CFG樁復合地基處理方案設計是一個非常復雜的過程,其影響因素眾多,計算繁瑣,相關理論研究也很滯后。在實際工程中,CFG樁復合地基方案設計通常采用試算法與經驗法相結合的方法,先根據以往工程經驗提出幾個設計方案,再驗算方案是否滿足設計規(guī)范和工程要求,最終從滿足要求的方案中選擇較為經濟的方案作為最終實施方案。這一設計過程耗費大量的時間與人力,且得不到最經濟的方案。近年來隨著計算機信息技術的發(fā)展,為CFG樁復合地基處理方案設計提供了新思路,促進了CFG樁復合地基處理方案的智能化發(fā)展。本文在深入研究CFG樁復合地基設計領域知識體系的基礎上,利用優(yōu)化算法、非參數回歸法、模糊層次分析法、人工神經網絡等理論,借助程序語言開發(fā)一個能夠輔助工程設計人員進行快速實現CFG樁復合地基處理方案智能優(yōu)化設計的系統(tǒng),主要工作及結論如下:1.深入研究了CFG樁復合地基設計領域知識,進行了知識構成要素分析,提取出關鍵知識要素,由此繪制實體聯系圖并構建領域知識擴展框架,采用生產式法與一階謂詞邏輯表示法來表示CFG樁復合地基設計領域知識;2.建立了CFG樁復合地基優(yōu)化設計數學模型,編制基于優(yōu)化算法的計算機程序來實現優(yōu)化設計... 

【文章來源】：西安理工大學陜西省

【文章頁數】：106 頁

【學位級別】：碩士

【部分圖文】：

訓練狀態(tài)Fig.5-3Trainingstatus

西安理工大學碩士學位論文68圖5-3訓練狀態(tài)Fig.5-3Trainingstatus（1）網絡誤差從圖5-4中可以看出，雖然網絡誤差沒有達到所設定的目標誤差，也沒有達到訓練所設定的最大訓練步數，但是網絡收斂速度比較快，誤差在收斂后趨于穩(wěn)定，幾乎沒有震蕩現象，且測試集的誤差和訓練集的誤差相對較小，分別為0.0015283和0.001658，所以該輔助優(yōu)化設計模型的預測性能較好。圖5-4學習過程及其誤差變化情況Fig.5-4Learningprocessanderrorchanges（2）擬合度擬合度是判斷由預測模型得到的預測結果與實際發(fā)生情況的吻合程度指標，該值通常越接近1說明擬合情況越好，常用的檢驗擬合度方法有剩余平方和檢驗、卡方(c2)檢驗和

5基于人工神經網絡的輔助優(yōu)化設計模型69線性回歸檢驗等。本文的神經網絡輔助優(yōu)化設計模型采用線性回歸方法來檢驗其擬合度。從圖5-5可知，神經網絡輔助設計模型產生的預測值與真實值總體擬合度高達0.97953，訓練集擬合度為0.97994，測試集的擬合度為0.97704，說明模型整體的擬合情況很好。另外，由圖5-6、圖5-7、圖5-7可以看出使用神經網絡輔助模型得到的預測值與設計參數的實際值基本沒有較大偏差，進一步說明了模型有著很好的擬合效果。圖5-5回歸擬合Fig.5-5Regressionfit圖5-6基礎短邊真實值與預測值比較圖Fig.5-6Comparisonchartofbasicshort-siderealvalueandpredictedvalue


本文編號：3367824