【摘要】：錨桿錨固系統(tǒng)因其施工方便、成本低廉和支護(hù)效果可靠等優(yōu)點(diǎn)而被廣泛的用于各類巖土工程中,錨桿錨固系統(tǒng)的支護(hù)效果直接影響工程的質(zhì)量。如果錨桿錨固系統(tǒng)存在缺陷會使錨桿支護(hù)能力下降,進(jìn)而影響工程質(zhì)量甚至造成人民生命財產(chǎn)安全事故,因此對錨桿錨固系統(tǒng)缺陷的識別分類研究具有至關(guān)重要意義。神經(jīng)網(wǎng)絡(luò)可以作為錨桿錨固系統(tǒng)缺陷分類的智能分類器,其可以根據(jù)已有的錨桿錨固系統(tǒng)缺陷數(shù)據(jù)庫完成網(wǎng)絡(luò)的訓(xùn)練,從而對錨桿錨固系統(tǒng)缺陷的進(jìn)行正確分類。神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工分類方法準(zhǔn)確性差、分類速度慢,還要求分類人員有較高專業(yè)技術(shù)水平和經(jīng)驗(yàn)的缺點(diǎn)。但是神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)對分類的性能有重要的影響,傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)確定的方法如試湊法和經(jīng)驗(yàn)公式法都難以獲得網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)且費(fèi)事實(shí)力。因此神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)難以確定的難題,阻礙了神經(jīng)網(wǎng)絡(luò)作為錨桿錨固系統(tǒng)缺陷識別智能分類器的大規(guī)模推廣應(yīng)用。本文針對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)難以確定的難題,構(gòu)建了結(jié)構(gòu)自組織Elman神經(jīng)網(wǎng)絡(luò);并將其作為智能分類器對基于應(yīng)力波錨桿無損檢測法獲得的實(shí)驗(yàn)數(shù)據(jù)和仿真數(shù)據(jù)進(jìn)行錨桿缺陷識別,從而完成錨桿的缺陷智能識別分類。具體研究如下:(1)根據(jù)錨桿錨固系統(tǒng)工程應(yīng)用中常出現(xiàn)的錨固劑密實(shí)度不足、錨固空洞等缺陷,構(gòu)建四種實(shí)驗(yàn)缺陷識別分類錨桿模型,基于應(yīng)力波無損檢測法分別通過實(shí)驗(yàn)法和仿真法獲得錨桿智能識別分類數(shù)據(jù)。(2)根據(jù)Elman網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn),在定義網(wǎng)絡(luò)隱含層節(jié)點(diǎn)貢獻(xiàn)度、網(wǎng)絡(luò)修剪閾值的基礎(chǔ)上設(shè)計了網(wǎng)絡(luò)修剪機(jī)制;并對網(wǎng)絡(luò)修剪過程進(jìn)行收斂性分析;完成網(wǎng)絡(luò)學(xué)習(xí)率的自適應(yīng)改進(jìn);利用UCI標(biāo)準(zhǔn)分類數(shù)據(jù)集對網(wǎng)絡(luò)結(jié)構(gòu)修剪過程進(jìn)行可行性分析,仿真實(shí)驗(yàn)結(jié)果證明修剪機(jī)制可以減小網(wǎng)絡(luò)冗余度,提高網(wǎng)絡(luò)分類性能。(3)在網(wǎng)絡(luò)隱含層貢獻(xiàn)度的基礎(chǔ)上定義了Elman神經(jīng)網(wǎng)絡(luò)增長閾值,引入網(wǎng)絡(luò)分裂增長機(jī)制,同網(wǎng)絡(luò)修剪機(jī)制共同構(gòu)成結(jié)構(gòu)自組織Elman神經(jīng)網(wǎng)絡(luò);采用隱含層節(jié)點(diǎn)貢獻(xiàn)度分布的標(biāo)準(zhǔn)差來對修剪閾值和增長閾值進(jìn)行修正;同時對修剪系數(shù)和增長系數(shù)進(jìn)行自適應(yīng)改進(jìn),提高結(jié)構(gòu)自組織過程網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性;對Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自組織過程網(wǎng)絡(luò)收斂性進(jìn)行分析;采用UCI標(biāo)準(zhǔn)數(shù)據(jù)集對網(wǎng)絡(luò)性能進(jìn)行測試,仿真實(shí)驗(yàn)證明在Elman神經(jīng)網(wǎng)絡(luò)初始結(jié)構(gòu)冗余時,網(wǎng)絡(luò)可以通過網(wǎng)絡(luò)結(jié)構(gòu)修剪來減小網(wǎng)絡(luò)冗余度,Elman神經(jīng)網(wǎng)絡(luò)初始結(jié)構(gòu)過簡時,可以通過增長機(jī)制增加網(wǎng)絡(luò)結(jié)構(gòu)提高網(wǎng)絡(luò)數(shù)據(jù)處理能力,即網(wǎng)絡(luò)可以根據(jù)訓(xùn)練數(shù)據(jù)完成結(jié)構(gòu)自組織,獲得網(wǎng)絡(luò)最優(yōu)結(jié)構(gòu),提高網(wǎng)絡(luò)分類性能。(4)采用結(jié)構(gòu)自組織Elman神經(jīng)網(wǎng)絡(luò)對錨桿缺陷數(shù)據(jù)進(jìn)行智能識別分類實(shí)驗(yàn);根據(jù)實(shí)驗(yàn)結(jié)果對網(wǎng)絡(luò)參數(shù)及性能進(jìn)行分析比較,驗(yàn)證了結(jié)構(gòu)自組織Elman神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)自組織能力和更優(yōu)的分類性能,可以完成錨桿缺陷識別分類,進(jìn)而完成對錨桿錨固質(zhì)量無損檢測。
【圖文】：

表 2-1 錨桿的四種 ANSYS 有限元模型幾何參數(shù) cm錨固狀態(tài)自由段長度澆筑段長度缺陷位置距前端缺陷長度完整錨固 50 150 0 0末端缺陷 50 150 33 10前端缺陷 50 150 70 10首末端雙缺陷 50 150 52/108 11/12模型的力學(xué)參數(shù)如表 2-2所示。表 2-2 錨桿的四種 ANSYS 有限元模型幾何參數(shù)介質(zhì)類別 密度/(kg·m-3) 彈性模量/GPa 泊松比鋼筋 7 800 210 0.3砂漿 2 000 50 0.2圍巖 2 300 33 0.25缺陷砂漿 1 000 0.1 0.35建立的 ANSYS有限元模型仿真集合模型如圖 2-4所示。

iEvσ= 在錨固段中的速度 vp公式為：(1 )pEvρ μ= 得到 vi=5188 m/s，，vp=4564 m/s。對上一節(jié)建立的四種錨桿模型進(jìn)行應(yīng)力波反射仿真實(shí)驗(yàn)，使用后處理-PREPOST 進(jìn)行信號處理，選取錨桿自由段前端一點(diǎn)得到加速度曲線，桿模型加速度曲線及其分析分別如圖 2-5~圖 2-8所示。
【學(xué)位授予單位】：石家莊鐵道大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TU476

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 卓鵬程;朱穎;鄔雯暄;舒俊清;夏唐斌;;Real-Time Fault Diagnosis for Gas Turbine Blade Based on Output-Hidden Feedback Elman Neural Network[J];Journal of Shanghai Jiaotong University(Science);2018年S1期

2 張彥清;劉大銘;白冰;李春樹;;基于外反饋Elman的離心式壓縮機(jī)透平轉(zhuǎn)速預(yù)測[J];微型機(jī)與應(yīng)用;2016年02期

3 徐曉龍;溫陽;張商州;;Elman神經(jīng)網(wǎng)絡(luò)仿真及應(yīng)用[J];智能機(jī)器人;2016年04期

4 湯井田;曹揚(yáng);肖嘉瑩;郭曲練;;Predication of plasma concentration of remifentanil based on Elman neural network[J];Journal of Central South University;2013年11期

5 朱春穎;沈海軍;顧豪;殷忠敏;李燕;;Elman網(wǎng)絡(luò)模型參考自適應(yīng)控制在鎳氫電池智能充電中的應(yīng)用[J];工業(yè)儀表與自動化裝置;2013年04期

6 吳微;徐東坡;李正學(xué);;Convergence of gradient method for Elman networks[J];Applied Mathematics and Mechanics(English Edition);2008年09期

7 齊仲紀(jì);劉漫丹;;基于文化算法的新型Elman網(wǎng)絡(luò)的過程建模方法[J];華東理工大學(xué)學(xué)報(自然科學(xué)版);2008年05期

8 謝慶國 ,萬淑蕓 ,易燕春 ,趙金 ,沈軼;Speed-Sensorless Control Using Elman Neural Network[J];Journal of Systems Engineering and Electronics;2001年04期

9 張惠玲;劉曉曉;楊林玉;;基于小波-Elman神經(jīng)網(wǎng)絡(luò)的信號交叉口首車到達(dá)時間預(yù)測[J];科學(xué)技術(shù)與工程;2019年28期

10 王雪麗;;一種基于Elman改進(jìn)的網(wǎng)絡(luò)入侵檢測算法[J];湖南文理學(xué)院學(xué)報(自然科學(xué)版);2017年04期

相關(guān)會議論文 前10條

1 Yanqi Zheng;Zoujing Yao;Heng Zhou;Chunjie Yang;Haifeng Zhang;Mingliang Li;Lei Fan;;Power Generation Forecast of Top Gas Recovery Turbine Unit Based on Elman Model[A];第37屆中國控制會議論文集（E）[C];2018年

2 Bo Meng;;Improved Elman Neural Network and Its Application[A];第30屆中國控制與決策會議論文集（1）[C];2018年

3 陳力;呂亭亭;王凱;;基于Elman網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測研究[A];煤礦機(jī)電一體化新技術(shù)創(chuàng)新與發(fā)展2012學(xué)術(shù)年會論文集[C];2012年

4 ;Identification of dynamic nonlinear systems using recurrent neural networks[A];第十九屆中國控制會議論文集（一）[C];2000年

5 ;Study of PID Elman Neural Network and Its Application in Dynamical Systems Identification[A];第二十四屆中國控制會議論文集（下冊）[C];2005年

6 盧志剛;冀爾康;李偉;吳士昌;;基于混合Elman網(wǎng)絡(luò)的非線性自適應(yīng)逆控制[A];第七屆青年學(xué)術(shù)會議論文集[C];2005年

7 蘇剛;王玲玲;徐永生;;基于改進(jìn)Elman網(wǎng)絡(luò)的燃?xì)庳?fù)荷預(yù)測[A];第十七屆全國過路控制會議論文集[C];2006年

8 李界家;張雙喜;郭宏偉;;基于改進(jìn)型Elman網(wǎng)絡(luò)的陽極效應(yīng)故障趨勢預(yù)測研究[A];冶金企業(yè)自動化、信息化與創(chuàng)新——全國冶金自動化信息網(wǎng)建網(wǎng)30周年論文集[C];2007年

9 張琦;邵立福;;基于Elman神經(jīng)網(wǎng)絡(luò)的液壓泵故障診斷模型研究[A];機(jī)床與液壓學(xué)術(shù)研討會論文集[C];2004年

10 張琦;邵立福;;基于Elman神經(jīng)網(wǎng)絡(luò)的液壓泵故障診斷模型研究[A];第三屆全國流體傳動及控制工程學(xué)術(shù)會議論文集（第二卷）[C];2004年

相關(guān)重要報紙文章 前1條

1 本報記者 小樂;擺脫媒體局限 實(shí)地考察中國[N];中國社會科學(xué)報;2010年

相關(guān)博士學(xué)位論文 前10條

1 時小虎;Elman神經(jīng)網(wǎng)絡(luò)與進(jìn)化算法的若干理論研究及應(yīng)用[D];吉林大學(xué);2006年

2 王麗敏;計算智能改進(jìn)方法及其在金融與環(huán)境領(lǐng)域中的應(yīng)用[D];吉林大學(xué);2007年

3 楊杰;多工序制造質(zhì)量智能預(yù)測建模機(jī)理研究及應(yīng)用[D];華南理工大學(xué);2011年

4 郭晉;神經(jīng)網(wǎng)絡(luò)模型在預(yù)測急性心肌梗死中的應(yīng)用及模型預(yù)測能力的比較研究[D];北京協(xié)和醫(yī)學(xué)院;2013年

5 李鵬華;量子計算在動態(tài)遞歸與自組織神經(jīng)網(wǎng)絡(luò)中的機(jī)理及應(yīng)用研究[D];重慶大學(xué);2012年

6 韓旭明;若干改進(jìn)的人工免疫算法及其在大氣環(huán)境領(lǐng)域中的應(yīng)用[D];吉林大學(xué);2010年

7 姜春福;基于神經(jīng)網(wǎng)絡(luò)的機(jī)器人模型辨識與控制研究[D];北京工業(yè)大學(xué);2003年

8 李西平;塔機(jī)超聲安全預(yù)警目標(biāo)識別的神經(jīng)網(wǎng)絡(luò)方法研究[D];西安建筑科技大學(xué);2015年

9 劉長義;基于不確定性測度的機(jī)械零部件再制造加工質(zhì)量控制理論與方法研究[D];合肥工業(yè)大學(xué);2015年

10 王永利;區(qū)域客戶端能源綜合需求側(cè)管理理論及應(yīng)用研究[D];華北電力大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 宮世杰;基于結(jié)構(gòu)自組織Elman神經(jīng)網(wǎng)絡(luò)的錨桿錨固系統(tǒng)質(zhì)量無損檢測研究[D];石家莊鐵道大學(xué);2019年

2 賈哲;融合有限元與Elman神經(jīng)網(wǎng)絡(luò)的基坑變形預(yù)測研究[D];西安工業(yè)大學(xué);2019年

3 常曉雪;基于集成型Elman神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測研究[D];青島大學(xué);2019年

4 朱海波;基于改進(jìn)Elman NN回轉(zhuǎn)窯溫度軟測量建模技術(shù)的研究與應(yīng)用[D];遼寧科技大學(xué);2019年

5 張琪琪;改進(jìn)粒子群算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測[D];長安大學(xué);2019年

6 李先超;基于BFA-Elman神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[D];華北電力大學(xué);2019年

7 林文斌;基于數(shù)據(jù)和知識驅(qū)動的發(fā)動機(jī)監(jiān)控技術(shù)的研究[D];中國民航大學(xué);2019年

8 尹s

本文編號：2698533