一、基于BP神经网络的路堑爆破对邻近民房安全预测的研究（论文文献综述）
冯小冬[1]（2021）在《地铁钻爆法施工对邻近建筑物的振动响应预测》文中研究表明钻爆法施工对邻近建筑物的振动响应预测是制定施工安全措施及预警的重要依据。以青岛地铁4号线某车站32炮次43个监测数据为例,利用实测数据分析了爆破振动速度传播规律,分别选用经验公式与灰色模型预测钻爆法施工对邻近建筑物的振动峰值速度,并分析对比所建模型的精度以及对爆破振动传播规律适应性。结果表明:本次工程中,爆破振动速度传播具有明显的距离效应与空洞效应,高程效应不显着;对于预测模型的分析对比认为两者对于爆破振动传播规律的反馈不同,灰色模型更能体现空洞效应,对近距离、短时间爆破监测点的数据预测具有较高的精度;而经验公式更能反馈距离效应,对长时间、长距离的爆破振动预测更具有优势。
张西良[2]（2020）在《岩体爆破环境效应预测的集成学习模型及工程应用》文中研究表明爆破在采矿和土木工程中仍然是一种经济可行的岩石开挖方法,而工程岩体开挖爆破破岩的同时产生了爆破振动、飞石、空气冲击波以及地震波等一系列不良环境效应,往往造成周边建（构）筑物出现裂缝,甚至倒塌等破坏现象,严重甚至造成人员伤亡,因其普遍性、复杂性、容易引起民事纠纷,不仅使施工难度加大,也影响了社会稳定。由于其非线性演化过程的复杂性,如何精准评估爆破环境效应一直是困扰工程界和科学界的难题。在系统总结和分析国内外爆破环境效应评估方法优势和不足的基础上,从集成学习理论出发,对爆破有害效应预测这一课题进行了深入的探讨,构建了爆破振动峰值速度型、爆破诱发民房结构破坏和爆破飞石预测的集成学习模型。主要内容和结论性成果如下:（1）针对爆破环境效应评价不确定性和精度偏低的问题,构建了基于工程爆破振动、飞石等动力学特征的爆破环境效应预测模型库,包括爆破振动峰值速度预测的PSO-XGBoost集成学习模型,爆破诱发民房结构破坏预测的Adaboost集成学习模型和爆破飞石预测的GBDT集成学习模型。本文构建的集成学习模型具有在爆破环境效应预测方面的针对性,以及工程应用方面的联合性。在具体工程应用上,既可独立应用解决特定方面的预测问题;又可任意组合,针对不同工程需求得到综合预测评价结果。研究结果表明,提出的集成学习模型十分可靠,评价效果良好,具有较高的预测精度,实现了对爆破环境效应定性与定量的准确预测。（2）揭示了模型中各输入参量在预测模型中的贡献度,建立了预测模型内部验证和外部验证的验证策略,采用了 K折交叉验证的方法对模型中的超参数进行优化。针对回归问题,建立了 R2+MAE+RMSE的联合评价方法;针对分类问题,建立了误差矩阵+用户精度+生产者精度+总体精度+Kappa系数的联合评价方法,提高了模型评价效果的全面性和正确性。解决了岩体爆破环境效应集成学习模型过学习或欠学习的难题。（3）为进一步验证本文构建的爆破环境效应预测的集成学习模型,以和尚桥铁矿为例,对构建的爆破振动PPV预测的PSO-XGBoost集成学习模型、爆破振动对民房结构损伤预测的Adaboost集成学习模型和爆破飞石距离预测的梯度提升机模型进行工程验证,取得了良好的效果,验证了所建模型数据库的有效性。
刘小鸣[3]（2020）在《群孔微差爆破的地表振动波形预测及其影响因素分析》文中研究指明群孔微差爆破是目前控制爆破中最常用的施工方法之一,大量运用在基坑开挖、水利水电项目、露天矿物开采和公路铁路等工程中。为保证工程爆破的安全性,需在爆破前预测其引起的地表振动效应,但目前的地表振动波形预测方法存在复杂性、费时性、准确性不足和不易操作性等缺点,不适合运用在实际工程中。为了改善地表振动波形预测中的上述不足,并实现对振动波形的控制,本文建立了一种新的群孔微差爆破地表振动波形预测方法,即振动波形函数预测法,并借此振动波形函数和数值模拟软件LS-DYNA分析了地表振动波形的影响因素,为振动波形控制提供依据。为了实现群孔微差爆破的地表振动波形预测,推导出群孔微差爆破的地表振动波形函数。本文在Hoop点源理论位移解的基础上,结合球形药包的震源强度函数,推导出弹性介质中球形药包的地表振动波形函数;再根据实际介质中球形药包的地表波形振动特性,构造出实际岩石介质中球形药包的地表振动波形函数,并利用工程实测数据验证了其正确性;然后,将单孔柱状药包划分为一系列等效球形药包的叠加,通过叠加法推导出单孔柱状药包的地表振动波形函数;接着,利用Blair的非线性叠加理论,将一系列单孔柱状药包叠加为群孔柱状药包,推导出群孔微差爆破的地表振动波形函数。最后,利用厦门中央天成基坑开挖工程为背景对上述振动波形函数进行验证,结果表明,波形函数预测结果与实测波形吻合度较高,验证了其正确性。同时,为了实现对群孔微差爆破地表振动波形的控制,利用上述振动波形函数和数值模拟软件LS-DYNA对可能影响振动波形的因素进行分析,如:微差时间、炮孔数量、岩体等级、起爆点的位置和炮孔布置方式。研究结果表明:微差时间对地表振动波形具有较大的影响,不同微差时间下,不同炮孔的振动波形会发生不同程度的叠加,导致波峰值和频谱分布发生不同程度的变化;而炮孔数量的改变并不会引起振动波形的明显变化;爆区岩体等级对地表振动波形有较大影响,随着岩体等级的提高,振速峰值逐渐降低,同时持续时间也在逐渐减少,而优势频率虽有变化,但没有明显的规律;起爆点的位置对地表振动波形有一定影响,当爆心距在一定范围内时,起爆点位于柱状药包底部时比在顶部时引起的地表振速峰值大,当爆心距大于该范围时,不同起爆点引起的地表振速波形基本相同;在相同炮孔间距下,平行排列和交错排列两种布孔方式引起的地表振动波形基本相同。本文利用振动波形函数实现了群孔微差爆破的地表振动波形预测,从而预知了爆破施工的振动影响;同时又对地表振动波形的影响因素进行了分析,为爆破参数的设计和调整提供了依据,从而实现了地表振动波形控制,对实际工程中实现安全爆破具有一定的实用价值。
王毅[4]（2020）在《基于人工神经网络和随机森林算法的爆破振动预测研究》文中指出爆破振动危害作为爆破危害之首,如何更好的对其进行预测和控制一直是学术和工程界关注的热点问题。为更好的预测爆破振动,文章对爆破振动预测技术进行了研究。通过对比分析两种改进BP神经网络算法、随机森林算法以及传统经验公式法在爆破振动预测中的表现以寻求最佳预测方法。文章的主要研究内容和成果如下:（1）对之前的爆破预测手段和方法进行了总结和分析,通过对传统预测方法的原理分析阐明传统预测方法在现今工程爆破应用中的不足。（2）通过长达两年的时间对实际的工程爆破进行振动监测,收集到数量较为丰富的爆破振动监测数据,为利用机器算法进行预测提供了充分的基础。（3）为解决爆破振动预测这一典型的非线性问题,文章采用了两种改进BP神经网络算法以及人工森林算法对收集到的数据进行训练和预测,并与传统预测方法进行对比分析。结果表明:传统公式法虽然简便易用,但其精度与其他两种方法相比存在明显不足;在样本量不大的情况下对于爆破振动的预测,随机森林比神经网络更具优势,能将爆破振动速度和主频率的预测误差分别控制在10%和20%以内。文章通过对传统经验公式预测法、两种改进BP神经网络预测算法以及随机森林预测算法之间的分析对比,得出了随机森林算法在爆破振动预测方面具有较大优势,为未来更好、更快地进行爆破振动预测进行了有益的探索。
冷智高,李祥龙,程明,宋春辉,陶子豪[5]（2019）在《BP神经网络在爆破振动中的研究与应用》文中研究表明为准确地预测爆破结果、减少爆破振动对建筑的损伤和保障工人的安全,利用具有处理非线性问题能力的BP神经网络预测爆破结果。选取合格的爆破结果作为网络模型的学习样本,经过一定次数的训练学习后通过神经网络的前馈特性确定各层阈值和误差,完成对BP神经网络的建立,发现预测结果与真实结果相比的误差在10%以内。再结合PAC算法、POS算法或者MATLAB软件等优化网络后甚至可以将误差控制在5%以内。通过建立BP神经网络预测可以减少爆破作业带来的危害,降低安全成本,指导爆破作业的施工。
苏建遥[6]（2018）在《小净距交叉隧道开挖爆破振动监测及控制技术研究》文中提出近年来,为满足某些地区地质条件和线路要求等特殊情况而出现一种新的隧道形式——小净距交叉隧道。采用小净距交叉隧道方案,具有明显的经济、社会和环境效益。但小净距交叉隧道引发的一系列施工难题及交叉隧道之间的影响问题已引起了人们的高度关注,制定和采取合理的施工措施以保证相邻隧道的稳定性具有重要的现实意义。本文依托新建京张铁路草帽山隧道下穿唐张铁路隧道近接工程,对小净距交叉隧道施工爆破振动进行系统研究。为新建京张铁路顺利下穿唐张铁路提供必要的理论技术,同时保障唐张铁路隧道的运营安全,以期为类似隧道工程建设提供参考。本文主要研究内容和成果有:（1）选取与交叉段地质条件相似地段作为试验段,开展爆破振动试验。根据现场监测数据,得出爆破振动波传播衰减规律,求出了适用于本工程的爆破振动衰减公式,确定出爆破重点监测区段为交叉点±30 m,单段最大爆破药量不得超过4.97 kg。（2）对监测数据进行快速傅立叶变换,得到爆破振动频谱曲线。分析得出爆破振动主频域分布范围为10 Hz-115 Hz,高于一般建（构）筑物自振频率,但仍要做好对施工区附近建（构）筑物的保护措施。（3）通过数值模拟计算发现,在保证新建京张铁路安全施工,既有唐张铁路运营安全的前提下,可在距交叉点20 m之前,采用2 m进尺施工方案,当进入距交叉点20 m范围时,改为1 m进尺施工方案。与实测施工监测数据对比,数值计算结果偏大,偏于安全。（4）制定当新建隧道与既有隧道边线开始交叉前30 m位置处时,采用2 m进尺施工方案,在进入距交叉点30 m范围内时,改为采取1 m进尺施工方案,同时将上台阶掏槽和扩槽爆破分为左右两侧（Ⅰ、Ⅱ）两次起爆,控制两侧掏槽段单孔药量0.8 kg,掏槽段单段最大药量为3.2 kg。（5）通过光纤通讯方式,组建自动化监测系统。在整个施工监测过程中发现最大振速仅为2.004 cm/s,小于控制标准值,新建隧道顺利通过交叉段,既有隧道运营安全。
张吉勇,付玉华,周俊[7]（2018）在《基于随机森林算法的爆破振速预测研究》文中进行了进一步梳理以最大单段药量、爆心距、高程等3个影响因素为分析对象,随机抽取40组爆破振动实测数据作为随机森林预测模型的样本训练集,通过批量训练,再将剩余10组未经训练的爆破实测数据用于测试。同时采用传统地萨道夫斯基经验公式进行线性回归及预测,将二者预测结果与实测振速进行对比分析,结果表明:最大单段药量和爆心距是影响爆破振速的重要因素,随机森林模型预测平均误差率为6.81%,误差在合理范围内,且比平均误差率为11.64%的萨氏公式更加准确,为爆破振速预测提供了一种新的方法。
胡少宏,刘拓,于春江,陈超[8]（2018）在《邻近隧道爆破震速预测及控制方法研究》文中研究说明针对某隧道改扩建项目中,新建隧道爆破开挖可能对邻近老隧道的服役性能造成影响的问题,对既有隧道进行爆破震动速度监测以及数据分析。分别使用传统萨道夫斯基线性回归方法以及BP神经网络来分析预测爆破震动的强度,其中在利用神经网络预测时,将隧道开挖不同区段围岩条件作为一影响参量进行分析,最后建立了爆破震速预测模型,为爆破施工单段最大装药量提供依据,并将上述流程利用GIS技术集成,为爆破施工参数选取提供及时可靠依据。
岳衡[9]（2016）在《桩孔开挖光面爆破技术应用研究》文中研究指明目前桩孔开挖光面爆破参数设计主要依靠工程类比进行,不同设计者设计的爆破参数往往因掌握的爆破理论和经验的不同而有明显差异,爆破质量参差不齐。基于爆破成缝机理、断裂力学以及弹性力学等理论,分析爆破成缝过程,推导光面爆破周边光爆孔线装药密度和轴向不耦合系数计算公式；结合遗传算法GA改进BP神经网络（GA-BP）建立桩孔开挖爆破参数优化设计模型,优化设计桩孔开挖光面爆破其他相关爆破参数,如设计进尺、炸药单耗、光薄层厚度、掏槽孔孔距、辅助孔孔距以及周边孔孔距等开挖爆破参数。该方法不仅为开挖爆破参数设计提供理论基础,也可以利用已有开挖光面爆破经验数据和工程地质条件,同时,使用遗传算法GA优化BP.网络连接权和阈值可以弥补BP网络不稳定的缺陷,以达到获得更优爆破参数的目的。实践表明,基于遗传算法改进的GA-BP网络预测相对误差相比一般BP神经网络较小。以周边光爆孔线装药密度以及轴向不耦合系数理论计算公式和GA-BP网络为基础对在建大渡河特大桥雅安岸边坡抗滑桩孔（UB11）3.0×2.0和塔基桩孔进行开挖光面爆破参数优化设计和现场开挖爆破试验,辅以爆破振动实时监测、数值模拟测点振动以及开挖爆破前后声波检测。结果分析表明,数值模拟两测点振动峰值与现场爆破振动监测结果较为吻合,且测点1最大振速仅为9.71 cm/s小于安全规程规定的最小值10cm/s；测点2振速在初次爆破时最大值仅为5.79 cm/s,完全满足边坡地表振速安全允许值；开挖爆破前后声波测试结果对比表明,桩孔开挖爆破8个测点位置平均声波下降率为5.7%,小于规范规定的10%的量化标准,抗滑桩孔和塔基桩孔开挖光面爆破现场试验效果较好。因此本文理论推导结合GA-BP神经网络优化设计桩孔开挖光面爆破参数的方法可以为类似工程开挖光面爆破参数设计提供参考。
岳衡,韩翔宇,张继春,潘强,李鹏川,阳陶[10]（2016）在《GA改进BP神经网络在抗滑桩孔爆破开挖中的应用》文中研究表明目前桩孔开挖主要依靠工程类比进行,不同设计者设计的爆破参数往往因掌握的爆破理论和经验的不同而有所差异,爆破质量参差不齐。为此,提出基于遗传算法GA改进BP神经网络（GA-BP）建立爆破参数优化设计模型,该法不仅可以利用已有爆破经验数据和工程地质条件,同时,使用遗传算法优化BP神经网络阈值和权值可以弥补BP神经网络不稳定的缺陷,以达到获得更优爆破参数的目的。实践表明,基于遗传算法改进BP神经网络相比一般BP神经网络预测相对误差较小,同时GA-BP神经网络得到的优化爆破参数进行现场试验,取得了良好的爆破效果。因此,GA-BP神经网络模型应用于抗滑桩孔开挖爆破参数设计是可行的,可用于指导爆破施工。
二、基于BP神经网络的路堑爆破对邻近民房安全预测的研究（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、基于BP神经网络的路堑爆破对邻近民房安全预测的研究（论文提纲范文）
（1）地铁钻爆法施工对邻近建筑物的振动响应预测（论文提纲范文）
| 0 引言 |
| 1 工程概况 |
| 2 邻近建筑物振动响应预测 |
| 2.1 预测方法的选取 |
| 2.2 预测模型的建立 |
| 2.2.1 经验公式法 |
| 2.2.2 灰色预测法 |
| 2.3 模型验证 |
| 2.3.1 实测数据分析 |
| 2.3.2 基于修正萨氏方程的预测模型 |
| 2.3.3 基于实测样本的灰色预测模型 |
| 2.3.4 预测模型对比 |
| 3 结论 |
（2）岩体爆破环境效应预测的集成学习模型及工程应用（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 爆破环境效应预测模型研究现状及进展 |
| 1.2.1 爆破振动峰值速度预测模型 |
| 1.2.2 爆破诱发民房结构破坏预测模型 |
| 1.2.3 爆破飞石预测模型 |
| 1.3 本文主要研究内容 |
| 1.4 研究方法及技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 论文技术路线 |
| 参考文献 |
| 第2章 爆破振动PPV预测的PSO-XGBoost集成学习模型 |
| 2.1 引言 |
| 2.2 数据来源 |
| 2.3 使用方法的背景 |
| 2.3.1 粒子群优化算法 |
| 2.3.2 极限梯度提升 |
| 2.3.3 经验方程 |
| 2.4 PSO-XGBoost模型的框架 |
| 2.5 粒子峰值振动速度的发展历程 |
| 2.5.1 PSO-XGBoost模型 |
| 2.5.2 经验模型 |
| 2.6 结果和讨论 |
| 2.7 结论 |
| 参考文献 |
| 第3章 爆破振动对民房结构损伤预测的Adaboost集成学习模型 |
| 3.1 引言 |
| 3.2 材料和方法 |
| 3.2.1 数据来源及指标分析 |
| 3.2.2 Adaboost算法数学描述 |
| 3.2.3 模型验证方法 |
| 3.2.4 预测性能评价指标 |
| 3.3 结果和讨论 |
| 3.3.1 数据可视化 |
| 3.3.2 预测模型构建与应用 |
| 3.3.3 变量重要度分析 |
| 3.4 本章小结 |
| 参考文献 |
| 第4章 爆破飞石预测的梯度提升集成学习模型及应用 |
| 4.1 引言 |
| 4.2 材料和方法 |
| 4.2.1 爆破飞石的产生机制及原因 |
| 4.2.2 数据及指标分析 |
| 4.2.3 GBDT算法 |
| 4.2.4 预测性能指标与模型验证方法 |
| 4.3 爆破飞石距离预测的梯度提升机模型及应用 |
| 4.3.1 数据可视化 |
| 4.3.2 构建爆破飞石距离预测的随机梯度提升机模型 |
| 4.3.3 训练集结果 |
| 4.3.4 测试集结果 |
| 4.3.5 变量重要度分析 |
| 4.4 本章小结 |
| 参考文献 |
| 第5章 工程应用 |
| 5.1 引言 |
| 5.2 工程概况 |
| 5.2.1 和尚桥铁矿 |
| 5.2.2 矿区工程地质及爆破参数 |
| 5.2.3 矿区周围建(构)筑物 |
| 5.3 和尚桥爆破环境效应监测及模型检验 |
| 5.3.1 和尚桥测震点布置 |
| 5.3.2 和尚桥爆破振动PPV验证 |
| 5.3.3 和尚桥爆破振动对民房结构预测验证 |
| 5.3.4 和尚桥爆破飞石距离预测 |
| 5.4 本章小结 |
| 第6章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 本文主要创新点 |
| 6.3 存在问题及工作展望 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（3）群孔微差爆破的地表振动波形预测及其影响因素分析（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 爆破振动预测研究现状 |
| 1.2.2 振动影响因素研究现状 |
| 1.3 目前研究存在的不足 |
| 1.4 研究内容及技术路线图 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线图 |
| 1.5 本文主要创新点 |
| 第2章 球形药包的地表振动波形函数 |
| 2.1 弹性介质中地表振动波形函数 |
| 2.1.1 计算模型的简化 |
| 2.1.2 等效球腔半径和内压力 |
| 2.1.3 震源强度函数 |
| 2.1.4 地表振速波形函数理论解 |
| 2.2 实际介质中地表振动波形函数 |
| 2.2.1 振动波形的通用拟合表达式 |
| 2.2.2 振动波形函数的构造 |
| 2.3 实例对比与分析 |
| 2.4 本章小结 |
| 第3章 群孔微差爆破的地表振动波形函数 |
| 3.1 单孔柱状药包振动波形函数 |
| 3.2 群孔微差爆破振动波形函数 |
| 3.3 工程案例分析 |
| 3.3.1 工程简介 |
| 3.3.2 监测仪器与测点布置 |
| 3.3.3 爆破前后效果对比 |
| 3.3.4 振动波形函数验证 |
| 3.3.4.1 单孔柱状药包波形函数验证 |
| 3.3.4.2 群孔微差爆破波形函数验证 |
| 3.4 本章小结 |
| 第4章 群孔微差爆破的影响因素分析 |
| 4.1 微差时间 |
| 4.1.1 微差时间的振动效应分析 |
| 4.1.2 最佳微差时间 |
| 4.2 炮孔数量 |
| 4.3 岩体等级 |
| 4.4 本章小结 |
| 第5章 振动影响因素的数值模拟研究 |
| 5.1 ANSYS/LS-DYNA简介 |
| 5.2 爆破模拟算法选择 |
| 5.3 建模与数值模拟结果分析 |
| 5.3.1 单元类型选择 |
| 5.3.2 材料模型选择 |
| 5.3.3 起爆点位置的数值模拟及分析 |
| 5.3.4 炮孔布置方式的数值模拟及分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（4）基于人工神经网络和随机森林算法的爆破振动预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 爆破振动强度预测研究现状 |
| 1.2.2 爆破振动频率预测研究现状 |
| 1.3 本论文的研究内容及意义 |
| 第二章 早期爆破振动质点峰速与爆破振动主频率预测方法 |
| 2.1 早期爆破振动质点峰速预测方法 |
| 2.2 回归分析法反求传统公式参数 |
| 2.3 传统经验公式的改进 |
| 2.4 传统爆破振动主频预测方法 |
| 2.5 本章小结 |
| 第三章 爆破振动危害机制及爆破振动监测工程实例 |
| 3.1 振动幅值强度特性及其在振动危害中的作用 |
| 3.2 爆破振动中频率性质与危害作用 |
| 3.3 振动持续时间的特性及其在振动危害中的作用 |
| 3.4 爆破振动危害机制 |
| 3.5 爆破振动监测工程实例 |
| 3.5.1 测试仪器及参数设置 |
| 3.5.2 爆破振动测试 |
| 3.5.3 对振动信号的傅里叶分析 |
| 3.6 本章小结 |
| 第四章 人工神经网络及随机森林算法 |
| 4.1 人工神经网络 |
| 4.1.1 误差反向传播算法 |
| 4.1.2 主成分分析法 |
| 4.1.3 微粒群优化算法 |
| 4.2 随机森林算法 |
| 4.3 本章小结 |
| 第五章 爆破振动质点速度与主频预测技术的实现与对比 |
| 5.1 振动监测采集到的数据 |
| 5.2 基于PCA改进bp神经网络的爆破振动预测实现 |
| 5.3 基于PSO改进bp神经网络的爆破振动预测实现 |
| 5.4 基于随机森林的爆破振动预测实现 |
| 5.5 传统经验公式的爆破振动质点峰速预测 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（5）BP神经网络在爆破振动中的研究与应用（论文提纲范文）
| 1 BP人工神经网络 |
| 1.1 BP人工神经网络原理 |
| 1.2 BP神经网络理论计算 |
| 2 BP神经网络模型的建立 |
| 2.1 输入层个数的确定 |
| 2.2 隐含层神经元个数的确定 |
| 2.3 输出层神经元个数的确定以及网络模型的学习训练 |
| 2.4 工程爆破中BP神经网络模型的应用 |
| 2.5 对BP神经网络模型的修正 |
| 3 结论 |
（6）小净距交叉隧道开挖爆破振动监测及控制技术研究（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 研究现状 |
| 1.2.1 爆破振动传播特性及规律研究现状 |
| 1.2.2 爆破振动强度的预测研究现状 |
| 1.2.3 隧道爆破振动数值模拟研究现状 |
| 1.2.4 隧道爆破减振措施研究现状 |
| 1.3 主要研究内容和方法 |
| 1.4 技术路线 |
| 第2章 爆破振动基本理论及控制标准 |
| 2.1 爆破振动波的形成与传播 |
| 2.2 天然地震与爆破地震的异同 |
| 2.3 隧道接近度的划分 |
| 2.4 爆破荷载计算方法 |
| 2.5 爆破振动控制标准 |
| 2.6 本章小结 |
| 第3章 草帽山隧道试验段爆破振动分析 |
| 3.1 草帽山隧道概况 |
| 3.1.1 工程地质特征 |
| 3.1.2 水文地质特征 |
| 3.1.3 气象情况 |
| 3.1.4 地震烈度 |
| 3.1.5 隧道工程地质条件分析评价 |
| 3.2 试验段爆破方案 |
| 3.3 爆破监测仪器及现场监测 |
| 3.3.1 主要监测设备及分析软件 |
| 3.3.2 试验段爆破振动现场监测 |
| 3.4 爆破振动监测数据分析 |
| 3.4.1 爆破振动速度分析 |
| 3.4.2 爆破振动频率分析 |
| 3.5 交叉段重点监测范围 |
| 3.6 本章小结 |
| 第4章 数码雷管爆破振动试验 |
| 4.1 数码雷管概述 |
| 4.2 爆破振动试验 |
| 4.2.1 爆破振动试验概况 |
| 4.2.2 监测仪器 |
| 4.2.3 测点布置 |
| 4.3 监测结果分析 |
| 4.3.1 爆破振动速度分析 |
| 4.3.2 爆破振动加速度分析 |
| 4.3.3 爆破振动频率分析 |
| 4.3.4 爆破效果及评价 |
| 4.4 数码雷管缺点 |
| 4.5 本章小结 |
| 第5章 交叉隧道爆破振动数值模拟 |
| 5.1 计算模型的建立 |
| 5.1.1 模型建立及参数 |
| 5.1.2 动力荷载 |
| 5.1.3 边界条件和力学阻尼 |
| 5.2 动力分析过程 |
| 5.3 计算结果分析 |
| 5.3.1 振速分析 |
| 5.3.2 应力分析 |
| 5.4 本章小结 |
| 第6章 交叉段爆破控制方案及振动监测 |
| 6.1 交叉段爆破控制方案 |
| 6.2 唐张铁路隧道爆破振动自动化监测系统 |
| 6.3 监测结果分析 |
| 6.4 本章小结 |
| 结论和展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术成果 |
| 个人简历 |
| 致谢 |
（7）基于随机森林算法的爆破振速预测研究（论文提纲范文）
| 0 引言 |
| 1 随机森林算法理论 |
| 1.1 决策树 |
| 1.2 随机森林 |
| 1.3 理论要点 |
| 2 实验步骤 |
| 2.1 模型的训练 |
| 2.2 模型的预测 |
| 3结论 |
（8）邻近隧道爆破震速预测及控制方法研究（论文提纲范文）
| 1 工程背景 |
| 2 爆破震速预测方法分析对比 |
| 2.1 指数回归预测分析 |
| 2.2 神经网络预测 |
| 2.3 实测分析 |
| 3 爆破震速安全控制 |
| 4 基于GIS的爆破震速安全控制模块集成 |
| 5 结语 |
（9）桩孔开挖光面爆破技术应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 岩体爆破破岩机理研究现状 |
| 1.2.2 爆破开挖参数优化的研究现状 |
| 1.2.3 光面爆破技术应用研究现状 |
| 1.3 研究目标、内容、方法和技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法和技术路线 |
| 第2章 工程背景及开挖光面爆破方案 |
| 2.1 工程背景介绍 |
| 2.2 工程地质条件 |
| 2.2.1 桥区山体和岩土体结构 |
| 2.2.2 雅安岸边坡稳定性地质评价 |
| 2.3 开挖爆破总体方案 |
| 2.3.1 施工难点分析 |
| 2.3.2 桩孔开挖爆破设计原则 |
| 2.4 本章小结 |
| 第3章 光面爆破周边孔开挖爆破参数理论推导 |
| 3.1 引言 |
| 3.2 岩体爆破成缝机理的研究 |
| 3.2.1 岩体爆破开裂过程分析 |
| 3.2.2 岩体爆破裂缝扩展的分析 |
| 3.2.3 岩体爆破裂缝止裂分析 |
| 3.3 爆生气体准静压力分析 |
| 3.4 周边孔光面爆破参数理论推导 |
| 3.4.1 不耦合系数推导 |
| 3.4.2 线装药密度推导 |
| 3.4.3 实例计算 |
| 3.5 本章小结 |
| 第4章 BP及GA-BP神经网络优化开挖爆破参数 |
| 4.1 引言 |
| 4.2 BP神经网络简介 |
| 4.2.1 BP神经网络结构 |
| 4.2.2 BP神经网络的MATLAB工具箱函数 |
| 4.2.3 BP神经网络学习算法 |
| 4.3 BP神经网络模型建立 |
| 4.4 网络模型训练及优化结果分析 |
| 4.5 遗传算法GA优化BP神经网络 |
| 4.5.1 遗传算法概述 |
| 4.5.2 遗传算法的运算流程 |
| 4.5.3 遗传算法MATLAB工具箱介绍 |
| 4.5.4 GA对BP神经网络的优化设计 |
| 4.5.5 GA-BP网络训练及优化结果分析 |
| 4.6 本章小结 |
| 第5章 桩孔开挖光面爆破设计及其应用 |
| 5.1 爆破设计方案 |
| 5.1.1 爆破参数的选取 |
| 5.1.2 装药结构 |
| 5.1.3 起爆网络 |
| 5.2 桩孔开挖光面爆破效果分析 |
| 5.2.1 桩孔开挖光面爆破效果 |
| 5.2.2 爆破振动和数值模拟对比分析 |
| 5.2.3 爆破前后声波检测结果对比分析 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研实践 |
（10）GA改进BP神经网络在抗滑桩孔爆破开挖中的应用（论文提纲范文）
| 1 引言 |
| 2 GA-BP神经网络模型 |
| 2.1 BP神经网络设计 |
| (1)BP网络模型输入、输出参数 |
| (2)网络层数 |
| (3)隐含层节点数 |
| (4)学习率 |
| (5)训练误差 |
| 2.2 遗传算法对BP网络权值和阈值的设计 |
| 2.3 网络模型的学习算法 |
| 3 实例计算 |
| 3.1 网络模型的训练和预测 |
| 3.2 现场试验 |
| 4 结论 |
四、基于BP神经网络的路堑爆破对邻近民房安全预测的研究（论文参考文献）
- [1]地铁钻爆法施工对邻近建筑物的振动响应预测[J]. 冯小冬. 地下空间与工程学报, 2021(02)
- [2]岩体爆破环境效应预测的集成学习模型及工程应用[D]. 张西良. 中国科学技术大学, 2020(01)
- [3]群孔微差爆破的地表振动波形预测及其影响因素分析[D]. 刘小鸣. 华侨大学, 2020(01)
- [4]基于人工神经网络和随机森林算法的爆破振动预测研究[D]. 王毅. 广西大学, 2020(04)
- [5]BP神经网络在爆破振动中的研究与应用[J]. 冷智高,李祥龙,程明,宋春辉,陶子豪. 有色金属(矿山部分), 2019(06)
- [6]小净距交叉隧道开挖爆破振动监测及控制技术研究[D]. 苏建遥. 河北建筑工程学院, 2018(02)
- [7]基于随机森林算法的爆破振速预测研究[J]. 张吉勇,付玉华,周俊. 化工矿物与加工, 2018(04)
- [8]邻近隧道爆破震速预测及控制方法研究[J]. 胡少宏,刘拓,于春江,陈超. 煤炭技术, 2018(03)
- [9]桩孔开挖光面爆破技术应用研究[D]. 岳衡. 西南交通大学, 2016(10)
- [10]GA改进BP神经网络在抗滑桩孔爆破开挖中的应用[J]. 岳衡,韩翔宇,张继春,潘强,李鹏川,阳陶. 工程爆破, 2016(02)