1 概论 1
1．1 智能岩石力学产生的背景 1
1．1．1 岩石工程面临的新形式 1
1．1．2 以固体力学为基础发展起来的岩石力学面临的困难 1
1．1．3 人的智能的作用 6
1．1．4 思维方式的转变 6
1．1．5 探索中的新理论、新方法之一——智能岩石力学(IRM) 7
1．2 智能岩石力学的主要研究思路和内容 13
1．2．1 基本理论研究 13
1．2．2 基础技术研究 14
1．2．3 智能岩石工程学研究 14
1．3 智能岩石力学的若干新概念 15
1．3．1 人的智能、人工智能与智能岩石力学 15
1．3．2 机器学习 16
1．3．3 推理 16
1．3．4 全局优化 16
1．3．5 综合集成 17
1．3．6 螺进、自适应的闭环解法 17
1．3．7 融合模型 17
1．3．8 岩石力学全智能系统模型 18
1．3．9 开放系统 19
2 智能科学的若干基本理论 20
2．1 神经网络模型与学习算法 20
2．1．1 神经元的一般模型 21
2．1．2 人工神经网络的特点 22
2．1．3 神经网络的自学习方法 23
2．1．4 BP神经网络 24
2．2 遗传算法 28
2．2．1 概述 28
2．2．2 遗传算法的基本原理 28
2．2．3 基本的遗传算法 29
2．2．4 遗传算法的主要步骤 30
2．2．5 遗传算法的过程描述 32
2．2．6 遗传算法的特点 41
2．3 并行遗传算法 43
2．4 模拟退火算法 45
2．5 并行退火演化算法 47
2．6 分布式人工智能 48
2．7 知识发现和数据挖掘 50
3 岩石力学参数非线性关系的智能识别 52
3．1 岩石力学参数的智能识别方法 52
3．1．1 已知模型结构的岩石力学参数的智能识别 52
3．1．2 未知模型结构的岩石力学参数的智能识别 53
3．1．3 利用基于信息分形的神经网络重构 57
3．2 泥化夹层残余强度关系的智能辨识 60
3．2．1 粘土类泥化夹层残余强度 60
3．2．2 页岩和泥灰岩类泥化夹层残余强度 61
3．3 岩石节理力学参数的非线性估计 63
3．3．1 岩石节理开度的尺度效应 63
3．3．2 岩石节理开度的神经网络估计模型 64
3．3．3 岩石节理粗糙度的分形估计 66
4 智能位移反演方法 71
4．1 引言 71
4．2 基于进化搜索的智能位移反演方法 72
4．3 进化-神经网络位移反演方法 72
4．3．1 待反演参数与岩体位移非线性映射关系的确定 72
4．3．2 位移反分析目标函数 73
4．3．3 基于进化-神经网络的位移反演 74
4．3．4 方法的验证 74
4．4 三峡工程永久船闸高边坡的岩体力学参数的智能反演 76
4．4．1 三峡工程永久船闸布置概况 76
4．4．2 船闸区工程地质概况 76
4．4．3 17-17剖面地质地形条件 77
4．4．4 17-17剖面岩体的初始地应力场概况 77
4．4．5 17-17剖面开挖分区及监测点布置概况 79
4．4．6 17-17剖面岩体力学参数的反演 81
5 地应力的智能估计 89
5．1 引言 89
5．2 声发射数据的获取 89
5．2．1 岩石试件的制作 89
5．2．2 加载方法 90
5．2．3 AE测量方法 91
5．3 从声发射随应力演化的数据中识别Kaiser效应点(应力)的方法 94
5．3．1 神经网络模型的确定 94
5．3．2 训练和测试样本数据集 94
5．3．3 网络结构的自适应确定 97
5．3．4 Kaiser效应点(应力)的识别 98
5．4 地应力的估计实例 99
5．4．1 垂直地应力分量的估计 99
5．4．2 主应力的估计 102
6 岩体力学非线性动力学系统的智能辨识 104
6．1 引言 104
6．2 常微分方程数值解与动力学模型识别 105
6．3 岩石力学非线性动力学系统的智能辨识 106
6．3．1 问题的表达 107
6．3．2 多层前馈神经网络性能分析 108
6．3．3 遗传-神经网络建模方法 109
6．3．4 岩石力学非线性动力学系统行为的外推预测 110
6．4 边坡位移非线性时间序列的智能建模 111
6．4．1 卧龙寺新滑坡的变形 111
6．4．2 新滩滑坡的变形 116
6．4．3 三峡永久船闸高边坡与中隔墩岩体的变形 117
6．5 煤矿顶板来压非线性序列的建模 125
6．5．1 矿压显现实时自适应识别的神经网络建模与预测 126
6．5．2 矿压显现自适应识别的灰色系统建模与预测 129
6．5．3 小结 135
7 材料非线性本构模型的自适应识别 136
7．1 引言 136
7．2 神经网络材料本构模型 138
7．2．1 材料本构模型的神经网络表达 138
7．2．2 神经网络材料本构模型的结构 139
7．3 智能有限元方法 140
7．4 神经网络材料本构模型的自适应识别方法 142
7．4．1 神经网络材料本构模型的直接学习方法 142
7．4．2 神经网络材料本构模型的逐步改进学习方法 143
7．5 砂岩本构关系的识别 148
7．6 复合材料本构模型的识别 151
7．6．1 本构模型进化学习算法的原理 151
7．6．2 实例分析 151
7．6．3 结论 155
8 化学环境侵蚀下的岩石破裂特性及其智能辨识 156
8．1 引言 156
8．2 双抗扭条件下的岩石微破裂过程特性及其智能辨识 161
8．2．1 岩石微破裂特征的声发射测试 161
8．2．2 岩石微破裂过程的时间分形特征 167
8．2．3 岩石微破裂演化过程特征的智能辨识 177
8．3 三点弯曲条件下的岩石微破裂过程特性 186
8．4 三轴压缩条件下的岩石微破裂过程特性及其智能辨识 188
8．4．1 三轴压缩条件下的岩石微破裂过程的声发射测试 188
8．4．2 三轴压缩条件下的岩石微破裂过程的时间分形特征 190
8．4．3 三轴压缩条件下的岩石微破裂演化过程特征的智能辨识 192
8．5 单轴应力条件下的岩石微破裂过程特性 197
9 露天矿边坡稳定性的综合集成智能分析 199
9．1 引言 199
9．2 边坡稳定性分析的一种集成智能理论模型 200
9．3 影响露天矿边坡稳定性的因素 202
9．3．1 地质因素 202
9．3．2 边坡工程与开采方面的因素 205
9．4 边坡岩体质量分类 209
9．4．1 SMR分类方法 209
9．4．2 Barton的Q系统法 210
9．5 边坡角的神经网络估计 214
9．5．1 边坡角非线性映射的建立 214
9．5．2 神经网络模型预测能力的检验 219
9．6 破坏模式的智能识别 220
9．6．1 知识获取 220
9．6．2 边坡稳定性分析知识的综合表示 221
9．6．3 推理网络 226
9．6．4 推理方向 229
9．6．5 深度优先搜索 230
9．6．6 不确定性推理方法 232
9．6．7 边坡破坏模式的识别实例 236
9．7 边坡稳定性的综合智能估计 236
9．7．1 引言 236
9．7．2 边坡稳定性的神经网络估计 237
9．7．3 确定最小圆弧滑动面的遗传算法 245
9．7．4 基于实例的边坡安全系数的极大似然估计 248
9．7．5 基于实例的边坡安全系数的遗传算法估计 249
9．7．6 边坡稳定性估计的基于粗糙集的神经网络建模方法 252
9．7．7 边坡稳定性估计的基于模糊神经网络建模方法 257
9．8 边坡设计的进化 263
9．9 边坡稳定性分析综合集成智能系统 265
9．9．1 边坡稳定性的综合集成智能分析 265
9．9．2 边坡稳定性分析综合集成智能系统的结构 270
9．9．3 综合集成智能系统用户界面设计 271
9．10 工程应用 275
9．10．1 实例Ⅰ 275
9．10．2 实例Ⅱ 275
10 深部开采诱发的岩爆的智能风险估计 278
10．1 引言 278
10．2 关于岩爆及其控制措施的认识 279
10．2．1 岩爆机理的理解 279
10．2．2 岩爆的现场监测 280
10．2．3 岩爆控制的主要措施 280
10．3 岩爆与矿震事件的分形行为 282
10．3．1 矿震事件分布的空间分形分析 282
10．3．2 矿震事件分布的时间分形分析 282
10．3．3 矿震事件的尺寸分形分析 285
10．4 岩爆风险估计专家系统 286
lo．5 岩爆发生可能性识别的神经网络模型 290
10．5．1 碳化(Carbon leader)采场岩爆风险估计神经网络模型 290
10．5．2 VCR采场岩爆风险估计神经网络模型 294
10．5．3 隧道岩爆风险估计神经网络模型 294
10．6 防治措施识别 295
10．6．1 巷道岩爆防治措施的识别 295
10．6．2 采场的岩爆防治措施 295
10．7 岩爆风险估计的综合集成智能系统 295
10．7．1 综合集成智能系统模型 295
10．7．2 综合集成智能系统软件设计 297
10．8 综合集成智能系统的应用 300
10．8．1 应用实例1 300
10．8．2 应用实例2 302
10．8．3 应用实例3 302
10．8．4 应用实例4 302
10．8．5 应用实例5 305
11 结语 306
11．1 Internet 306
11．2 Internet的应用 306
11．3 全球范围内的协作是发展智能岩石力学的有效途径 309
11．3．1 利用Internet-神经网络进行示例转换模拟 309
11．3．2 在Internet上进行智能岩石力学协作研究 310
11．4 智能采矿控制工程力学 312
参考文献 313