一、RBF神经网络在极限承载力预测中的应用（论文文献综述）
邝贺伟[1]（2021）在《基于粒子群优化与相关向量机的岩土体非线性行为预测》文中研究说明岩土工程中存在的问题大体上可分为预测、优化、建模等,利用传统工程方法解决这些问题时存在周期长、费用高、勘测困难等弊端,因此无论考虑学科的发展,还是岩土工程的实际应用,把机器学习方法应用到岩土工程领域,对岩土工程进行交叉研究是相当关键的。常用的机器学习方法有BP神经网络模型、高斯过程、支持向量机模型,以上模型自身存在的缺点难以满足复杂的岩土工程问题,预测结果往往也不尽人意,所以精度较高的预测模型有待于提出和研究。针对于以上问题本文提出相关向量机模型,考虑到岩土方面的复杂程度和相关参数的优化问题,在相关向量机的基础上进行了粒子群优化,为岩土学科的预测问题提供了基于粒子群优化的相关向量机模型,试图为相关数据的获取提供一条新方法。总的来说,本文研究的工作为:1.对于岩土领域中的非线性、高维性、不确定性的预测问题,提出基于粒子群优化的相关向量机模型。分别利用地基土压缩系数和坞石隧道施工中周边位移实例来证明PSO-RVM模型的实用性,同时与神经网络模型、广义神经元网络模型进行对比,结果显示PSO-RVM模型的精确度最高。对压缩系数预测结果进行平均相对误差、均方根误差、泰尔不平等系数和置信区间的验证;对周边位移进行敏感因子分析,探索影响因子的影响状况,并对9个影响因素的关系度进行了排名。2.核函数在预测模型中起到了关键作用,它的功能是将低维空间的关系映射到高维空间中,便于映射关系的寻找。对于导水裂缝带高度预测利用高斯核函数、样条核函数、柯西核函数和小波核函数进行探究,并与支持向量机模型进行比较,结果显示基于小波核函数的PSO-RVM模型更为精确。对于季节性冻土微观特征结构的冻胀率预测,利用了高斯核函数、柯西核函数和小波核函数,其中高斯核函数最为精确。以上证明了不同核函数应用的范围不同,以及不同核函数预测模型的精确度也不同。3.对于影响因素信息较多且不易找出映射关系的岩土问题,可以考虑用主成分分析法优化PSO-RVM模型,主成分分析法通过分析影响因素之间的影响状况和贡献率将多个影响因素降维成少数且线性无关的主成分变量,后用主成分变量进行预测,进一步提高了PSO-RVM预测模型的精确度和运行效率。将PCA-PSO-RVM模型应用到上软下硬地层的地表沉降,先用PCA将7个影响因素降维成4个主成分,后用PSO-RVM模型进行预测分析,与自身的PSO-RVM模型以及文献中的6种支持向量机模型相比证明PCA-PSO-RVM模型的精确度,通过相关指数验证了预测值和实测值具有较高的拟合度。
张智涛[2]（2019）在《基于RBF神经网络的半刚性端板连接节点初始转动刚度预测研究》文中研究说明传统的钢框架连接不是刚接或理想铰接,而是半刚性连接。为了获取半刚性连接节点的真实性能,国内外学者针对半刚性连接展开了大量的研究。由于目前的研究方法主要从单一变量的角度对半刚性节点进行研究,而忽略了变量之间的相关性对于半刚性节点的影响,在采用理论解析计算节点初始转动刚度时仍存在较大的偏差。因此本文考虑应用神经网络良好的非线性映射能力以及对于样本数据的学习能力,以半刚性节点数据库为基础,从多变量的角度采用神经网络对半刚性端板连接节点的初始转动刚度进行预测研究。本文的具体研究内容如下:（1）通过对BP神经网络和RBF神经网络的研究,选用了具有最佳一致逼近性的RBF神经网络作为后续学习、预测的工具。提出了一种改进粒子群算法对RBF神经网络进行优化,与传统的遗传算法和粒子群算法相比刚度预测结果具有良好的精度,同时能够更好地表示节点之间刚度的变化趋势。（2）针对神经网络输入变量,通过已有的文献和试验研究初步确定了半刚性端板连接节点的柱、端板、螺栓和梁的几何尺寸作为主要的神经网络输入变量。提出了一种参数优化后的核主成分分析方法对变量进行处理,相比于传统的主成分分析方法能够有效地提升RBF神经网络的预测精度。（3）针对半刚性端板连接节点暂无统一的的分类标准,本文引入了聚类的思想对节点样本进行类别的划分。提出了一种基于改进粒子群算法的模糊c均值聚类,相比于传统的k均值聚类方法具有良好的稳定性。（4）通过对三组半刚性端板连接节点的讨论,应用神经网络优化算法、聚类分析方法以及核主成分分析方法对初始转动刚度进行预测研究,预测刚度和试验刚度吻合较好,从而验证了本文方法在半刚性节点初始转动刚度预测中的有效性和实用性。
杨远恒[3]（2019）在《基于RBF的焦炉冷鼓系统预测控制器设计》文中研究说明焦炉冷鼓系统在炼焦的生产过程中起到了至关重要的作用,其主要是用来调节初冷器前吸力以及实现荒煤气在不同工况下的稳定传输。一旦初冷器前吸力发生变化,集气管压力也会变得不稳定。由于冷鼓系统具有多变量、非线性、强干扰以及强耦合等特性,这使得通过常规的建模方式无法获得准确的数学模型。因此,寻找合适建模方法来获得精度较高的模型并采用先进的控制技术对焦炉冷鼓进行长期稳定的控制具有十分重要的理论和现实意义。本文以某焦化厂项目的改造为背景,根据煤气生成量的不同将其分为检修保温、正常生产和推焦加煤三种工况。本文通过采用神经网络RBF对焦炉冷鼓系统进行模型辨识,将辨识出的模型结合模型预测控制形成了基于RBF神经网络的预测控制,并将其应用到冷鼓系统控制方案中。完成改造后的焦炉冷鼓系统通过采集现场数据,并利用MATLAB软件进行相关仿真实验,其实验结果表明改造后的冷鼓系统能很好的将初冷器前吸力稳定在一定范围内,完全符合炼焦工艺的要求。初冷器前吸力在刚开始受到干扰时虽会出现波动,但是持续一小段时后便能快速稳定下来,并恢复到工艺要求的范围内。经过该控制方案改造后的焦炉冷鼓系统具有快速性和抗干扰性。
程恩[4]（2016）在《基于RBF神经网络的锚杆锚固质量无损检测方法研究》文中认为锚杆在边坡、深基坑以及隧道等施工中起到重要的支护作用,因此对锚杆锚固质量检测显得尤为重要。识别锚杆锚固是否有缺陷及其缺陷类型是检测锚杆锚固质量的一项重要内容。本文采用理论分析、实验室模型实验及工程案例相结合的方法,对锚杆锚固质量无损检测进行了研究。基于小波分析、粒子群（PSO）算法和径向基（RBF）神经网络建立了识别锚杆锚固缺陷类型的RBF神经网络模型,实现了对锚杆锚固质量的智能化分类,很大程度上克服了判断缺陷类型依赖个人经验的缺点。本文研究的具体内容如下:（1）对小波阈值去噪算法进行了改进,并应用于对锚杆实测信号进行滤波。仿真结果表明,相对于软阈值算法、硬阈值算法及一些文献提出的阈值去噪法,本文的改进阈值去噪法更能准确地检测出锚杆的参数,为识别锚杆锚固缺陷类型提供了较为精准的数据。（2）对锚杆锚固系统的加速度信号进行小波变换,从中提取出各频带能量作为识别锚杆锚固缺陷类型的特征向量。由提取出的特征向量和锚杆锚固缺陷类型共同构成RBF神经网络的样本集,其中,将特征向量作为RBF神经网络的输入,锚杆锚固缺陷类型作为RBF的输出。（3）对RBF神经网络模型进行了改进。首先,通过减聚类算法得到RBF神经网络隐含层节点个数,K-均值算法确定隐含层初始中心和宽度,伪逆最小二乘法求出隐含层和输出层之间的权值;然后,分别采用固定惯性权重PSO算法、线性递减惯性权重PSO算法和改进了惯性权重和位置公式的PSO算法对隐含层的中心及宽度进行优化,建立了不同的PSO-RBF神经网络模型;最后,利用测试样本检验PSO-RBF网络模型的性能。仿真结果表明,与固定惯性权重PSO算法和线性递减惯性权重PSO算法相比,改进的PSO算法可以使RBF神经网络收敛速度加快、精度更高,且改进的PSO-RBF神经网络模型在识别锚杆锚固的缺陷类型方面具有更好的准确度。（4）针对实验室中不同缺陷类型的锚杆锚固系统,利用改进阈值去噪法、小波能量谱分析及改进PSO-RBF神经网络对其进行识别。除此之外,还对实际工程中的锚杆进行了识别验证。结果表明,改进的PSO-RBF神经网络可以准确识别锚杆锚固的缺陷类型。
张宗强[5]（2014）在《基于RBF神经网络静力有限元模型修正的双曲拱桥承载力评估》文中提出双曲拱桥是我国独有的、极具名族气息与特点的桥型，也是上世纪6070年代建设最多的一种拱桥型式。由于这种结构型式所采用的积木式拼装组合构造型式及低配筋构造使其结构整体性先天不足，加之设计、施工存在先天缺陷，在自然环境及超负荷交通量情况下，在役双曲拱桥存在不同程度的损伤。为了保障交通的顺畅，了解桥梁的实际工作状态（损伤状况、实际承载力等），须对既有双曲拱桥的现实工作状况做出科学的评估。本论文基于RBF神经网络对双曲拱桥初始有限元模型进行修正，建立反映在役双曲拱桥实际状况的有限元模型，基于修正后的有限元模型进行全桥控制截面承载能力系数评估和裸拱极限承载能力评估。本文以淌沟大桥为背景，运用RBF神经网络对初始有限元模型进行修正，以修正后的有限元模型为基准进行桥梁承载力评估。论文主要工作如下：1、对在役双曲拱桥进行外观调查，根据《公路桥梁技术状况评定标准》、《公路桥梁承载力评定规程》进行桥梁综合评定。将实际拱轴线及影响双曲拱桥承载能力的病害在有限元模型中充分考虑，从而达到模型修正的目的。进行实桥现场静载实验，提取合理实验工况及实验截面进行后面神经网络静力优化样本确定。2、进行参数灵敏度分析，选取对结构静力特征响应量（挠度）有显着影响的设计参数作为待修正设计参数。确定待修正参数的优化空间，基于均匀设计理论合理选取神经网络训练样本进行神经网络训练。基于训练后的网络，利用RBF神经网络的泛化特性，求出设计参数的目标值即待修正参数的实际值。为了验证径向基神经网络的修正性能，采用ANSYS自带的一阶优化算法进行有限元模型修正，进行两者的结果对比分析，验证基于径向基神经网络的可行性及实用性。3、以修正后的桥梁有限元模型为基准从截面的真实强度、恒载与活载效应、结构损伤三方面进行桥梁承载力系数计算。考虑拱肋弹性模量折减、拱肋有效面积折减及超载计算结构控制截面的承载力系数从而综合的评价桥梁承载力。基于极限承载力方法验算双曲拱桥裸拱在各种荷载组合下的极限承载力。
杨春峰,叶文超,杨敏,王培竹[6]（2013）在《神经网络模型在废旧橡胶混凝土研究中的应用》文中指出基于神经网络理论,采用BP和RBF两种典型的神经网络模型,以废旧橡胶混凝土试验材料用量为输入,橡胶混凝土拌合物的坍落度和立方体抗压强度作为输出,建立了7-8-2三层的废旧橡胶混凝土强度模型。结果表明:基于BP和RBF两种神经网络模型的预测结果与试验结果较吻合,且RBF较BP神经网络对小样本试验结果的预测效果要好。
李盼臻,于江,荣彬[7]（2013）在《人工神经网络在结构工程中的应用综述》文中研究表明对人工神经网络在结构工程中的应用进行了回顾,依据神经网络自身的特点对其在结构振动控制、损伤识别、优化设计、预测模型等方面进行了综述。大量的研究表明神经网络对于解决结构工程中力学性能复杂和本构关系不明确的体系有一定的优势;与传统的方法比较,神经网络具有很强的非线性映射能力、良好的适应性和容错性,应用前景广阔。
于永兵[8]（2012）在《基于改进ESN的混沌时间序列预测方法的研究》文中认为混沌时间序列预测是混沌时间序列分析中非常重要且颇具挑战性的工作，一直以来都是研究的热点。首先，本文对混沌理论进行了系统分析，在深入研究了相空间重构理论的基础上概括了多种常用的混沌时间序列预测方法。按建模数据特点将混沌时间序列预测方法分为全局、局部和自适应预测方法，并对每种预测方法进行了系统阐述。本文重点强调了预测性能相对占优的全局预测法，并深入研究了其中的神经网络预测法。其次，通过对各种预测方法的仿真结果表明递归神经网络在对混沌时间序列预测上有较好的性能表现，在此基础上，通过对一种新型递归神经网络——回声状态网络（ESN）的结构和学习机理的研究，指出其在混沌时间序列预测方面的优越性，并通过建模仿真得到验证。最后，针对回声状态网络在混沌时间序列预测中面临的参数选择问题提出了改进的方法，并设计编写了相应的仿真软件。回声状态网络不但具有较高的理论研究意义，而且具有良好的实际应用价值。在研究回声状态网络时所面临的一系列问题中，如何针对具体问题产生和训练储备池（DR）是重要问题之一，而储备池的参数选择在回声状态网络训练过程中更是至关重要，对整个回声状态网络在混沌时间序列预测中的性能影响较大。目前，没有确切的方法能够针对不同问题产生相应最优训练参数，而是大多根据人为经验或不断尝试的方法来设置参数，给实际应用时带来了繁重任务问题。为此，本文引入了全局优化能力较强的微分进化算法（DE），提出一种基于微分进化算法与回声状态网络相结合的混沌时间序列预测模型。通过这种DE-ESN模型，首先对输入的样本序列进行网络训练，找到适合数据特点的回声状态网络训练参数，再利用得到的理想参数对混沌时间序列进行预测。仿真实验结果表明，基于微分进化算法优化回声状态网络储备池参数的方法，能适应不同数据特点找到相应最优参数来建立理想的预测模型，有效提高了对混沌时间序列的预测精度。
邹向向[9]（2011）在《钻孔灌注桩竖向承载力的神经网络预测分析研究》文中指出桩基础在工业与民用建筑中占着重要的地位,桩基的质量优劣直接关系到整个建筑的安危。特别是单桩承载力的准确确定是一个“瓶颈”问题。由于土层及场地环境的不确定性、桩施工方法的多样性以及计算模型的局限性,造成桩基承载力计算结果不大准确,将影响到整个建筑物的安全可靠性和经济合理性。因此,进一步研究单桩承载力具有重要意义。本文探讨了当前确定单桩承载力的主要计算方法,对影响单桩竖向承载力的各种因素进行了详细的分析,并利用层次分析法确定影响钻孔灌注桩承载力的主要因素,为神经网络模型的输入层神经元参数的确定提供了依据。本文介绍了BP神经网络的基本概念,对钻孔灌注桩神经网络预测模型的网络结构、传递函数及学习算法的确定进行了深入研究,从而得到最佳的神经网络预测模型。在此基础上,本文一方面利用搜集到的钻孔灌注桩试桩实测数据,建立样本库。另一方面通过改变输入层影响参数数目,分别建立了基于六个影响参数和基于九个影响参数的承载力预测模型。再通过对样本的静载试桩试验值、神经网络预测值及规范计算值三者进行对比分析,验证了预测模型的良好预测效果,即神经网络预测值与试桩试验值的相对误差小于规范计算值与试验值的相对误差。同时得知增加输入参数的数量对模型预测效果有一定的改善,而不同地区土层分布情况对于预测模型精度也有一定的影响。并利用已建立的预测模型,研究了单个影响因素与承载力的变化关系。在matlab平台上编译了神经网络预测基桩承载力的程序,开发了图形用户界面,对于不熟悉matlab软件的人,无需在神经网络程序中建立参数单元,就可在界面上方便直接地进行预测分析。
王振海[10]（2012）在《埋入式PBL剪力连接件力学特性及承载机理研究》文中提出随着新型组合结构桥梁的多样化发展,作为核心部件的PBL剪力连接件分为两大类：开孔钢板焊接在裸露结构上的叠合式PBL剪力连接件、开孔钢板及附属结构埋入混凝土中的埋入式PBL剪力连接件。现有研究成果表明：在理论模型方面,大量PBL剪力连接件的等效承载力模型间的差异较大,而有限元模型中的常用混凝土本构模型则存在显着缺陷,且求解方法的收敛性较差；在试验研究方面,推出试验适用于叠合式PBL剪力连接件,其试验结果在新型混合结构桥梁中应用时偏于保守；在受力机理研究方面,学者们多关注于连接件在加载初期的刚性特征,而忽略了承载全过程中的塑性行为。为此,本文基于试验结果和理论模型计算结果,揭示了埋入式PBL剪力连接件的力学特性和承载机理,主要完成了以下五个方面的工作：（1）埋入式PBL剪力连接件的试验研究：针对推出试验方法的局限性,基于南京长江第三大桥混合桥塔结合部试验和南京长江第四大桥锚固系统试验的成功经验,通过8组24个试件的破坏试验,对开孔孔径、开孔钢板厚度、横向约束和界面剪切力的影响进行了试验研究；基于试验结果对埋入式PBL剪力连接件的工作阶段进行了划分,并对其破坏形态进行了全面总结和分类；通过各种破坏形态下连接件的承载特点分析,提出了此类连接件的理想破坏形态：未发生外包混凝土破坏的情况下,钢板面附近混凝土榫剪切破坏和贯穿钢筋破坏共存。（2）基于微平面模型的PBL剪力连接件理论模型的建立：针对混凝土本构模型中参数确定困难的情况,建立了基于遗传优化算法的RBF神经网络参数识别方法,并提出了单轴应力和复杂应力状态下微平面混凝土本构模型的参数确定方法；基于钢板与混凝土间界面剪切力的实测结果,采用三段界面本构模型成功模拟了埋入式PBL剪力连接件中钢板与混凝土间的界面效应；基于上述研究内容,结合动力学显式求解方法,建立了基于微平面模型的PBL剪力连接件理论模型。验证结果表明,此理论模型能精确反映该连接件的承载全过程、各部件的破坏过程和力学特性。（3）埋入式PBL剪力连接件的破坏机理研究：基于理论模型的计算结果和试验结果对各种破坏形态下混凝土榫的受力状态进行了研究,揭示出各种破坏形态的破坏机理：埋入式PBL剪力连接件中混凝土榫剪切破坏是由于孔内混凝土的三向受压状态保证了其完好状态而产生的；孔内混凝土压缩破坏是由于孔内混凝土所受横向约束较小造成第一、第二主应力的比值过小而产生的,孔内混凝土割裂破坏是由于开孔钢板较薄造成孔内混凝土质量难以保证而产生的。基于此,提出了理想破坏形态在极限承载状态出现的必要条件是：保证垂直于钢板面方向具有足够的横向约束,且开孔钢板厚度应不小于20mmm。（4）理想破坏形态下埋入式PBL剪力连接件的承载机理研究：根据理想破坏形态下混凝土榫和贯穿钢筋的应力应变状态,分析了两者在各个工作阶段的力学特性,阐明了混凝土榫和贯穿钢筋的破坏过程,探讨了钢板与混凝土间界面剪切力的产生机理和发展过程,分析了连接件的荷载传递历程,从而揭示了理想破坏形态下埋入式PBL剪力连接件的承载机理：在塑性阶段内,钢板面附近的混凝土榫断面的前半部分先开裂,然后裂缝不断发展至贯通整个断面,而孔内混凝土则处于完好状态；在弹性阶段之后,贯穿钢筋逐渐从弯曲状态转化为受拉状态；在承载过程中,钢板与混凝土间的界面效应始终是此类连接件承载力和刚度的重要组成部分。（5）理想破坏形态下埋入式PBL剪力连接件的宏观力学行为的研究：基于试验结果,进行了连接件的各工作阶段的极限状态和刚度变化情况的影响因素分析；根据回归分析,提出了理想破坏形态下埋入式PBL剪力连接件在承载全过程中的荷载-滑移关系的统一计算公式；基于此类连接件的承载特点,将1.2mm作为设计滑移量,对应的荷载值作为设计承载力,并提出了此类连接件的设计承载力计算公式。计算结果表明,两式的计算值与实测值均吻合良好,建议在此类连接件的工程设计中应用。
二、RBF神经网络在极限承载力预测中的应用（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、RBF神经网络在极限承载力预测中的应用（论文提纲范文）
（1）基于粒子群优化与相关向量机的岩土体非线性行为预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 岩土体非线性行为 |
| 1.2.2 相关向量机的工程应用 |
| 1.2.3 优化方法与机器学习方法结合情况 |
| 1.3 文章创新点 |
| 1.4 文章研究的内容和结构 |
| 1.4.1 主要研究的内容 |
| 1.4.2 文章的结构 |
| 第2章 基于粒子群优化的相关向量机模型 |
| 2.1 相关向量机模型 |
| 2.1.1 模型描述 |
| 2.1.2 参数推断 |
| 2.1.3 建立映射关系 |
| 2.1.4 几种常见的核函数 |
| 2.2 粒子群算法 |
| 2.2.1 粒子群基本原理 |
| 2.2.2 粒子群算法特征 |
| 2.2.3 粒子群参数 |
| 2.2.4 粒子群算法流程 |
| 2.3 PSO-RVM模型的提出 |
| 2.4 机器学习中的核函数 |
| 2.4.1 核函数的构造及特性 |
| 2.5 文章小结 |
| 第3章 岩土体非线性行为预测的粒子群-相关向量机模型 |
| 3.1 引言 |
| 3.2 PSO-RVM模型在地基土压缩系数中的应用 |
| 3.2.1 地基土压缩系数的研究状况 |
| 3.2.2 地基土压缩系数预测的PSO-RVM模型 |
| 3.2.2.1 确定模型样本 |
| 3.2.2.2 PSO-RVM模型实现步骤 |
| 3.2.3 模型的预测与分析 |
| 3.2.4 置信区间验证 |
| 3.3 隧道施工位移预测的PSO-RVM模型 |
| 3.3.1 关于隧道施工位移的研究现状 |
| 3.3.2 基于PSO-RVM的隧道施工位移模型 |
| 3.3.3 PSO-RVM模型预测结果和分析 |
| 3.3.4 敏感因子分析 |
| 3.4 本章小结 |
| 第4章 不同核函数的PSO-RVM预测模型 |
| 4.1 导水裂缝带高度预测的多核函数的PSO-RVM模型 |
| 4.1.1 导水裂缝带高度研究状况 |
| 4.1.2 导水裂缝带样本确定 |
| 4.1.3 导水裂缝带高度预测模型 |
| 4.2 季节冻土微观结构特征预测的多核函数的PSO-RVM模型 |
| 4.2.1 收集土冻胀率相关数据 |
| 4.2.2 建立冻胀率预测模型 |
| 4.3 本章小结 |
| 第5章 基于主成分的PSO-RVM模型 |
| 5.1 主成分分析法基本原理 |
| 5.2 上软下硬地层地表沉降预测的PCA-PSO-RVM模型 |
| 5.2.1 主成分分析法的计算处理 |
| 5.2.2 PCA-PSO-RVM预测结果 |
| 5.2.3 比较模型预测的拟合度 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 个人简介及申请学位期间的科研成果 |
| 致谢 |
（2）基于RBF神经网络的半刚性端板连接节点初始转动刚度预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 半刚性节点研究现状 |
| 1.2.1 半刚性节点试验研究 |
| 1.2.2 半刚性节点有限元分析方法 |
| 1.2.3 基于组件法的半刚性节点研究 |
| 1.2.4 基于神经网络的半刚性节点研究 |
| 1.3 本文的研究内容 |
| 第二章 神经网络的原理及其改进优化算法 |
| 2.1 神经网络的原理及其应用算例 |
| 2.1.1 BP神经网络的原理 |
| 2.1.2 RBF神经网络的原理 |
| 2.1.3 两种神经网络的应用算例 |
| 2.2 RBF神经网络优化算法的研究 |
| 2.2.1 遗传算法优化RBF神经网络 |
| 2.2.2 粒子群算法优化RBF神经网络 |
| 2.2.3 RBF神经网络优化参数的研究 |
| 2.3 改进粒子群算法的原理及其算法流程 |
| 2.3.1 遗传算法和粒子群算法优化后预测结果的比较 |
| 2.3.2 粒子群算法优化RBF神经网络时存在的问题 |
| 2.3.3 模拟退火算法在改进粒子群算法中的应用 |
| 2.3.4 改进粒子群算法的优化思路及其算法流程 |
| 2.4 三种优化算法的验证算例 |
| 2.4.1 算例样本的构造 |
| 2.4.2 三种优化算法对RBF神经网络优化效果的比较 |
| 2.5 本章小结 |
| 第三章 基于半刚性端板连接节点的变量处理方法 |
| 3.1 影响半刚性端板连接节点初始转动刚度的变量 |
| 3.2 神经网络输入变量的选择方法 |
| 3.2.1 Pearson相关系数 |
| 3.2.2 距离相关系数 |
| 3.3 神经网络输入变量特征抽取方法 |
| 3.3.1 主成分分析方法 |
| 3.3.2 核主成分分析方法 |
| 3.3.3 核参数优化后的核主成分分析方法 |
| 3.4 基于神经网络输入变量的验证算例 |
| 3.4.1 变量的相关性检验 |
| 3.4.2 关键变量缺失 |
| 3.4.3 增加相关变量 |
| 3.4.4 变量的特征抽取方法 |
| 3.5 本章小结 |
| 第四章 基于半刚性端板连接节点的聚类分析方法 |
| 4.1 半刚性端板连接节点类别划分方法 |
| 4.1.1 现有节点分类现状 |
| 4.1.2 基于聚类思想的节点类别划分方法 |
| 4.2 k均值聚类的原理及其评价指标 |
| 4.2.1 k均值聚类的原理 |
| 4.2.2 聚类结果的评价指标 |
| 4.2.3 聚类验证算例 |
| 4.3 模糊c均值聚类及其改进优化算法 |
| 4.3.1 模糊c均值聚类的原理 |
| 4.3.2 基于改进PSO优化的模糊c均值聚类 |
| 4.4 半刚性端板连接节点聚类的验证 |
| 4.4.1 k均值聚类的算例验证 |
| 4.4.2 不同聚类分析方法的聚类结果比较 |
| 4.5 本章小结 |
| 第五章 组合优化方法在试验节点中的应用研究 |
| 5.1 样本聚类分析方法在刚度预测中的应用 |
| 5.1.1 聚类评价指标合理 |
| 5.1.2 聚类评价指标不合理 |
| 5.2 神经网络输入变量对于刚度预测的影响 |
| 5.2.1 半刚性节点变量的相关性检验 |
| 5.2.2 半刚性节点变量缺失 |
| 5.2.3 变量特征抽取方法的分析比较 |
| 5.2.4 聚类和变量特征抽取方法组合 |
| 5.3 网络结构优化算法在刚度预测中的应用 |
| 5.3.1 网络结构优化算法 |
| 5.3.2 聚类和网络结构优化算法组合 |
| 5.4 两组试验小样本节点刚度预测的分析 |
| 5.4.1 外伸端板处无加劲肋 |
| 5.4.2 外伸端板处有加劲肋 |
| 5.5 两组试验小样本节点的变参数分析 |
| 5.5.1 螺栓间距 |
| 5.5.2 最上端螺栓距梁上部翼缘距离 |
| 5.5.3 端板厚度 |
| 5.5.4 端板有效宽度 |
| 5.5.5 本节小结 |
| 5.6 本章小结 |
| 结论与展望 |
| 结论 |
| 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 |
（3）基于RBF的焦炉冷鼓系统预测控制器设计（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 第一章 绪论 |
| 1.1 研究背景及目的 |
| 1.2 国内外的研究现状 |
| 1.3 本文研究的主要内容 |
| 第二章 焦化工艺及焦炉冷鼓系统控制总体方案 |
| 2.1 炼焦炉及焦化过程 |
| 2.1.1 焦炉结构介绍 |
| 2.1.2 荒煤气导出系统 |
| 2.2 冷鼓系统简介 |
| 2.2.1 改变初冷器吸力的因素 |
| 2.2.2 炼焦工艺过程 |
| 2.3 控制系统总体方案设计 |
| 2.4 本章小结 |
| 第三章 焦炉冷鼓系统建模及系统辨识 |
| 3.1 神经网络的基础理论 |
| 3.1.1 神经网络的产生和发展 |
| 3.1.2 径向基函数(RBF)神经网络 |
| 3.2 基于RBF的系统辨识 |
| 3.2.1 基于RBF网络辨识综述 |
| 3.2.2 系统辨识步骤 |
| 3.2.3 基于神经网络RBF的焦炉冷鼓系统辨识 |
| 3.3 基于RBF网络的焦炉冷鼓系统预测模型 |
| 3.4 本章小结 |
| 第四章 焦炉冷鼓系统控制器的设计 |
| 4.1 预测控制的基本理论 |
| 4.1.1 预测控制的背景 |
| 4.1.2 预测控制的基本原理与结构 |
| 4.2 焦炉冷鼓系统预测控制器的设计 |
| 4.3 本章小结 |
| 第五章 焦炉冷鼓系统MATLAB仿真 |
| 5.1 冷鼓系统仿真 |
| 5.2 一种工况下冷鼓系统预测控制仿真 |
| 5.3 多种工况切换下预测控制及PID控制的对比 |
| 5.4 加干扰下冷鼓系统的仿真 |
| 5.5 本章小结 |
| 第六章 焦炉冷鼓系统预测控制在DCS中实现 |
| 6.1 DCS系统设计原则及步骤 |
| 6.2 浙大中控DCS控制系统简介 |
| 6.3 JX-300X系统特点 |
| 6.4 JX-300X的系统构成 |
| 6.4.1 操作站的组成与功能 |
| 6.4.2 控制站的组成与功能 |
| 6.4.3 网络通讯协议 |
| 6.5 JX-300X编程软件的分类 |
| 6.6 焦炉冷鼓预测控制系统在DCS系统下的实现与改造 |
| 6.6.1 硬件模块的选型 |
| 6.6.2 硬件组态设计 |
| 6.6.3 算法在DCS上的实现 |
| 6.6.4 上位机界面的设计 |
| 6.6.5 改造前后系统运行情况对比 |
| 6.7 本章小结 |
| 第七章 结论与展望 |
| 参考文献 |
| 图表清单 |
| 附录一 |
| 致谢 |
（4）基于RBF神经网络的锚杆锚固质量无损检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外发展现状 |
| 1.2.1 锚杆锚固质量检测的发展现状 |
| 1.2.2 RBF神经网络的发展现状 |
| 1.3 课题研究的主要内容 |
| 第二章 小波分析理论 |
| 2.1 小波去噪的原理 |
| 2.2 常用的小波去噪算法 |
| 2.2.1 模极大值去噪算法 |
| 2.2.2 相关性去噪算法 |
| 2.2.3 小波阈值去噪算法 |
| 2.3 基于小波分析的特征提取方法 |
| 2.4 小结 |
| 第三章 改进阈值去噪算法 |
| 3.1 常见的小波阈值去噪法 |
| 3.1.1 硬阈值法和软阈值法 |
| 3.1.2 软硬阈值折中法 |
| 3.2 改进的阈值去噪法 |
| 3.3 改进的阈值去噪法在检测锚杆参数上的应用 |
| 3.3.1 分析方法 |
| 3.3.2 仿真结果 |
| 3.4 小结 |
| 第四章 锚杆锚固系统无损检测的RBF神经网络模型 |
| 4.1 RBF神经网络及常用的学习算法 |
| 4.1.1 RBF神经网络结构 |
| 4.1.2 RBF神经网络常用的学习算法 |
| 4.2 粒子群算法及其改进 |
| 4.2.1 PSO算法的概述 |
| 4.2.2 PSO算法的发展 |
| 4.2.3 改进的PSO算法 |
| 4.3 改进PSO-RBF神经网络 |
| 4.3.1 隐含层中心个数的求取 |
| 4.3.2 隐含层中心位置及宽度 |
| 4.3.3 权值的求解 |
| 4.3.4 改进的PSO优化RBF参数 |
| 4.4 改进PSO-RBF在识别锚杆缺陷类型中的应用 |
| 4.4.1 特征向量的提取 |
| 4.4.2 样本数据的选取 |
| 4.4.3 改进PSO-RBF神经网络训练 |
| 4.4.4 改进PSO-RBF神经网络测试 |
| 4.5 小结 |
| 第五章 锚杆锚固系统的动测实验 |
| 5.1 实验原理 |
| 5.2 实验概述 |
| 5.2.1 锚杆锚固试件模型 |
| 5.2.2 测试仪器 |
| 5.2.3 实验过程 |
| 5.2.4 实验结果 |
| 5.3 改进PSO-RBF神经网络的验证 |
| 5.3.1 加速度信号的预处理 |
| 5.3.2 识别结果 |
| 5.4 工程案例验证 |
| 5.5 小结 |
| 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 |
（5）基于RBF神经网络静力有限元模型修正的双曲拱桥承载力评估（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 桥梁评估的提出及意义 |
| 1.2 既有桥梁评估的概念 |
| 1.3 桥梁评估的方法及研究现状 |
| 1.3.1 既有桥梁状态评估综述 |
| 1.3.2 桥梁技术状态评估的理论和发展 |
| 1.3.3 基于神经网络的有限元模型修正的桥梁承载能力评估 |
| 1.4 本文研究背景及研究内容 |
| 1.4.1 基于 RBF 神经网络模型修正的桥梁承载力评估存在的问题 |
| 1.4.2 本文的主要工作 |
| 2 既有双曲拱桥外观检测及静载实验 |
| 2.1 工程概况 |
| 2.2 双曲拱桥病害调查 |
| 2.2.1 双曲拱桥外观检查 |
| 2.2.2 双曲拱桥外观检测结果 |
| 2.3 双曲拱桥拱轴线拟合 |
| 2.3.1 双曲拱桥拟合理论 |
| 2.3.2 拱轴线拟合 |
| 2.4 双曲拱桥病害及其有限元模型中模拟 |
| 2.4.1 主拱圈开裂模拟 |
| 2.4.2 腹拱圈开裂模拟 |
| 2.4.3 横系梁开裂模拟 |
| 2.4.4 拱板、拱波开裂模拟 |
| 2.4.5 拱肋与拱波结合面模拟 |
| 2.5 双曲拱桥静载试验 |
| 2.5.1 测试截面和测点的布置 |
| 2.5.2 静载试验方案 |
| 2.5.3 静载试验结论 |
| 2.5.4 评估与鉴定结论 |
| 2.6 本章小结 |
| 3 基于 RBF 神经网络有限元模型修正相关问题 |
| 3.1 有限元模型修正一般过程 |
| 3.1.1 结构参数的选取 |
| 3.1.2 优化算法 |
| 3.1.3 目标函数 |
| 3.2 RBF 神经网络结构 |
| 3.2.1 RBF 神经元模型 |
| 3.2.2 RBF 神经网络的映射机理 |
| 3.2.3 RBF 神经网络的学习方法 |
| 3.3 RBF 神经网络算法在模型修正中应用 |
| 3.4 本章小结 |
| 4 基于 RBF 神经网络的实桥模型修正 |
| 4.1 初始模型建立 |
| 4.1.1 模型的单元类型选取 |
| 4.1.2 模型初始材料参数 |
| 4.1.3 建模中一些问题的处理 |
| 4.2 静载实验结果数据 |
| 4.3 基于 RBF 神经网络有限元模型修正 |
| 4.3.1 修正前挠度值比较 |
| 4.3.2 待修正参数选取 |
| 4.3.3 基于均匀设计网络样本选取 |
| 4.3.4 基于神经网络的模型修正 |
| 4.3.5 模型修正结果 |
| 4.3.6 参数修正结果 |
| 4.4 静力有限元模型修正 |
| 4.5 两种算法对比分析 |
| 4.6 本章小结 |
| 5 双曲拱桥承载力评估 |
| 5.1 引言 |
| 5.2 模型修正前后桥梁恒载下拱肋下缘挠度与应力对比 |
| 5.3 桥梁承载能力系数 |
| 5.4 桥梁承载能力系数分析 |
| 5.4.1 拱肋混凝土弹性模量折减（跨中-A 截面） |
| 5.4.2 超载（跨中-A 截面） |
| 5.4.3 拱肋有效面积折减（跨中-A 截面） |
| 5.4.4 拱肋混凝土弹性模量折减（四分点-B 截面） |
| 5.4.5 超载（四分点-B 截面） |
| 5.5 双曲拱桥裸拱极限承载能力分析 |
| 5.5.1 钢筋混凝土分析模型 |
| 5.5.2 材料的本构关系 |
| 5.5.3 极限承载能力分析 |
| 5.6 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（6）神经网络模型在废旧橡胶混凝土研究中的应用（论文提纲范文）
| 0 引言 |
| 1 神经网络概述 |
| 2 神经网络模型建立 |
| 2.1 建模方法 |
| 2.2 样本的构建 |
| 2.3 数据归一化处理 |
| 2.4 设置参数 |
| 3 样本训练与预测结果 |
| 4 结论 |
（8）基于改进ESN的混沌时间序列预测方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 论文的结构安排 |
| 2. 混沌理论及其预测方法 |
| 2.1 混沌概述 |
| 2.2 典型的混沌系统 |
| 2.3 混沌时间序列相空间重构理论 |
| 2.3.1 相空间重构 |
| 2.3.2 嵌入维数和时间延迟的确定 |
| 2.3.3 仿真样本相空间重构 |
| 2.4 混沌时间序列预测方法的研究 |
| 2.4.1 局部预测法 |
| 2.4.2 自适应预测法 |
| 2.4.3 全局预测法 |
| 3. 基于回声状态网络的混沌时间序列预测 |
| 3.1 回声状态网络 |
| 3.1.1 回声状态网络的结构 |
| 3.1.2 回声状态网络的建立流程 |
| 3.1.3 回声状态网络的训练 |
| 3.1.4 回声状态网络的理论分析 |
| 3.2 回声状态网络对混沌时间序列预测 |
| 3.2.1 回声状态网络对混沌时间序列的预测 |
| 3.2.2 回声状态网络对混沌时间序列预测所面临的问题 |
| 4. 利用微分进化算法改进回声状态网络 |
| 4.1 微分进化算法 |
| 4.1.1 微分进化算法基本原理 |
| 4.1.2 微分进化算法的优越性 |
| 4.2 基于微分进化算法的 ESN 参数选择 |
| 4.2.1 利用微分进化算法优化 ESN 参数流程 |
| 4.2.2 基于微分进化算法优化 ESN 参数的伪代码 |
| 5. 基于改进 ESN 的混沌时间序列预测仿真探究 |
| 5.1 利用优化模型对混沌时间序列预测仿真 |
| 5.1.1 对上文预测数据的仿真 |
| 5.1.2 对相同序列预测的对比性仿真 |
| 5.1.3 对不同特点序列的仿真 |
| 5.2 编写 ESN 预测仿真软件 |
| 6. 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（9）钻孔灌注桩竖向承载力的神经网络预测分析研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 桩基承载力确定方法国内外研究现状 |
| 1.2.2 神经网络在桩基承载力中的应用研究现状 |
| 1.3 本文的研究目的和研究意义 |
| 1.4 本文的研究方法和研究的主要内容 |
| 1.5 课题研究预期成果、难点及创新之处 |
| 第2章 单桩极限承载力影响因素的分析 |
| 2.1 钻孔灌注桩单桩承载性状分析比较 |
| 2.2 钻孔灌注桩单桩竖向极限承载力的影响因素 |
| 2.2.1 桩侧阻力发挥的影响因素 |
| 2.2.2 影响桩端阻力发挥的因素 |
| 2.3 层次分析法中影响因素的权重分析 |
| 2.3.1 层次分析法简介 |
| 2.3.2 层次分析法的步骤及问题的解决 |
| 2.4 本章小结 |
| 第3章 基于BP神经网络的基桩承载力预测 |
| 3.1 人工神经网络的定义及编译工具MATLAB的简介 |
| 3.1.1 人工神经网络的定义 |
| 3.1.2 编译工具MATLAB |
| 3.2 BP神经网络的基本概念 |
| 3.2.1 BP神经网络的基本内涵 |
| 3.2.2 BP神经网络的基本结构 |
| 3.2.3 BP神经网络的转移函数及学习过程 |
| 3.3 神经网络模型的设计 |
| 3.3.1 样本数据的搜集和预处理 |
| 3.3.2 网络结构的确定 |
| 3.3.3 神经网络的训练 |
| 3.4 钻孔灌注桩基桩承载力的BP神经网络预测模型设计 |
| 3.4.1 预测模型的网络结构 |
| 3.4.2 训练算法的确定及学习函数要求 |
| 3.4.3 钻孔灌注桩承载力预测训练模型的程序编制 |
| 3.5 本章小结 |
| 第4章 网络模型的效果预测及钻孔灌注桩承载特性分析 |
| 4.1 预测模型的训练效果分析 |
| 4.1.1 基于六个桩土参数的预测模型的训练效果分析 |
| 4.1.2 基于九个桩土参数的预测模型的训练效果分析 |
| 4.2 桩土参数对钻孔灌注桩承载特性的影响分析 |
| 4.2.1 桩的几何尺寸对承载力的影响 |
| 4.2.2 桩身混凝土等级对承载力的影响 |
| 4.2.3 桩端土性对承载力的影响 |
| 4.2.4 桩侧土性对承载力的影响 |
| 4.3 本章小结 |
| 第5章 预测模型软件的图形用户界面设计 |
| 5.1 MATLAB语言及设计GUI的方法 |
| 5.2 软件的设计和功能实现 |
| 5.2.1 图形界面窗口总布局的设计 |
| 5.2.2 界面功能的实现 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（10）埋入式PBL剪力连接件力学特性及承载机理研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 符号 |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 PBL剪力连接件试验研究的进展 |
| 1.2.1 推出试验研究 |
| 1.2.2 其他试验研究 |
| 1.3 埋入式PBL剪力连接件的工程应用 |
| 1.4 PBL剪力连接件理论模型研究的进展 |
| 1.4.1 等效承载力模型 |
| 1.4.2 简化有限元模型 |
| 1.4.3 精细有限元模型 |
| 1.5 本文拟解决的关键问题 |
| 1.6 本文的主要研究内容 |
| 第2章 埋入式PBL剪力连接件试验及破坏形态分析 |
| 2.1 引言 |
| 2.2 南京长江三桥混合桥塔结合部试验和南京长江四桥锚固系统试验 |
| 2.2.1 试件形式 |
| 2.2.2 试验加载及测试 |
| 2.2.3 破坏形态 |
| 2.2.4 荷载-滑移曲线特征 |
| 2.3 埋入式PBL剪力连接件机理试验 |
| 2.3.1 试件形式 |
| 2.3.2 试验加载及测试 |
| 2.3.3 破坏形态 |
| 2.3.4 荷载-滑移曲线特征 |
| 2.4 PBL剪力连接件破坏形态 |
| 2.4.1 破坏形态汇总 |
| 2.4.2 各种破坏形态下的承载特点 |
| 2.4.3 破坏形态总结 |
| 2.5 PBL剪力连接件的受力特点 |
| 2.5.1 各部件的受力特点 |
| 2.5.2 钢板与混凝土间界面效应 |
| 2.6 小结 |
| 第3章 微平面混凝土本构模型 |
| 3.1 引言 |
| 3.2 适用于PBL剪力连接件理论模型的混凝土本构模型 |
| 3.3 微平面本构模型 |
| 3.3.1 概述 |
| 3.3.2 M4微平面模型的原理 |
| 3.3.3 M4微平面模型的构建 |
| 3.4 基于遗传优化的RBF神经网络参数识别方法 |
| 3.4.1 RBF神经网络 |
| 3.4.2 遗传优化算法 |
| 3.4.3 参数识别方法 |
| 3.5 单轴应力状态下微平面模型参数确定方法 |
| 3.5.1 敏感性分析 |
| 3.5.2 参数识别样本库的建立 |
| 3.5.3 RBF神经网络的训练 |
| 3.5.4 遗传优化算法 |
| 3.6 复杂应力状态下微平面模型参数确定方法 |
| 3.6.1 各个参数的物理意义 |
| 3.6.2 参数的综合确定方法 |
| 3.7 小结 |
| 第4章 粘结-滑移界面本构模型及理论模型建立 |
| 4.1 引言 |
| 4.2 界面本构模型 |
| 4.2.1 概述 |
| 4.2.2 界面本构模型的原理 |
| 4.3 钢材本构模型 |
| 4.3.1 概述 |
| 4.3.2 损伤准则 |
| 4.4 非线性有限元求解方法 |
| 4.4.1 基本方程 |
| 4.4.2 平衡问题的隐式求解方法 |
| 4.4.3 动力学显式求解方法 |
| 4.5 PBL剪力连接件理论模型 |
| 4.5.1 单元类型及单元尺寸 |
| 4.5.2 接触条件 |
| 4.5.3 后续工作 |
| 4.6 理论模型验证 |
| 4.6.1 典型试件的理论模型 |
| 4.6.2 理论模型的求解 |
| 4.6.3 理论模型的验证 |
| 4.6.4 理论模型的主要优点 |
| 4.7 小结 |
| 第5章 埋入式PBL剪力连接件的承载机理研究 |
| 5.1 引言 |
| 5.2 理想破坏形态下埋入式PBL剪力连接件的力学特性 |
| 5.2.1 混凝土榫的力学特性 |
| 5.2.2 贯穿钢筋的力学特性 |
| 5.3 理想破坏形态下埋入式PBL剪力连接件的荷载传递历程 |
| 5.3.1 混凝土榫的承载情况 |
| 5.3.2 贯穿钢筋的承载情况 |
| 5.3.3 界面剪切力的产生机理及其承载情况 |
| 5.3.4 荷载传递历程总结 |
| 5.4 理想破坏形态出现的必要条件 |
| 5.5 埋入式PBL剪力连接件的承载机理总结 |
| 5.6 小结 |
| 第6章 埋入式PBL剪力连接件的宏观力学行为分析 |
| 6.1 引言 |
| 6.2 影响因素分析 |
| 6.2.1 贯穿钢筋的存在与否 |
| 6.2.2 开孔孔径 |
| 6.2.3 开孔钢板厚度 |
| 6.2.4 垂直于钢板面的横向约束 |
| 6.2.5 贯穿钢筋直径 |
| 6.2.6 开孔数目 |
| 6.2.7 混凝土强度 |
| 6.3 理想破坏形态下埋入式PBL剪力连接件的荷载-滑移关系 |
| 6.3.1 弹性阶段 |
| 6.3.2 塑性阶段 |
| 6.3.3 强化阶段 |
| 6.3.4 荷载-滑移关系的计算公式 |
| 6.4 理想破坏形态下埋入式PBL剪力连接件的设计承载力 |
| 6.4.1 设计承载力下的工作阶段 |
| 6.4.2 设计承载力计算公式 |
| 6.5 小结 |
| 结论与展望 |
| 一.本文主要研究结论 |
| 二.主要创新点 |
| 三.需进一步解决的问题 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文和参加的科研工作 |
| 附录 |
四、RBF神经网络在极限承载力预测中的应用（论文参考文献）
- [1]基于粒子群优化与相关向量机的岩土体非线性行为预测[D]. 邝贺伟. 桂林理工大学, 2021(01)
- [2]基于RBF神经网络的半刚性端板连接节点初始转动刚度预测研究[D]. 张智涛. 华南理工大学, 2019(01)
- [3]基于RBF的焦炉冷鼓系统预测控制器设计[D]. 杨远恒. 安徽工业大学, 2019(02)
- [4]基于RBF神经网络的锚杆锚固质量无损检测方法研究[D]. 程恩. 石家庄铁道大学, 2016(02)
- [5]基于RBF神经网络静力有限元模型修正的双曲拱桥承载力评估[D]. 张宗强. 兰州交通大学, 2014(03)
- [6]神经网络模型在废旧橡胶混凝土研究中的应用[J]. 杨春峰,叶文超,杨敏,王培竹. 混凝土, 2013(12)
- [7]人工神经网络在结构工程中的应用综述[A]. 李盼臻,于江,荣彬. 第十三届全国现代结构工程学术研讨会论文集, 2013
- [8]基于改进ESN的混沌时间序列预测方法的研究[D]. 于永兵. 辽宁科技大学, 2012(04)
- [9]钻孔灌注桩竖向承载力的神经网络预测分析研究[D]. 邹向向. 南昌大学, 2011(06)
- [10]埋入式PBL剪力连接件力学特性及承载机理研究[D]. 王振海. 西南交通大学, 2012(10)