升降轨模式下的年均沉降速率、沉降序列值变化趋势具有较高的一致性;共探测出7个较明显沉降区,总沉降面积达1620km2。高速铁路沿线在该沉降内总长度达121km,年均沉降速率在-26mm/yr-18mm/yr。（2）以年均沉降速率为研究对象,进一步分析了影响区域沉降的因素,还分析了区域沉降可能对高速铁路产生影响。研究发现:开采石油、盐田等人类活动会影响地面沉降;研究区内高速铁路沿线区域发生不同程度非均匀沉降,将会对轨道的平滑性、稳定性产生一定的影响。（3）用BP神经网络及其优化后的三种预测模型对高速铁路沿线沉降区域内7个沉降点沉降序列值进行训练与预测等分析。结果发现:对沉降序列值进行2层小波分解降噪,降噪效果最佳,降噪后沉降值序列值更加平滑;遗传算法和粒子群算法有一定的优化作用,遗传算法的优化效果最佳,预测值均方根误差最小,粒子群算法次之。
李恒丽[5]（2021）在《基于人工神经网络模型的丽江黑龙潭泉群断流分析》文中认为地下水资源是地球水资源的重要组成部分,是人类赖以生存和发展的重要条件。我国西南部地区居民生活用水和工农业生产用水的主要水源就是地下水,地下水资源的合理开发和利用也是影响生态环境的关键因素。位于云南省丽江市古城区的黑龙潭泉群,是丽江古城居民生活用水的源头,随着社会的发展,地下水开采量不断增加,开采不合理等问题的出现,黑龙潭泉群地下水位呈现持续下降的现象,尤其在降雨偏少或干旱时泉群会发生断流,特别是近年来由于城镇扩建,工农产业兴起,井采也越来越严重,导致泉群断流情况越来越严重,断流次数逐渐增多、时长也增长,给丽江市的发展造成一定的影响,破坏了当地的生态环境,给当地居民生产生活用水带来不便,增加了当地居民用水的成本。因此如何合理的开发,利用,保护泉群地下水资源是当前水资源管理工作的重点,如何有效的解决泉群断流问题及查明泉群断流原因提前做好断流防治措施是当前的首要任务。研究各种水利工程及人为活动影响下的地下水动态,建立变化条件下的地下水流数值模拟模型,对地下水均衡状况作出预测很有必要,对地下水资源开发利用有着重要的意义。本文采用人工神经网络方法分析当地降雨量与黑龙潭泉群流量变化的关系。通过野外地质调查,查明研究区的地质环境条件,水文地质条件,地下水系统补径排特征,系统研究分析黑龙潭泉群的断流原因及断流过程,查阅相关文献资料及结合历年的监测数据,利用MATLAB人工神经网络方法展开对黑龙潭泉群流量及水位的分析研究,对黑龙潭的断流时间作出预测,给黑龙潭补水时间提供依据。使用MATLAB作为工具载体,应用最小二乘法非线性回归分析黑龙潭泉群流量与水位之间的关系;应用三次指数平滑法预测黑龙潭泉群水位;应用BP神经网络预测方法及神经网络拟合工具箱对黑龙潭泉群流量进行预测;应用神经网络模式识别进行黑龙潭泉群断流分析。使用标准化作为训练样本,并使用大量实际样本数据进行测试,将各方法得出的结论与实际结果进行对比,以流量和水位为突破口,进行断流分析。主要研究结果如下:（1）黑龙潭泉群的主要补给来源为大气降水,大气降水集中在九子海通过九子海径流补给黑龙潭。（2）通过统计分析得出丽江的水平衡自2004年起发生了很大变化,是水平衡状态的一个分界年。在这之前,黑龙潭的断流情况严重依赖于降水量;在这之后,由于平衡被打破,断流情况越来越严重。而地下水开采量增大是打破丽江水平衡的关键原因,由于深部排泄越来越大,使黑龙潭井水位逐渐下降,达不到出水水位,黑龙潭就发生断流。（3）通过模型模拟得出黑龙潭流量与降雨量呈正相关,持续的降雨量会使黑龙潭流量变大。而井水位与流量也呈高度相关,降雨量较少时,井水位会持续下降,计算得出九子海当月往前一个月的降雨量对井水位的影响更大,其相关性系数为0.7876,往前两个月的相关性系数为0.6466,说明九子海降雨在1-2月后会到达黑龙潭。（4）黑龙潭的井水位决定了其断流是否发生,当井水位低于一定的值,无论九子海降雨多少,都要先补充地下水位,使其达到出水水位黑龙潭才会有流量。（5）人工神经网络模型对黑龙潭流量和断流预测都取得了一定成效,预测值与实际值基本相符,该模型可以用于对黑龙潭流量及断流情况的监测,为黑龙潭补水提供时间依据。（6）经综合分析计算得出黑龙潭可在预测出断流时就进行补水,其补水量根据其断流的影响因素来计算。
李军[6]（2020）在《基坑工程沉降预测模型研究及分析 ——以某市万达广场南区基坑为例》文中研究表明伴随着经济的快速发展,城市建设如火如荼,对建筑物的需求也越来越多。在建筑物建设施工过程中,需要进行基坑开挖。但是,基坑工程在各种因素的影响下,会导致工体发生一定的变形,一旦变形超过了安全值,会给周围的环境带来一系列影响,对人民财产和生命构成巨大的威胁。因此,需要加强对基坑的监测,根据其沉降发展历程,掌握规律,及时预测其沉降变化趋势,并进行预报,以便能够采取有效的措施避免灾害的发生。本文以某市万达广场南区基坑工程为例,选取沉降量为-14.60mm的最大沉降监测点C1进行研究分析。首先用BP神经网络模型进行模拟预测,并为了提升模型预测的精度,将BP神经网络与GM（1,1）模型组合,结合两个单一模型的优势,建立GM-BP模型进行预测;然后在BP神经网络和GM-BP预测模型的基础上引入遗传算法,利用遗传算法对BP神经网络中的权值和阈值进行优化,构建GA-BP模型和GA-GM-BP模型。借助MATLAB软件平台,用奇异谱分析法（SSA）对点C1监测数据降噪后,分别建立BP神经网络模型、GM-BP模型、GA-BP模型、GA-GM-BP模型进行编程实现。实验结果表明:BP神经网络模型预测精度最低,GM-BP模型和GA-BP模型预测精度都比BP神经网络模型有所提升,GA-GM-BP模型的精度最高,预测效果最佳,其平均绝对误差（MAE）、均方根误差（RMSE）、决定系数（R2）分别为 0.176mm、0.246mm、0.997。为了验证本文预测模型的可行性和结论的可信度,选取次最大沉降监测点C3,其累计沉降量为-12.27mm,采用上述四个预测模型对其进行验算。结果表明:GA-GM-BP模型精度最高,其平均绝对误差（MAE）为0.172mm,均方根误差（RMSE）为0.256mm,决定系数（R2）为0.995,结论与监测点C1一致。以上研究结果表明,本课题的研究成果对类似基坑工程的地表沉降规律具有一定意义。图[24]表[27]参[83]
王丽丽[7]（2020）在《淮北地区夏玉米—冬小麦轮作期间土壤水分模拟分析》文中认为处于我国南北分界处的淮北地区,是我国重要农作物种植和粮食生产基地,由于降雨量年际变化大,年内分布不均,旱涝交替发生等问题相对突出,使得该地区的水资源量相对匮乏。而土壤水作为作物吸收水分的主要来源,是促进作物正常发育,保证农业生产活动正常运行的重要基础。在水资源短缺的今天为了提高农田用水的利用率,避免水资源严重浪费,及时准确掌握农田土壤水分变化动态规律,对制定适时适量灌溉具有重要意义。本文以五道沟水文实验站为依托对夏玉米-冬小麦轮作期间的土壤水分进行研究。采用该实验站1991年6月-2020年5月大田土壤水分、地下水位埋深和多气象资料,分析了夏玉米-冬小麦生育期土壤水和地下水的关系,并拟合了10种曲线方程;对夏玉米-冬小麦轮作期间土壤水分与水文气象因子作相关分析,并建立土壤水分多元线性回归方程;分别采用BP神经网络和遗传算法优化BP神经网络方法,建立了作物轮作期间土壤水分预测模型。结果表明:（1）分析夏玉米、冬小麦生育期土壤水分与地下水位埋深的关系,选取10种函数对土壤水和地下水的转化进行非线性拟合,结果表明:使用傅里叶函数拟合精度最高,夏玉米生育期拟合精度达到0.8185;冬小麦生育期拟合精度达到0.9505。（2）对夏玉米-冬小麦轮作期间土壤水分与水文气象因子作相关分析,以相关性最大的影响因子为初始变量,逐步添加到4个因子,分别建立了夏玉米各生育期土壤水分预测模型,随着自变量的增多,模型拟合精度越高,当变量为4个时,R2为0.742～0.979。除了土壤表层,平均相对误差均可控制在0.1以内。（3）选取了对土壤含水率有直接影响的10个气象因子,利用BP神经网络模型建立了不同土层（0-20cm、20-40cm、40-60cm、60-80cm、80-100cm）的土壤水分预测模型,模型分别为BP（10-16-1）、BP（10-11-1）、BP（10-8-1）、BP（10-14-1）、BP（10-14-1）。预测结果显示,土壤表层的相对误差较大,但随着土层的增加,误差全部控制在0.09以内。（4）为了提高BP神经网络的预测精度,引入了具有全局搜索能力的遗传算法来优化BP神经网络的初始权值和阈值,从而能够更好的预测输出。预测结果表明:随着土层的增加,土壤水分的相对误差减小,相对误差控制在0.065以内。
黄劲松[8]（2020）在《地铁深基坑工程施工风险管控系统研究》文中研究指明由于地铁深基坑工程项目的隐蔽性、复杂性以及不可预见性等特点,致使地铁深基坑工程所面临的施工风险很大。对此,本文通过对南宁和宁波两地城市轨道交通现有风险管理系统的实地调研,结合自身团队风险管控系统的研发,提出一套较为完整的风险管控系统设计方案。从两大功能模块（静态风险评估、动态风险管控）去论述系统内容,从理论方法（层次分析法、网络分析法、隶属度函数、人工神经网络等）去讲解开发流程,最终得出一套可行性高且合理的系统搭建方案。本文重点研究内容以及得出的几点结论如下:（1）由于在深基坑工程施工中,许多风险因素之间存在复杂的关系,总体风险采用个体风险简单叠加的方法不能客观真实的反映其中的关系,会降低风险评估结果的可信度,因此,本文以层次分析法为基础,采用网络分析法来表示个体风险之间的复杂关联程度,并且由此计算出各个体风险的权重,进而得到总体风险。通过实际案例分析,计算结果可信度相比没采用网络分析法而言有明显提升。（2）在施工中,不同的个体风险是随着施工工期的变化而不断的消失和出现的,故静态风险评估结果并不能在动态施工中起到主导作用,因此,本文先引入暴露度概念重新定义风险值,再利用模糊数学中隶属度函数赋予个体风险时间属性,实现可随施工工期变化的动态风险评估,可以较好的评估不同工期下总体风险大小,文中例子很好的体现这种方法的优越性。（3）在动态风险管控中,围护结构水平位移这一监测指标对深基坑工程的安全评估有很强的指向性,故如何分析预测围护结构水平位移的变化显得十分重要,本文采用BP人工神经网络对围护结构水平位移进行预测,得出的预测结果与实际监测值相比,误差精度可达到1mm,可为施工监测提供参考。（4）本文根据对多地轨道交通集团的风险管控系统的实际调研结果,提出风险管控系统可采用BIM技术实现施工可视化以及应结合自动化监测设备实现监测数据实时可视化,并且在系统中应加入隐患排查治理与应急管理模块功能以完善整个风险管控系统框架内容。通过文章的分析与研究,可以为地铁深基坑工程施工安全风险管控系统的建立提供一种科学性较强且系统性较高的方法以供参考与借鉴。
贾紫涵[9]（2020）在《地铁车站施工环境影响风险非线性智能控制方法研究》文中研究说明城市轨道交通经发展成为城市交通系统必不可少的部分,是城市居民活动的主力军。随着人口的增多及经济的发展,基础建设占地面积不断扩大,城市用地逐渐减少,地面资源紧缺,发展地下空间逐渐成为城市发展建设的重点。近年来,城市地铁以其占地少、污染少、不堵车、方便、快捷等优势,在全国各大城市迅猛发展。但城市地铁工程建设对城市环境影响也不容忽视,地铁建设处于交通繁忙、地下管线纵横交错的建设环境,极易引发大气、噪音、振动、水污染、地质水文及周围建筑等环境影响和破坏。因此,地铁建设过程中,在满足安全的前提下,应加强环境管理,尽可能减少建设对周边环境带来的不利影响。文章以城市地铁车站工程为研究对象,着眼于其施工阶段对环境的影响风险识别和控制分析,首先在分析地铁建设环境影响理论的基础上,通过查阅文献资料,收集大量已完类似工程相关数据,找到地铁车站建设环境影响因素。根据因素分析整理构建地铁车站工程环境影响案例资料数据库,为地铁建设环境影响风险预测提供数据支持。其次,构建地铁车站施工环境影响风险智能识别与控制模型。以数据库为基础,利用粗糙集对工程属性进行约简,找到主要影响特征。在此基础上,运用PSO聚类分析筛选出与拟建工程相似案例。之后,利用BP神经网络模型预测研究对象环境影响数据,从而制定环境管理目标。接着,构建地铁施工环境影响问题原因对策库。结合“海恩法则”原理,对地铁车站环境影响风险征兆、苗头等进行识别,并根据问题的严重程度建立地铁车站施工环境影响风险预警体系。利用PDCA及统计分析方法,对地铁车站施工过程环境管理进行动态循环优化控制,并尝试将将计算机辅助软件应用到施工过程环境管理中,辅助管理人员对施工过程进行管理决策。最后,将上述模型应用到北京地铁S站建设过程中,以验证模型的可行性及有效性。为地铁建设环境管理问题提供科学的管理方法和解决途径。
李明[10]（2020）在《地铁区间盾构施工进度与投资智能控制方法研究》文中研究表明地铁建设施工环境复杂,地质结构以及地下建筑物的错综复杂加大了施工的难度,导致进度管理难度大;同时,地铁建设需要人、材、机等大量资源投入,投资也难以把控。针对当前地铁建设中出现的进度与投资问题,本文从投资方角度出发,以地铁区间盾构施工为研究对象,建立地铁区间盾构施工进度与投资智能控制模型,将模型用于对成都地铁建设进度与投资控制管理中,为有效提高地铁建设投资经济和社会效益提供决策支撑和建议。本文以成都地铁XX号线XX～XX区间盾构施工作为研究对象。首先,通过查阅文献、实地咨询地铁建设项目盾构技术负责人,分析挖掘了地铁区间盾构施工进度与投资的影响因素,以分析得到的进度与投资影响因素为基础搜集已完地铁工程案例,对其进行分析整理,经过地域、时间调整后,建立地铁区间盾构施工进度与投资信息资料基础数据库,为进度和投资目标预测提供支持,并根据历史数据建立地铁区间盾构施工进度与投资的原因对策数据库。然后建立地铁区间盾构施工进度与投资智能控制模型。以案例库为基础,运用粗糙集对案例库中的影响因素进行约简;以约简后的重要影响因素为基础,利用PSO聚类分析智能选取与XX～XX区间相似度高的工程案例,运用BP神经网络对进度与投资目标进行智能预测;以预测出的进度与投资目标为依据,在施工过程中,根据实际施工情况,确定控制周期,在各控制周期内搜集实际施工数据,与计划目标对比分析,若有偏差,及时寻找原因对策,在下一循环控制周期采取该对策,并继续搜集数据并与目标对比分析,进行PDCA循环控制,直至实际进度与投资处于目标可控范围以内。最后,开发地铁建设进度与投资计算机智能控制软件系统。该系统能够智能预测进度与投资目标,并将施工过程中进度与投资实际数据与预测目标进行对比分析,实现自动预警,智能决策的目标。
二、用BP神经网络预测地下水动态（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、用BP神经网络预测地下水动态（论文提纲范文）
（1）基于自然衰减过程模拟的石油烃污染场地地下水监测网优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据 |
| 1.2 国内外研究现状 |
| 1.2.1 地下水石油烃类污染物自然衰减研究现状 |
| 1.2.2 地下水监测网优化研究现状 |
| 1.2.3 地下水数值模拟的研究现状 |
| 1.3 研究目标及研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 技术路线 |
| 第2章 地下水石油烃污染场地概况 |
| 2.1 场地地理位置 |
| 2.2 场地气象水文概况 |
| 2.3 场地地形地貌 |
| 2.4 场地水文地质概况 |
| 2.4.1 场地地下水赋存条件 |
| 2.4.2 场地地下水的补、径、排条件 |
| 2.4.3 场地地下水水位动态 |
| 2.5 场地污染概况 |
| 第3章 石油烃类污染物在地下水中的自然衰减过程模拟 |
| 3.1 地下水水流模型的构建 |
| 3.1.1 水文地质条件概化过程 |
| 3.1.2 地下水水流模型的数学描述 |
| 3.1.3 模拟软件的选择 |
| 3.1.4 离散化 |
| 3.1.5 地下水水流模型的验证过程 |
| 3.2 石油烃类污染物在地下水中自然衰减过程的模拟及预测 |
| 3.2.1 地下水中石油烃类污染物运移模型的概化 |
| 3.2.2 地下水中石油烃类污染物自然衰减过程的模拟 |
| 3.2.3 地下水中石油烃类污染物运移预测 |
| 3.2.4 地下水中石油烃类污染物运移模型的验证 |
| 3.2.5 场地石油烃类污染物溶质运移模型结果分析 |
| 第4章 地下水石油烃类污染监测网优化设计 |
| 4.1 模拟模型的不确定性分析 |
| 4.1.1 灵敏度分析 |
| 4.1.2 拉丁超立方抽样 |
| 4.1.3 替代模型的建立 |
| 4.1.4 蒙特卡洛模拟 |
| 4.2 监测井网的优化 |
| 4.2.1 多目标优化问题的描述 |
| 4.2.2 优化方程的设计 |
| 4.2.3 0-1整数规划问题 |
| 4.2.4 优化方程的求解 |
| 4.2.5 场地地下水中的石油烃类污染物监测网优化 |
| 第5章 结论与建议 |
| 5.1 结论 |
| 5.2 建议 |
| 参考文献 |
| 作者简介以及研究生期间发表的学术论文 |
| 致谢 |
（2）基于Stacking替代模型的地下水LNAPLs污染源解析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地下水污染源解析研究 |
| 1.2.2 替代模型的研究 |
| 1.2.3 优化模型的研究 |
| 1.3 有待解决的科学问题 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 本章小结 |
| 第2章 地下水污染源解析与模拟-优化方法 |
| 2.1 正演问题 |
| 2.2 地下水污染源解析 |
| 2.2.1 反演问题 |
| 2.2.2 地下水污染源解析概述 |
| 2.3 模拟-优化方法的概述 |
| 2.4 本章小结 |
| 第3章 地下水LNAPLs污染多相流数值模拟模型 |
| 3.1 LNAPLs的主要来源及运移规律 |
| 3.1.1 LNAPLs主要来源的概述 |
| 3.1.2 LNAPLs运移的概述 |
| 3.2 多相流数学模型的建立 |
| 3.2.1 数学模型中的偏微分方程 |
| 3.2.2 数学模型中的定解条件 |
| 3.3 实际研究场地的数值模拟模型 |
| 3.3.1 LNAPLs污染研究场地概况 |
| 3.3.2 研究区概念模型的建立 |
| 3.3.3 研究区多相流数值模拟模型的建立 |
| 3.3.4 多相流数值模拟模型的时空离散 |
| 3.4 本章小结 |
| 第4章 多相流数值模拟模型的替代模型 |
| 4.1 模拟模型参数的灵敏度分析 |
| 4.1.1 局部灵敏度分析方法 |
| 4.1.2 灵敏度分析结果 |
| 4.2 替代模型训练样本与检验样本的抽取 |
| 4.2.1 拉丁超立方抽样方法的概述 |
| 4.2.2 抽取训练样本与检验样本 |
| 4.3 替代模型的建模方法 |
| 4.3.1 KRG方法 |
| 4.3.2 KELM方法 |
| 4.3.3 BP神经网络 |
| 4.3.4 Stacking集成学习方法 |
| 4.4 替代模型的建立 |
| 4.5 替代模型的检验 |
| 4.5.1 替代模型精度的三种评价指标 |
| 4.5.2 对比分析三种替代模型的检验结果 |
| 4.6 本章小结 |
| 第5章 优化模型的建立与求解 |
| 5.1 最优化理论 |
| 5.2 优化模型的建立 |
| 5.3 优化模型的求解方法 |
| 5.3.1 同伦算法 |
| 5.3.2 差分进化鲸鱼算法 |
| 5.3.3 混合同伦差分鲸鱼算法 |
| 5.4 CUP策略 |
| 5.5 本章小结 |
| 第6章 地下水LNAPLs污染源解析结果 |
| 6.1 假想例子验证 |
| 6.1.1 假想例子概述 |
| 6.1.2 运用DE-WOA算法求解所得的识别结果 |
| 6.1.3 运用HA-DE-WOA算法求解所得的识别结果 |
| 6.1.4 基于CUP策略的识别结果 |
| 6.2 实际例子解析 |
| 6.3 本章小结 |
| 第7章 结论及展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简介及研究成果 |
| 致谢 |
（3）离子型稀土矿山边坡稳定性分析与位移预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题的背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 选题的背景 |
| 1.1.3 选题的意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 国内外边坡稳定性分析研究现状 |
| 1.2.2 国内外滑坡预测模型研究现状 |
| 1.3 研究内容与方法 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 创新点 |
| 1.3.4 技术路线图 |
| 第二章 矿土的物理力学性质试验 |
| 2.1 矿区工程地质概况 |
| 2.1.1 地理位置 |
| 2.1.2 气候和水文地质条件 |
| 2.1.3 矿区岩层概况和矿体特征 |
| 2.2 现场取土 |
| 2.3 矿土的基本性质测定 |
| 2.3.1 土的含水率 |
| 2.3.2 土的密度和重度 |
| 2.3.3 土的初始孔隙比 |
| 2.4 土的直剪试验 |
| 2.4.1 土的抗剪强度原理 |
| 2.4.2 试验步骤和结果 |
| 2.5 土的固结试验 |
| 2.5.1 土的泊松比 |
| 2.5.2 土的压缩模量和弹性模量 |
| 2.6 土的渗透系数测定 |
| 2.7 本章小结 |
| 第三章 考虑降雨条件下稀土矿山边坡稳定性分析 |
| 3.1 Midas/GTS建模 |
| 3.1.1 软件介绍 |
| 3.1.2 建模流程 |
| 3.2 有限元强度折减法介绍 |
| 3.3 稀土矿山边坡建模分析 |
| 3.3.1 岩土体参数的确认 |
| 3.3.2 天然工况下边坡建模分析 |
| 3.3.3 降雨条件下边坡建模分析 |
| 3.4 计算结果对比分析 |
| 3.4.1 两种工况下边坡安全系数 |
| 3.4.2 两种工况下边坡位移比较 |
| 3.4.3 两种工况下边坡应力比较 |
| 3.4.4 两种工况下边坡应变比较 |
| 3.5 本章小结 |
| 第四章 矿山采场滑坡在线监测系统 |
| 4.1 在线监测系统目的和基本功能 |
| 4.2 在线监测系统的主要内容 |
| 4.3 在线监测系统概述 |
| 4.3.1 监测方案 |
| 4.3.2 监测元器件 |
| 4.3.3 数据采集仪器 |
| 4.3.4 通讯传输 |
| 4.3.5 监控中心和数据处理中心 |
| 4.4 监测点位移监测结果分析 |
| 第五章 基于BP神经网络和遗传神经网络预测边坡位移 |
| 5.1 人工神经网络算法 |
| 5.1.1 神经网络的基本概念 |
| 5.1.2 神经网络(ANN)的发展 |
| 5.1.3 神经网络的算法描述 |
| 5.2 BP神经网络算法 |
| 5.2.1 BP神经网络的数学原理 |
| 5.2.2 BP神经网络误差的反向传播 |
| 5.2.3 BP算法的特点以及改进 |
| 5.2.4 BP神经网络的结构图 |
| 5.3 遗传优化算法 |
| 5.3.1 遗传算法的基本概念和发展 |
| 5.3.2 遗传算法的基本运算 |
| 5.3.3 遗传算法的执行过程 |
| 5.3.4 算法流程图 |
| 5.4 算法误差分析 |
| 5.5 BP神经网络算法在Matlab中程序的构建 |
| 5.5.1 神经元网络层数的确定 |
| 5.5.2 数据导入和数据处理 |
| 5.5.3 隐含层节点个数和主要函数的选取 |
| 5.5.4 神经网络其他参数的设置 |
| 5.6 GA-BP神经网络算法在Matlab中的程序构建 |
| 5.6.1 遗传算法初始化参数设置 |
| 5.6.2 轮盘赌选择法 |
| 5.6.3 两点交叉法和高斯变异法 |
| 5.7 预测结果对比分析 |
| 5.7.1 五号监测点预测结果分析 |
| 5.7.2 六号监测点预测结果分析 |
| 5.8 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 (遗传神经网络算法程序) |
| 致谢 |
| 攻读学位期间的研究成果 |
（4）基于InSAR技术和BP神经网络的高速铁路沿线区域沉降监测与预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 星载SAR卫星发展 |
| 1.2.2 InSAR技术的发展 |
| 1.2.3 BP神经网络预测模型 |
| 1.3 研究目的与论文结构 |
| 1.3.1 研究目的 |
| 1.3.2 论文内容安排 |
| 第二章 合成孔径雷达干涉测量原理与误差分析 |
| 2.1 合成孔径雷达成像原理 |
| 2.2 合成孔径雷达成像几何畸变 |
| 2.3 合成孔径雷达干涉测量技术 |
| 2.3.1 InSAR/D-InSAR技术原理 |
| 2.3.2 InSAR技术误差来源 |
| 2.4 时序InSAR技术 |
| 2.4.1 散射体类型 |
| 2.4.2 PS-InSAR技术 |
| 2.4.3 SBAS-InSAR技术 |
| 2.5 本章小结 |
| 第三章 BP神经网络预测模型 |
| 3.1 人工神经网络概述 |
| 3.1.1 神经元模型 |
| 3.1.2 激活函数类型 |
| 3.1.3 神经网络结构 |
| 3.1.4 神经网络学习 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络正向传递 |
| 3.2.2 BP神经网络误差反向传递过程 |
| 3.2.3 BP网络神经网络的局限性 |
| 3.3 小波变换降噪原理 |
| 3.4 BP神经网络优化算法 |
| 3.4.1 BP算法优化 |
| 3.4.2 遗传算法优化 |
| 3.4.3 粒子群算法优化 |
| 3.5 本章小结 |
| 第四章 基于SBAS-InASR技术的高速铁路沿线区域沉降监测分析 |
| 4.1 研究区概况 |
| 4.2 数据源介绍 |
| 4.2.1 Sentinel-1数据介绍 |
| 4.2.2 其他相关数据 |
| 4.3 数据预处理 |
| 4.3.1 DEM正高到大地高转换 |
| 4.3.2 SAR数据读取 |
| 4.4 SBAS-InSAR技术处理 |
| 4.5 验证性分析 |
| 4.5.1 1A与1B升降轨沉降对比分析 |
| 4.5.2 监测结果验证分析 |
| 4.6 区域沉降分布特征分析 |
| 4.7 区域沉降影响因素分析 |
| 4.7.1 栏海盐田生产区沉降分析 |
| 4.7.2 油田开采区域沉降分析 |
| 4.7.3 区域沉降与降雨量及浅层地下水相关性分析 |
| 4.8 非均匀沉降对高速铁路的影响分析 |
| 4.9 本章小结 |
| 第五章 高速铁路沿线沉降预测分析 |
| 5.1 小波降噪处理 |
| 5.2 BP网络预测模型建 |
| 5.2.1 训练集与测试集的划分 |
| 5.2.2 沉降序列值预处理与函数选择 |
| 5.2.3 BP网络各层节点数确立 |
| 5.2.4 BP网络参数设置 |
| 5.3 BP网 络优化预测模型 |
| 5.3.1 基于遗传算法优化 |
| 5.3.2 基于粒子群算法优化 |
| 5.4 预测结果与对比分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A: 硕士期间发表论文成果 |
| 附录B:典型沉降点沉降序列值 |
（5）基于人工神经网络模型的丽江黑龙潭泉群断流分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地下水系统研究现状 |
| 1.2.2 人工神经网络模型研究现状 |
| 1.2.3 丽江黑龙潭泉群研究现状 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 研究区地质背景 |
| 2.1 自然地理概况 |
| 2.1.1 研究区位置及交通 |
| 2.1.2 地形地貌 |
| 2.1.3 气象、水文 |
| 2.2 区域地质条件 |
| 2.2.1 地层岩性 |
| 2.2.2 地质构造 |
| 第三章 泉域水文地质特征 |
| 3.1 水文地质条件 |
| 3.1.1 地下水类型及含水岩组划分 |
| 3.2 地下水补径排特征 |
| 3.2.1 补给特征 |
| 3.2.2 径流特征 |
| 3.2.3 排泄特征 |
| 3.2.4 泉域地下水系统分析 |
| 第四章 黑龙潭泉群动态分析 |
| 4.1 人工神经网络概述 |
| 4.1.1 人工神经网络分类 |
| 4.1.2 人工神经网络的原理 |
| 4.2 神经网络的特点及应用 |
| 4.3 黑龙潭主系统排泄特征和地下水动态 |
| 4.3.1 主系统排泄特征 |
| 4.3.2 地下水动态特征 |
| 4.4 黑龙潭补给量与流出量的计算 |
| 4.5 计算参数数据处理 |
| 4.5.1 统计学的间接推论 |
| 4.5.2 主要影响因素的确定 |
| 4.5.3 使用最小二乘法分析黑龙潭流量与井水位相关性 |
| 4.5.4 最佳拟合条件 |
| 4.5.5 直线的最小二乘拟合 |
| 4.5.6 线性回归误差的量化 |
| 4.6 三次指数平滑预测黑龙潭井水位 |
| 4.6.1 三次指数平滑过程介绍 |
| 4.6.2 三次指数平滑法预测黑龙潭井水位 |
| 第五章 黑龙潭断流分析 |
| 5.1 黑龙潭泉群断流初步分析 |
| 5.2 人工神经网络分析黑龙潭泉群流量 |
| 5.2.1 BP神经网络介绍 |
| 5.2.2 黑龙潭流量分析 |
| 5.2.3 使用MATLAB神经网络拟合工具箱预测流量 |
| 5.2.4 使用神经网络模式识别工具箱进行断流预测 |
| 5.3 黑龙潭断流过程和主要原因 |
| 5.4 黑龙潭断流补水量计算 |
| 5.5 黑龙潭保泉供水建议 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士学位期间发表的论文 |
| 附录B MATLAB最小二乘法主程序 |
| 附录C MATLAB三次指数平滑法主程序 |
| 附录D BP神经网络主程序 |
（6）基坑工程沉降预测模型研究及分析 ——以某市万达广场南区基坑为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 预测模型研究现状 |
| 1.2.1 BP神经网络研究现状 |
| 1.2.2 遗传算法研究现状 |
| 1.3 研究内容及结构 |
| 1.3.1 研究内容 |
| 1.3.2 文章结构 |
| 2 基坑工程背景介绍 |
| 2.1 基坑工程简介 |
| 2.1.1 基坑工程概况 |
| 2.1.2 基坑工程地质及水文条件 |
| 2.2 监测的目的与依据 |
| 2.2.1 监测目的 |
| 2.2.2 监测依据 |
| 2.3 控制指标控制值 |
| 2.3.1 各项监测控制指标 |
| 2.3.2 监测的仪器设备及精度控制 |
| 2.4 施工监测 |
| 2.4.1 监测实施方法 |
| 2.4.2 监测周期与频率 |
| 2.4.3 监测点布置 |
| 2.5 基坑监测数据 |
| 2.6 本章小结 |
| 3 预测模型及程序实现 |
| 3.1 BP神经网络原理及特点 |
| 3.1.1 BP神经网络基本概念 |
| 3.1.2 BP神经网络优缺点 |
| 3.1.3 BP神经网络算法 |
| 3.1.4 程序实现 |
| 3.2 灰色BP神经网络模型 |
| 3.2.1 GM(1,1)模型的建立 |
| 3.2.2 灰色BP神经网络组合模型 |
| 3.2.3 程序实现 |
| 3.3 本章小结 |
| 4 基于遗传算法优化的预测模型及程序实现 |
| 4.1 遗传算法 |
| 4.1.1 遗传算法基本要素 |
| 4.1.2 遗传算法的优缺点 |
| 4.1.3 遗传算法基本流程 |
| 4.2 基于遗传算法优化的BP神经网络 |
| 4.2.1 遗传算法优化BP神经网络设计 |
| 4.2.2 程序实现 |
| 4.3 基于遗传算法优化的灰色BP神经网络模型 |
| 4.3.1 算法设计 |
| 4.3.2 程序实现 |
| 4.4 模型评价指标 |
| 4.5 本章小结 |
| 5 模型在基坑工程中的预测与分析 |
| 5.1 监测数据分析与处理 |
| 5.1.1 监测数据的选取 |
| 5.1.2 奇异谱分析 |
| 5.1.3 降噪评价指标 |
| 5.1.4 降噪结果分析 |
| 5.2 模型模拟预测及分析 |
| 5.2.1 BP神经网络模拟预测 |
| 5.2.2 灰色BP神经网络组合模型模拟预测 |
| 5.2.3 基于遗传算法的BP神经网络模型模拟预测 |
| 5.2.4 基于遗传算法的灰色BP神经网络模拟预测 |
| 5.2.5 结果分析 |
| 5.3 模型验证分析 |
| 5.3.1 BP神经网络验证 |
| 5.3.2 灰色BP神经网络组合模型验证 |
| 5.3.3 基于遗传算法的BP神经网络模型验证 |
| 5.3.4 基于遗传算法的灰色BP神经网络验证 |
| 5.3.5 结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）淮北地区夏玉米—冬小麦轮作期间土壤水分模拟分析（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 研究进展 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文研究内容 |
| 1.4 技术路线图 |
| 第2章 研究区概况及实验资料选取 |
| 2.1 地理位置 |
| 2.2 气候特点 |
| 2.3 作物种植 |
| 2.4 土壤类型与分布 |
| 2.5 实验资料选取 |
| 2.5.1 土壤水分测定 |
| 2.5.2 气象场各个气象资料 |
| 2.6 本章小结 |
| 第3章 土壤水分和地下水与气象因子关系研究 |
| 3.1 土壤水分与地下水埋深变化过程线 |
| 3.2 土壤水分与地下水埋深的相关分析 |
| 3.3 土壤水分与地下水埋深的非线性拟合分析 |
| 3.3.1 非线性拟合函数 |
| 3.3.2 函数拟合结果分析 |
| 3.3.2.1 夏玉米生育期土壤水分与地下水埋深曲线拟合 |
| 3.3.2.2 冬小麦生育期土壤水分与地下水埋深曲线拟合 |
| 3.4 土壤水分对降雨量的动态响应 |
| 3.4.1 夏玉米生育期间土壤水分对降雨量动态变化 |
| 3.4.2 冬小麦生育期间土壤水分动态变化 |
| 3.4.3 作物轮作期间土壤水分动态变化 |
| 3.5 土壤水分与各个气象因子的相关分析 |
| 3.6 土壤水与气象因子的线性模型构建与检验 |
| 3.7 本章小结 |
| 第4章 基于BP神经网络模型的土壤水分预测研究 |
| 4.1 BP神经网络简介 |
| 4.2 BP神经网络的计算过程函数 |
| 4.2.1 正向传播 |
| 4.2.2 反向传播 |
| 4.3 BP神经网络模型设置 |
| 4.3.1 输入层、隐含层和输出层的设计 |
| 4.3.2 数据的选择和归一化 |
| 4.3.3 BP神经网络的构建 |
| 4.3.4 BP神经网络的训练 |
| 4.3.5 BP神经网络的预测 |
| 4.4 土壤水分预测模型的建立与检验 |
| 4.4.1 输入、输出因子以及隐含层节点数的确定 |
| 4.4.2 BP神经网络构建和训练参数的确定 |
| 4.4.3 不同土层的BP神经网络模型的确定 |
| 4.4.4 土壤水分预测模型的检验 |
| 4.5 本章小结 |
| 第5章 基于遗传算法优化的BP神经网络土壤水分预测研究 |
| 5.1 遗传算法原理 |
| 5.1.1 遗传算法的实现 |
| 5.2 遗传算法优化BP神经网络 |
| 5.3 GABP神经网络模型建立 |
| 5.3.1 数据选取 |
| 5.3.2 GABP神经网络预测模型结构确定 |
| 5.3.3 GABP神经网络构建和训练参数的确定 |
| 5.4 GABP神经网络土壤水分预测模型的检验 |
| 5.5 灌水定额计算公式 |
| 5.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文和参加科研情况 |
| 致谢 |
| 作者简介 |
（8）地铁深基坑工程施工风险管控系统研究（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 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容及方法 |
| 1.3.2 技术路线 |
| 1.4 主要创新点 |
| 第二章 风险管控流程和依据 |
| 2.1 风险概述 |
| 2.2 风险的分类 |
| 2.3 风险管理流程 |
| 2.4 风险评价依据 |
| 2.4.1 风险发生概率与损失等级 |
| 2.4.2 风险等级标准 |
| 第三章 静态风险评估方法研究 |
| 3.1 辨识方法 |
| 3.1.1 辨识方法概述 |
| 3.1.2 WBS-RBS原理 |
| 3.2 估计方法 |
| 3.3 网络分析法 |
| 3.3.1 ANP概述 |
| 3.3.2 ANP原理 |
| 3.4 实例分析 |
| 3.4.1 工程概况 |
| 3.4.2 专家打分 |
| 3.4.3 网络分析法应用 |
| 3.5 本章小结 |
| 第四章 动态风险管控方法研究 |
| 4.1 动态风险评估 |
| 4.1.1 动态风险-暴露度 |
| 4.1.2 模糊数学-隶属度 |
| 4.1.3 实例应用 |
| 4.2 围护结构水平位移预测 |
| 4.2.1 自动化监测 |
| 4.2.2 BP人工神经网络 |
| 4.2.3 实现流程 |
| 4.2.4 实例应用 |
| 4.3 监测数据实时展示 |
| 4.3.1 BIM技术 |
| 4.3.2 实时可视化 |
| 4.4 隐患排查与应急管理 |
| 4.4.1 隐患排查 |
| 4.4.2 应急管理 |
| 第五章 结论与展望 |
| 5.1 本文主要结论 |
| 5.2 展望 |
| 研究生期间成果 |
| 参考文献 |
| 附录 |
（9）地铁车站施工环境影响风险非线性智能控制方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 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 主要研究内容 |
| 1.3 研究方法 |
| 1.4 拟解决的关键技术问题 |
| 1.5 拟达到的目标 |
| 1.6 技术路线图 |
| 第二章 国内外研究现状 |
| 2.1 人工神经网络国内外研究现状 |
| 2.1.1 国外研究现状 |
| 2.1.2 国内研究现状 |
| 2.2 人工智能国内外研究现状 |
| 2.2.1 国外研究现状 |
| 2.2.2 国内研究现状 |
| 2.3 地铁施工环境影响风险管理国内外研究现状 |
| 2.3.1 国外研究现状 |
| 2.3.2 国内研究现状 |
| 2.4 国内外研究现状评述 |
| 第三章 构建地铁车站施工环境影响风险智能识别与控制模型 |
| 3.1 地铁车站施工环境影响内容与特点 |
| 3.1.1 地铁车站施工环境影响基本内容 |
| 3.1.2 地铁车站施工环境影响特点 |
| 3.2 地铁车站施工环境影响识别、预测和控制模型构建思路 |
| 3.3 建立基于大数据的地铁车站施工环境影响历史海量数据库 |
| 3.4 地铁车站施工环境影响因素分析 |
| 3.4.1 地铁车站施工环境影响因变量因素分析 |
| 3.4.2 地铁车站施工环境影响自变量因素与特征分析 |
| 3.5 地铁车站施工环境影响风险识别与预测相关内容 |
| 3.5.1 建立地铁车站施工环境影响案例资料数据库 |
| 3.5.2 自变量因素RS约简分析 |
| 3.5.3 PSO聚类分析筛选相似案例 |
| 3.5.4 BP神经网络模型识别和预测地铁施工环境影响风险 |
| 3.6 建立地铁车站工程环境影响风险控制计划模型 |
| 3.6.1 制定地铁车站施工环境影响控制目标 |
| 3.6.2 利用海恩法则分析各种环境影响风险可能产生的征兆和苗头 |
| 3.6.3 建立地铁车站工程环境影响问题原因对策库 |
| 3.6.4 建立环境影响预警分级体系与响应机制 |
| 3.6.5 构建预警响应对策库 |
| 3.7 地铁车站施工环境影响动态优化控制模型 |
| 3.7.1 施工环境影响动态优化控制 |
| 3.7.2 动态更新环境影响目标及对策库 |
| 3.8 建立环境影响风险智能识别与控制计算机软件系统 |
| 第四章 模型应用 |
| 4.1 北京地铁S站工程简介 |
| 4.1.1 工程概况 |
| 4.1.2 工程重难点分析 |
| 4.2 北京地铁S站环境影响风险识别与预测 |
| 4.2.1 北京地铁S站施工环境影响风险识别 |
| 4.2.2 环境影响风险征兆和苗头分析 |
| 4.2.3 工程属性约简 |
| 4.2.4 北京地铁S站相似工程案例筛选 |
| 4.2.5 BP神经网络预测地铁车站施工环境影响风险 |
| 4.3 北京地铁S站施工环境影响动态优化控制 |
| 4.3.1 北京地铁S站施工环境影响控制目标 |
| 4.3.2 确定控制周期 |
| 4.3.3 建立统计分析报表 |
| 4.3.4 PDCA动态循环控制 |
| 4.3.5 控制效果分析 |
| 4.4 本章小结 |
| 第五章 地铁车站施工环境影响控制计算机辅助管理系统 |
| 5.1 软件介绍 |
| 5.1.1 系统开发技术简介 |
| 5.1.2 系统架构设计 |
| 5.2 功能实现 |
| 5.2.1 用户信息管理 |
| 5.2.2 风险管理 |
| 5.2.3 基本数据库管理 |
| 5.2.4 风险预警管理 |
| 5.3 环境影响风险智能识别和预测计算机辅助软件 |
| 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 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（10）地铁区间盾构施工进度与投资智能控制方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 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 主要研究内容 |
| 1.3 采用的主要研究方法 |
| 1.4 拟达到的研究目标 |
| 1.5 技术路线图 |
| 第二章 国内外研究现状 |
| 2.1 BP神经网络研究现状 |
| 2.1.1 国外研究现状 |
| 2.1.2 国内研究现状 |
| 2.2 RS粗糙集研究现状 |
| 2.2.1 国外研究现状 |
| 2.2.2 国内研究现状 |
| 2.3 地铁盾构施工进度管理与投资控制研究现状 |
| 2.3.1 进度管理研究现状 |
| 2.3.2 投资控制研究现状 |
| 2.4 国内外研究现状评述 |
| 第三章 建立地铁区间盾构施工进度与投资智能控制模型 |
| 3.1 地铁区间盾构施工进度与投资管理模型建模思路 |
| 3.2 建立已完地铁区间盾构施工进度与投资信息资料数据库 |
| 3.2.1 地铁区间盾构施工进度与投资影响因素分析 |
| 3.2.2 数据的搜集与整理 |
| 3.2.3 建立地铁区间盾构施工进度与投资资料基础数据库 |
| 3.3 利用粗糙集对数据资料进行属性约简 |
| 3.4 基于PSO聚类的相似工程案例选取 |
| 3.4.1 聚类分析 |
| 3.4.2 粒子群算法原理 |
| 3.4.3 基于PSO聚类的相似工程案例提取模型 |
| 3.5 智能预测地铁区间盾构施工进度与投资目标 |
| 3.5.1 BP神经网络简介 |
| 3.5.2 BPNN预测地铁区间盾构施工进度目标 |
| 3.5.3 BPNN预测地铁区间盾构施工投资目标 |
| 3.6 建立地铁区间盾构施工进度与投资问题原因及对策库 |
| 3.6.1 建立地铁区间盾构施工进度问题原因对策库 |
| 3.6.2 建立地铁区间盾构施工投资问题原因对策库 |
| 3.7 建立进度与投资预警分级及响应体系 |
| 3.7.1 进度预警分级及响应机制 |
| 3.7.2 投资预警分级及响应机制 |
| 3.8 建立地铁区间盾构施工进度与投资动态优化管理模型 |
| 3.8.1 建立地铁区间盾构施工进度动态优化管理模型 |
| 3.8.2 建立地铁区间盾构施工投资动态优化管理模型 |
| 3.9 建立地铁工程进度与投资计算机辅助智能控制软件 |
| 第四章 模型应用 |
| 4.1 XX~XX区间工程概况 |
| 4.1.1 工程简介 |
| 4.1.2 施工区段划分 |
| 4.2 地铁区间盾构施工进度与投资资料数据库 |
| 4.3 XX~XX区间盾构施工进度与投资特征描述 |
| 4.4 工程属性约简 |
| 4.4.1 属性初步约简 |
| 4.4.2 RS粗糙集约简工程属性 |
| 4.5 智能预测地铁区间盾构施工进度目标 |
| 4.5.1 PSO聚类分析筛选相似案例 |
| 4.5.2 BP神经网络预测各施工段盾构日掘进进度 |
| 4.5.3 确定不同施工区段盾构机工时利用率目标和工时消耗目标 |
| 4.5.4 确定区间盾构施工进度总目标 |
| 4.6 智能预测地铁区间盾构施工投资目标 |
| 4.6.1 PSO聚类分析筛选相似案例 |
| 4.6.2 BP神经网络预测各施工区段盾构投资 |
| 4.7 构建地铁区间盾构施工进度与投资动态优化管理模型 |
| 4.7.1 确定控制周期 |
| 4.7.2 建立统计分析报表 |
| 4.7.3 进度与投资PDCA动态控制 |
| 4.8 开工到现在已完工程进度和投资控制效果分析 |
| 第五章 建立地铁建设进度与投资计算机辅助智能控制软件 |
| 5.1 软件介绍 |
| 5.2 数据库管理 |
| 5.3 智能预测与查询系统 |
| 5.4 智能动态控制系统 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
四、用BP神经网络预测地下水动态（论文参考文献）
- [1]基于自然衰减过程模拟的石油烃污染场地地下水监测网优化研究[D]. 李桐. 吉林大学, 2021(01)
- [2]基于Stacking替代模型的地下水LNAPLs污染源解析研究[D]. 袁乾. 吉林大学, 2021(01)
- [3]离子型稀土矿山边坡稳定性分析与位移预测模型研究[D]. 王文涛. 江西理工大学, 2021(01)
- [4]基于InSAR技术和BP神经网络的高速铁路沿线区域沉降监测与预测[D]. 游洪. 昆明理工大学, 2021(01)
- [5]基于人工神经网络模型的丽江黑龙潭泉群断流分析[D]. 李恒丽. 昆明理工大学, 2021(01)
- [6]基坑工程沉降预测模型研究及分析 ——以某市万达广场南区基坑为例[D]. 李军. 安徽理工大学, 2020(07)
- [7]淮北地区夏玉米—冬小麦轮作期间土壤水分模拟分析[D]. 王丽丽. 河北工程大学, 2020(04)
- [8]地铁深基坑工程施工风险管控系统研究[D]. 黄劲松. 广西大学, 2020(07)
- [9]地铁车站施工环境影响风险非线性智能控制方法研究[D]. 贾紫涵. 石家庄铁道大学, 2020(04)
- [10]地铁区间盾构施工进度与投资智能控制方法研究[D]. 李明. 石家庄铁道大学, 2020(04)