人工神经网络与遗传算法在岩石力学中的应用
基于人工神经网络模型的岩石特性预测
基于人工神经网络模型的岩石特性预测陈晓君;陈小根;宋刚;陈根龙【摘要】近年来,软计算技术被用作替代的统计工具.如人工神经网络(ANN)被用于开发预测模型来估计所需的参数.在本研究中,通过利用冲击钻进过程中的一些钻进参数(气压、推力、钻头直径、穿透率)和所产生的声级,建立了预测岩石性质的神经网络模型.在实验室中所产生的数据,用于开发预测岩石特性(如单轴抗压强度、耐磨性、抗拉强度和施密特回弹数)的神经网络模型,并使用各种预测性能指标对所建模型进行检验,结果表明人工神经网络模型适用于岩石性质的预测.【期刊名称】《探矿工程-岩土钻掘工程》【年(卷),期】2019(046)001【总页数】5页(P34-38)【关键词】声级;钻头参数;人工神经网络;岩石特性【作者】陈晓君;陈小根;宋刚;陈根龙【作者单位】中国地质科学院勘探技术研究所,河北廊坊 065000;北京科技大学土木与资源工程学院,北京 100083;中国地质科学院勘探技术研究所,河北廊坊065000;中国地质科学院勘探技术研究所,河北廊坊 065000【正文语种】中文【中图分类】P634.1;TU4520 引言神经网络是解决许多实际问题的有力技术，它可以作为一个直接代替自相关分析、线性回归、三角函数、多元回归等的统计分析方法[1]。
ANN在岩石力学上的应用并不新鲜。
例如，葛宏伟等[2]在研究岩石性质时采用了人工神经网络与遗传算法。
Sirat和Talbot[3]利用ANN在瑞典东南部的Aspo硬岩石实验室(HRL)对水晶岩石不同裂缝的模式进行了识别、分类和预测。
Sonmez等人[4]通过使用多输入参数方法构建了一个人工神经网络模型，以预测完整岩石的弹性模量，并提出了一个基于岩石质量等级(RMR)的经验公式，用于确定岩体的变形模量。
魏丽萍[5]在开发利用人工神经网络研究岩石力学性质中发现，使用ANN构建这些模型比使用传统的统计技术更准确。
Zborovjan和Miklusova等人[6-7]利用傅里叶变换进行了钻进中的声音识别研究，通过钻井的声学信号控制岩石破碎过程，取得了成功。
结合改进的遗传算法的BP人工神经网络岩爆预测研究
嬗 勘测 设计
结合改进的遗传算法的Ｂ Ｐ人工神经网络岩爆预测研究
．
胡德 福
广州 ５００） １６ ０
（ 中铁 四院集团广州设计院有限公司
【 摘
要 】 首先对 ＢＰ人 工神 经 网络模 型进行 设计 ， 定 网络 的结构 及 参数 。 于 Ｂ 确 鉴 Ｐ人 工神 经 网络 的相
关不足 ， 遗传 算法 与 Ｂ 将 Ｐ神 经 网络结 合起 来 ， 用 遗传算 法优化 Ｂ 运 Ｐ神 经 网络 的 阈值 ， 使得 预 测更 为精
｛Ｊ 玎
） 岩 石 单ｊ 、
。
／－ 、 ｏ） 以及 弹
＿■ 瞄
铁 勘 道
结 合 改进 的遗 传 算 法 的 Ｒ 工 神 经 网络 岩 爆 预 测 研 究 Ｐ人
胡 德 福
◇
ｒ ａｎ
＿
狮
了 进 化 的 步 伐 。 同 样 的 在 变 异 操 作 中 也 加 入 小
生 境遗 传 算 法 ， 变 异 前 的父 本 与变 异 后 的 子代 将 进 行 适 应 度 值 比较 。适 应 度 值 高 的 进 入 下 一 代
确 。 随后 结合 实际工程 ， 验 Ｂ 检 Ｐ人 工神 经 网络 预 测程序 的可 靠性 。 【 关键词 】 Ｂ Ｐ人 工神 经 网络 遗传 算法 ｍａａ 岩 爆预 测 ｔｂ ｌ
经 网络 的输 入层 神经 元 。并结 合 Ｂ Ｐ人工 神 经 网
１Ｂ Ｐ人工 神 经 网络 拓 扑 的确 定
—
一
ｅ ｄ — 将选 出的好 的样 本加 入 总样本 中 ｎ—
３工程应用实例运 用及结果分析
在 确定 了Ｂ Ｐ人工 神经 网络 的输 入层 ， 隐层 ， 输 出层及 传 递 函数 。并 确定 了遗 传算 法 的各 性 能 参
基于计算智能的岩土力学模型参数反演方法及其工程应用共3篇
基于计算智能的岩土力学模型参数反演方法及其工程应用共3篇基于计算智能的岩土力学模型参数反演方法及其工程应用1岩土力学模型参数反演方法及其工程应用岩土力学是土力学和岩石力学的综合学科，主要研究土体和岩石的力学性质以及它们在工程中的应用。
岩土力学模型的建立是研究和解决工程实际问题的基础，而岩土力学模型参数反演则是建立岩土力学模型的关键。
因此，岩土力学模型参数反演方法及其工程应用对岩土工程的发展和实践具有重要意义。
传统的岩土力学参数反演方法主要采用经验公式、试验以及经验拟合等方法，其缺点是需要大量的试验数据，而且依赖于试验条件、试验设备等因素，存在局限性。
因此，近年来计算智能技术作为一种新型的参数反演方法在岩土力学中得到了广泛应用。
计算智能是一种基于人工智能的技术，它包括神经网络、遗传算法、模糊逻辑、粒子群算法等一系列方法。
这些方法可以模拟人类的智能行为，有效地解决复杂的参数反演问题。
下面就介绍几种常用的计算智能方法及其在岩土力学模型参数反演中的应用。
1. 神经网络方法神经网络是一种基于模拟人类神经系统的计算模型，它由大量相互连接的节点组成，具有自组织、自适应、自学习的能力。
在岩土力学模型参数反演中，可以通过构建神经网络模型，将输入数据与输出数据建立关系，通过训练得到神经网络的权值系数，进而实现参数反演的目的。
2. 遗传算法方法遗传算法是一种模拟生物进化过程的优化方法，它通过基于种群的搜索方法，不断地迭代求解出最优解。
在岩土力学模型参数反演中，可以通过构建目标函数，采用遗传算法不断地优化，得到最优化的参数组合。
3. 模糊逻辑方法模糊逻辑是一种模糊集合和逻辑运算的理论，它可以描述模糊和不确定的信息。
在岩土力学模型参数反演中，可以通过构建模糊逻辑模型，将模糊的输入映射到相应的模糊输出，然后对模糊输出进行模糊推理，得到具体的参数结果。
上述几种计算智能方法在岩土力学模型参数反演中已经得到了广泛的应用。
例如，神经网络方法可以用于预测土体的索力位移关系、强度参数等，遗传算法方法可以用于优化土体材料的力学性质，模糊逻辑方法可以用于评价土体的稳定性和安全性。
岩体隧道施工过程智能辅助决策系统的实现
第２ １卷
第 ４期
２０ ０ ２年 ４月
岩石 ｏｋ ｃａ 学报 ｎ ｉｅｒ ｇ Ｃ ｉｅｅ ｏｒａ Ｒ ｃ Ｍｅｈｎｃ ｄＥ ｇｎｅｉ ｈｎｓ ｕｎ ｌｆ 力学 与工程ｉ ａ Ｊ ｏ ｓｎ ｎ
２（ ： ９￣５４ １ ） ５０ ９ ４
文献标识码 Ａ
文章编号 １０ ．９ ５２０ ）４０ ９ ．５ ０ ０６ １（０ ２０ ．５ ００ －
求 隧道 施 工决 策系 统不 仅要综 合 工程师们 在 施工 各
１ 引
言
个步骤 中的经验，还要包含新技术及对原有技术的 改进。对此，本系统在构思与总体设计时做了必要
的考虑 。另 外 ，系 统决 策 的施工方 法 的选择工疗法选择系统 是在 专 ｊ 基 家 经验 、模拟 专家 处理 问题 的推理 过程 的基 础上 决 策 的 ，在实 际工程 中 ，决策 结果根据 需 要也 可进行 必要 的定量 分析 与验证 。
中应 注意 的 问题 等 ．从 而 使用 户能够 更 好地 应用 该 系统．进行支护设计：（ ２ ）建库帮助 ．因为本系统 在 开发过程 中采 用 的是面 向对 象 的编程 语 言 Ｖｓａ ｉ ｌ ｕ Ｃ 而 不 是传统专 家系 统 开发通 常采 用 的人 工智 能 ． 语 言 ．因而 对知 识库 的表 示方 式有 一定 的要 求 ，该 帮助 子系 统就 是用 于 帮助 了解如 何构 造 知识 库 。
／ ｒｔ ２ ０ ． ｉｔ ０ ２ ｐ
岩体 隧道施工过程 智能辅助决策系统 的实现
王述红 朱浮 声 张 凯 刘 斌
（ 东北 大 学蚤 醅与土 本工程 学 院 沈 阳 ｔｏ ￣） ｔｏ ６
摘要
在总结 以往施工知识的基础上 ，采用现 有的计算机面向对象编程技术 ，开发研制 了公路隧道开挖过程 智能
岩石力学中的神经网络法
1 人工神经网络简介 2 人工神经网络模型 3 人工神经网络在岩体工程中的应用 4 神经网络法在岩爆中的应用
1 人工神经网络简介
• 人工神经网络是反映人脑结构及功能的一种数学抽象模型，用 数理方法和从信息处理的角度对人脑神经网络进行抽象，建立 某种简化模型，用大量神经元节点互连而成的复杂网络，模拟 人类进行思维与存储以及利用知识进行推理的行为。神经网络 不需要建立反映系统物理规律的数学模型，比其他方法更能容 忍噪声，并且具有极强的非线性映射能力，对大量非结构性、 非精确性规律具有自适应功能。 • 神经网络基于生物神经的模拟具有如下特点：1)自组织、自学 习、自适应和容错性；2)模糊的和随机的信息；3)能进行大规 模的并行处理；4)信息处理和信息存储合二为一。
• 3.6人工神经网络在地铁隧道工程中的应用 神经网络方法在隧道工程中主要用于预测隧道施工引起的 地表变形和隧道围岩的变形。
• 3.7人工神经网络在本构关系中的应用 谭云亮等建立了径向基函数神经而且逼近 速度快、稳定性好。
4 神经网络法在岩爆中的应用
基于MATLAB，采用三层BP网络结构， 选取地下硐室围岩最大切向应力与岩 石单轴抗压强度比值、岩石单轴抗压 强度和抗拉强度比值和岩石冲击性倾
向指数3个因素作为输入层神经元，
并将输入进行归一化。输入层取2个 神经元，以表示岩爆类型。
注：孟陆波,李天斌,王震宇.基于 MATLAB 神经网络工具箱的岩爆预测模型. 贾义鹏，吕 庆，尚岳全.基于粒子群算法和广义回归神经网络的岩爆预测.
• 3.4人工神经网络在边坡工程中的应用 边坡工程可以看成是开放式广义工程体系，其本身具有高 度的复杂性非线性，传统的线性化模型无法准确描述这种特性。 边坡稳定性受众多因素的制约，归纳起来主要有以下几方面 : 地形因素、岩体因素、地震作用、水的作用、人为因素等。各 影响因素与边坡的稳定性存在复杂的非线性关系。 • 3.5人工神经网络在基坑工程中的应用 用人工神经网络预测基坑变形主要有两类，一类是建立影 响基坑变形的各因素与位移间的神经网络模型。其二, 将变形 监测数据视为一个时间序列，根据历史数据找出系统演变规律， 对系统的未来发展趋势进行预测。
aps中应用的ai算法
aps中应用的ai算法在APS（Advanced Planning and Scheduling）中，应用的AI算法有很多种，它们的目标是提高生产计划和调度的准确性、智能性和效率。
下面将介绍一些常见的AI算法，以及它们在APS中的应用。
1.遗传算法（Genetic Algorithm）：遗传算法是一种模拟自然界进化过程的优化算法，通过模拟基因的交叉和变异来搜索最优解。
在APS中，遗传算法可以应用于生产计划和员工排班的优化，以找到最佳的生产顺序或最优的员工安排，从而提高生产效率和资源利用率。
2.人工神经网络（Artificial Neural Network）：人工神经网络是一种模拟人脑神经元网络的计算模型，通过训练和学习数据来识别模式和进行预测。
在APS中，人工神经网络可以用于销售预测、库存控制和需求预测等方面。
通过对历史销售数据进行训练，人工神经网络可以预测未来的需求量和销售趋势，以便及时调整生产计划和库存策略。
3.支持向量机（Support Vector Machine）：支持向量机是一种通过寻找最优超平面将样本进行分类的机器学习算法。
在APS中，支持向量机可以应用于生产缺陷预测和质量控制。
通过对历史数据进行训练，支持向量机可以识别潜在的生产缺陷和质量问题，从而及时采取措施避免生产故障和质量事故。
4.深度学习（Deep Learning）：深度学习是一种基于人工神经网络结构的机器学习方法，它通过多层次的神经网络结构进行特征提取和模式识别。
在APS中，深度学习可以应用于图像识别和视觉检测，以实现自动化的生产线监控和质量控制。
通过训练深度神经网络，可以实现对产品的自动检验和分类，从而提高质量检测的准确性和速度。
5.强化学习（Reinforcement Learning）：强化学习是一种通过试错和反馈机制来优化行为的机器学习方法。
在APS中，强化学习可以应用于生产调度和作业分配的优化。
通过模拟不同的生产调度方案，并根据实际情况给予奖励或惩罚，强化学习可以逐步学习到最优的调度策略和作业分配方案。
遗传算法在人工智能中的应用
遗传算法在人工智能中的应用遗传算法是一种计算机智能的方法，它将进化论的思想应用到问题求解中。
它通过对问题空间进行搜索，来找到最优或接近最优的解。
遗传算法具有很强的优化能力和适应性，适用于很多领域。
在人工智能领域，遗传算法也有广泛的应用。
一、优化问题遗传算法在人工智能领域内最常用的应用是优化问题。
例如，在机器学习中，我们希望找到最优的模型参数来使其在测试数据集上表现最好。
遗传算法就可以用来优化这些参数。
另外，它也可以用来在神经网络中优化权重和偏置。
我们可以将每个权重和偏置看做某个个体的基因，然后用遗传算法来选择和进化那些更好的个体，来提高神经网络的性能。
遗传算法也可以用来解决组合优化问题，例如旅行商问题，背包问题等。
遗传算法可以用来寻找最合适的解决方案，使成本最小化或效益最大化。
这种方法还可以将不同的约束条件嵌入到算法中，以更好地匹配实际问题。
三、深度学习中的初始化在深度学习中，初始权重的选择对训练神经网络的效果有很大的影响。
遗传算法可以用来选择更适合的初始化参数，从而加速学习并提高性能。
这种技术通常被称为遗传算法初始化。
四、神经架构搜索除了优化问题之外，遗传算法还可以用来搜索神经网络架构。
这是一种自动化设计新颖神经架构的方法。
遗传算法可以尝试使用不同的拓扑结构、激活函数、层的深度和宽度等，然后用一种评估方法来选择最佳的结构。
这种方法可以节省大量的人工设计时间，并且还可以了解到神经网络的设计机理。
综上所述，遗传算法是人工智能领域中非常有用的技术之一。
它可以在各种情况下彻底解决优化和搜索问题，并且在实践中获得了广泛的应用。
遗传算法与神经网络的结合
遗传算法与神经网络的结合近年来，随着人工智能领域的迅猛发展，遗传算法和神经网络分别作为两大重要技术，逐渐受到了研究者们的广泛关注。
遗传算法是通过模拟自然界中的进化思想，通过模拟生物遗传和进化的机制来搜索最优解的优化算法。
而神经网络则是模拟人脑神经元运作机制，通过输入输出之间的连接和权值来实现模式识别和计算的一种计算模型。
本文将探讨，以期在人工智能领域取得更好的应用效果。
首先，我们来看一下遗传算法和神经网络各自的优势。
遗传算法以其自动优化的特点被广泛应用于求解复杂问题。
它通过自然选择、交叉和变异等操作，将种群中适应度高的个体不断进化，从而找到最优解。
遗传算法在解决复杂、多变量问题时表现出了强大的优势，能够搜索到全局最优解。
而神经网络则以其强大的模式识别和学习能力而著称。
它通过神经元之间的连接和权值的调整，实现了对复杂非线性问题的建模和解决。
神经网络在图像识别、语音识别和自然语言处理等领域都取得了显著的成果。
然而，单一的遗传算法或神经网络在某些问题上可能存在局限性。
对于遗传算法而言，其搜索过程是基于群体的，可能会陷入局部最优解。
对于神经网络而言，其训练过程相对较慢，且对于参数的选择较为敏感。
为了克服这些问题，研究者们开始将遗传算法与神经网络相结合。
方式有多种。
其中一种常见的方式是通过遗传算法来优化神经网络的结构或参数。
在神经网络的训练过程中，通过遗传算法对神经网络的权值和偏置进行搜索和优化，以提高神经网络的性能。
另一种方式是将遗传算法的进化机制应用于神经网络的学习过程中。
通过模拟遗传算法的选择、交叉和变异等原理，对神经网络的连接结构和权值进行调整，以实现对神经网络的自适应调节和优化。
能够发挥二者的优点，弥补各自的不足。
首先，通过遗传算法的全局搜索能力，可以有效克服神经网络陷入局部最优解的问题。
其次，通过神经网络的模式识别和学习能力，可以提高遗传算法的搜索效率，使得算法能更快地找到最优解。
此外，还能够应对复杂问题，实现更复杂的模型和解决方案。
遗传算法在机器学习中的应用
遗传算法在机器学习中的应用随着信息时代的到来，计算机科学的发展也日新月异。
其中，机器学习作为人工智能领域的主要研究方向之一，受到越来越多的关注。
在机器学习中，如何有效地优化模型和算法，一直是科学家们关注的热点问题。
而遗传算法作为一种模拟生物进化过程的搜索算法，能够在机器学习中有效地解决优化问题，取得了显著的成果。
本文将深入探讨遗传算法在机器学习中的应用。
一、遗传算法基础概念遗传算法是一种基于自然遗传过程的搜索算法，是模拟生物进化过程的一种编程方法。
其中，遗传算法的搜索过程是通过对一组不同的解决方案不断进化优化，获得最优解的过程。
在遗传算法中，每个可能的解被表示成一组染色体（Chromosome）。
染色体由若干个基因（Gene）组成，实际上就是一组二进制编码。
每个基因对应了染色体编码中的一个位。
基因一般用0或1表示。
例如，假设有一组染色体代表了一个优化问题的解。
其中，每个基因可以取0或1的值，一个染色体可能是这样的：101001。
为了更好的表示这个染色体，我们可以将它转化成实数，即101001→41（十进制数）。
这样，整个优化问题就被转化成了一个求解实数最优值的问题。
在遗传算法的每一代中，种群中的个体都会根据其适应度进行选择、复制和交叉操作。
这样就形成了新的种群，在新种群中的每个个体都是由原来的个体进化而来，且具有各自的优秀性质。
如此往复，直到达到设定的停止条件，即达到最优解或达到最大的迭代次数。
二、在机器学习中，遗传算法的应用主要是优化模型和算法的参数。
通过不断地调整模型参数，以达到最佳的学习效果。
以下将介绍最常用的两种遗传算法在机器学习中的应用情况。
1. 遗传算法在神经网络学习中的应用神经网络在深度学习中具有非常广泛的应用。
但在实际应用中，神经网络的性能往往受到多个参数的影响，如层数、神经元数目、学习率等。
为了获得最佳性能，需要通过多次试验和调整来确定参数。
而遗传算法是一种能够对这些参数进行优化的有效的算法。
遗传算法BP神经网络在隧洞围岩分类中的应用
关 键 词 ： 工 神经 网络 ， 人 围岩 ， 类 分
中图分类号 ： Ｐ ８ Ｔ １３
文献标识码 ： Ａ
人工神经网络（ ＮＮ） Ａ 具有非线性 、 高维性 、 大规模并行 处理 、 ＪＨ． ｏａ ｄ ． Ｈ ｌｎ 教授提 出的ｌ 。Ｇ ｌ ２ Ａ在寻优过程 中 ， 以在高维可行 可 信息分布 、 联想 、 记忆 和容错 等特征 ， 在预测 高复杂度的非线性时 解空间随机产 生多个起 始点并 同时开始搜索 ， 以适应 度函数来指
逻辑余
逻辑并
次方
逻辑否
包含某一字段
素 叠加 产生一个新 的要素层 的操作 ， 在制 图时一般 只用 到其 中的
区空间分析 ， 、 线 点空 间分析也是大 同小异 。
例如要把所有属性 中“ 面积” 小于 １０ ０的 区块 标为红 色 ， ０ 只 需在表达式输入“ 面积 ＜１００ ， 后在弹 出的对话 框 中“ ０”然 填充颜
遗传算法与神经网络的结合
遗传算法与神经网络的结合遗传算法与神经网络的结合近年来，遗传算法和神经网络作为两大优秀的计算模型，分别在优化问题和机器学习领域取得了显著的成果。
然而，两者在独立应用时也存在一些局限性。
遗传算法对于问题解空间的搜索能力较强，但对于复杂问题的建模能力有限；而神经网络能够通过学习大量数据来完成复杂任务，但其优化过程容易陷入局部最优解。
为了充分发挥二者的优势，研究者开始尝试将遗传算法和神经网络相结合，以期构建更强大的计算模型。
遗传算法是模拟达尔文进化论的一种进化计算模型。
它通过模拟自然选择、交叉、变异等操作，对解空间进行搜索，并通过不断优化适应度函数来找到最优解。
而神经网络是一种模仿人脑神经元结构的计算模型。
它通过大量神经元之间的连接和较强权重的学习来实现对输入数据的高度抽象和复杂关联的识别能力。
两者结合后能够充分发挥遗传算法全局搜索和神经网络学习能力的优点。
首先，遗传算法可以用于优化神经网络的结构和参数。
在传统神经网络中，网络结构和参数的设置往往需要专家经验和大量试错。
而通过使用遗传算法的搜索策略，可以将神经网络的结构和参数设置为一个优化问题，并通过适应度函数来评估不同设置的性能。
遗传算法可以自动地搜索最优的神经网络结构和参数组合，并通过交叉、变异等操作进行优化。
这种结合方式不仅能够减少人工调参的工作量，还能够有效提高神经网络的性能。
其次，神经网络可以用于加速遗传算法的搜索过程。
在传统遗传算法中，每个个体的适应度需要通过评估问题域中的函数值来计算，这往往需要耗费大量的时间和计算资源。
而通过引入神经网络，可以将问题域中的函数映射到神经网络的输入输出空间中，然后利用神经网络的快速计算能力来获取每个个体的适应度。
这样一来，遗传算法可以通过神经网络的帮助加速搜索过程，从而降低时间和资源的消耗。
此外，遗传算法和神经网络的结合还能够应用于更复杂的问题中。
在某些实际问题中，仅仅使用神经网络或遗传算法无法满足需求。
例如，在机器学习中，某些高维、非线性和多模态的问题往往难以通过单一的神经网络来解决；而传统遗传算法在解决此类问题时需要庞大的搜索空间和优化时间。
岩石力学反问题的人工神经网络实现
按照传统的岩土工程设 计过程 ，要先 确定支 护结 构上
的 载 荷 ，这 是 一 个 很 困 难 的 问题 。地 下 支 护 结 构 所 承 受 的
载 荷 事 先 不 知 道 ，这 取 决 于 结 构 与 岩 体 的 相 互 作 用 ， 其 大 小 及 分 布 规 律 与 岩 体 性 质 、原 始 地 应 力 场 、支 护 刚 度 及 时
比较 成 熟 的 模 型 求 出 与 实 际 变 形 规 律 最 接 近 的 最 佳 模 型 ，
各向异性、流变性 质 等 特性 ，更 重 要 的是 岩体 是裂 隙体 ，
即 其 中 含有 断层 、节 理 、裂 隙 等 结 构 面 。 因 此 ， 至 今 也 未
这就是模 型辨识 ，有 了精确 的模 型 和原始 地应力 ，再按 传 统 的正问题求 法可以预 测开挖 所引起 的各种 变形及 力学 行 为 。实践证 明利 用位移 反分析 ，可以在 可靠 性较高 的结 构
检 验 … 正 演 分 析 及 预 测 的科 学 设 计 与 施 工 循 环 系 统 。 因 此 岩 石 力 学 反 问题 也 越 来 越 受 到 人 们 的 重 视 。
作 为输入 ，也可看作是待识别参 数。 参数辨识的方法有 很多 ，如 传统 的 以第 一类 准则 函数
为 基 础 的 最 小 二 乘 法 、加 权 最 小 二 乘 法 ； 以 第 二 类 准 则 函 数 为 基 础 的 最 小 方 差 法 、极 大 似 然 法 、 贝 叶 斯 法 等 。 这 些 方 法 大 都 存 在 分 析 模 型 复 杂 ，求 解 难 度 大 的 问题 ，近 代 发
遗传算法和人工智能的应用
遗传算法和人工智能的应用近几年来，随着人工智能技术的不断发展与普及，遗传算法也逐渐成为了人工智能领域中的一种经典算法。
遗传算法是一种基于模拟生物基因演化过程的一种优化算法，它主要的思想是通过优胜劣汰、交叉和突变等操作来生成新的解，并逐步趋于最优解。
与传统的优化算法相比，遗传算法具有求解复杂问题高效的优点。
在人工智能的应用中，遗传算法被广泛地应用于机器学习、优化问题以及实时决策等领域。
下面将从三个方面来详细讨论遗传算法与人工智能的应用。
一、机器学习遗传算法在机器学习领域中的应用主要是优化算法的研究。
机器学习模型中通常需要通过训练数据集得到模型的参数，而遗传算法则可以帮助我们优化这些参数，从而使得机器学习模型的表现更加优秀。
例如一些深度学习中的网络架构，如卷积神经网络（CNN）和递归神经网络（RNN）等模型有大量的可调节参数，而这些参数的数量很容易达到几百万甚至几千万级别。
如果采用传统的优化算法进行调节会非常耗时，而采用遗传算法就能够大大提高调节效率。
二、优化问题遗传算法广泛应用于解决各种优化问题，如函数优化、组合优化、网络优化和最优化控制等。
遗传算法结合了自然进化和计算机技术，通过代代交叉和优胜劣汰，可以在每一代的解空间中搜索最好解。
这种方法非常适用于那些解空间庞大、难以预测的问题。
例如，在汽车工业中，为了使得汽车的性能更加出色。
设计师需要对汽车的形态进行优化。
传统的人工设计需要耗费大量的时间和人力，而采用遗传算法进行汽车形态优化，可以在较短时间内生成多个优化后的方案，并选择最优解进行改进，大大提高了汽车设计的效率。
三、实时决策遗传算法的快速自适应能力使得它成为处理实时决策问题的理想选择。
例如，在智能交通系统中，遗传算法可以用于优化交通流量的控制策略。
在实时交通管理中，遗传算法可以通过对车辆路况的实时监测和分析来生成最优路线，从而避免交通堵塞，优化交通流量。
另外，在电信业中，遗传算法也被广泛应用于网络拓扑优化和多目标优化问题。
地下工程中基于人工神经网络的岩爆预测
一，
）’ ， 以及 网络 的输 出 Ｙ ＝ （ 一，ｍ）， Ｙ ｙ Ｔ 所采 用
维普资讯
２
湖 南有 色金属
第２ ３卷
神经 元 为一个 内部 隐神经 元 ， ： 则
Ｘ
『＝ ｆ１一 ） （
『 ２
（） ６
式 中 Ｚ 于与神 经元 处 于 同一 层 的全 部神 经 元 的 等 数 目， 内部神 经元 阀值可 以用 类似 的方法 来 调 整 ， 但 需假 设 这 些 阀值 是 与 附 加 值 定 常输 入 有 关 的连 接
Ｂ Ｐ神经 网络 原理 ， 建立 了一 种 能 够综 合 考 虑多 种 因 素 、 少人 为 因素 的更 具客 观 性 和通 用性 、 减 预测 精度
更高 的岩爆预测方法 ， 为地下工程岩爆倾 向性预测
提 供 了一条 新 的途径 。
广， 几乎 在所有 的地 下工 程如 采 掘业 、 电 、 电 、 核 水 铁 路 、 交通 等领域都 出现 过 岩 爆 。其 生成 环 境 、 公路 发
研究地 下工 程 岩 爆 等 非 稳 定 性 问题 ， 目的 在 于 对这 种 非 稳定 性 问题 进行 预 测 ， 以便 提 前 采 取 积极 的措施 ， 防安 全 事故 的发 生 。 岩爆 的预 测 可 分 为 预
两个 阶段或 两个层 次 ， 为 岩爆 的倾 向性 预 测 ； 为 一 二
度 和 造成 的破 坏 程度 相 差 很 大 ， 爆 作 为地 下 工 程 岩 的一 大危 害 ， 直接 威 胁 施 工 人 员 、 备 的安 全 ， 响 设 影
工 程进度 ， 如何有 效 地减轻 岩爆 引 起 的灾 害 ， 已成 为 世 界性 的地下工 程难 题之 一 。
人工神经网络技术及其在岩土工程领域的应用
实现人工智能（Artificial Intelligence ，AI ）是人类长期以来共同追求的目标[1]。
特别是21世纪以来，人工智能领域持续升温[2]。
作为AI 的一个重要分支，人工神经网络（Artificial Neural Network ，ANN ）是基于模仿生物大脑的结构和功能而构成的一种信息处理系统，可以代替人脑有效地处理一些复杂问题，从而推动AI 的发展。
ANN 是由大量处理单元即神经元互连而成的网络，也常简称为神经网络或类神经网络[3]。
本文首先介绍了反向传播（Back Propagation ，BP ）与径向基函数（Radial Basis Function ，RBF ）两种发展较成熟、应用较广的ANN 模型理论；其次介绍了与机器学习、深度学习有关的卷积神经网络（Convolutional Neural Networks ，CNN ）相关的ANN 模型理论；再次介绍了ANN 在岩土工程领域的应用，包括预测与监控等；最后给出对ANN 的总结与展望。
1BP 与RBF 神经网络模型1.1BP 神经网络原理与设计过程BP 神经网络是最传统的神经网络，也是目前应用最广泛的神经网络。
其模型的拓扑结构包括输入层、隐含层和输出层。
相邻层之间各神经元全连接，而同一层各神经元之间无连接[4]。
图1为BP 神经网络模型的拓扑结构示意图。
该神经网络的原理是先通过激活函数，结合阈值修正的线性加权和将各层连接起来；再根据所给的训练样本输入向量和输出向量，不断学习并调整神经元之间的连接权值与阈值，使网络不断逼近样本输入向量和输出向量之间的映射关系。
其训练过程实质上是信息正向传播与根据误差逆向修正权值和阈值的过程。
网络的设计过程无非是数据的输入与输出及反馈修正参数。
输入的数据常为对系统模型关键影响的自变量，在输入前通常要进行标准化处理和归一化处理。
各层之间数据输入与输出的过程以第i 个神经元为例，说明数据输入与输出的具体步骤。
数值方法与人工智能在岩土工程中的应用
《数值方法与人工智能在岩土工程中的应用》（博士生课程）试题专业：岩土工程姓名：孙歆硕学号：B200500311.简述数值分析的主要方法和原理，各自的优缺点和适用范围。
（40分）答：岩石力学数值分析方法主要用于研究岩土工程活动和自然环境变化过程中岩体及其加固结构的力学行为和工程活动对周围环境的影响。
目前的主要方法有有限元法、边界元法、有限差分法、加权余量法、离散元法、刚体元法、不连续变形分析法、流变方法等。
其中前四种方法是基于连续介质的方法，离散元法、刚体元法和不连续变形分析法是非连续介质力学的方法，流变方法则具有前两种方法的共性。
有限元法基于最小总势能变分原理，以其能方便的处理各种非线性问题，能灵活的模拟岩是工程中复杂的施工过程，因而成为岩石力学领域中应用最广泛的数值分析方法。
边界元法以表述拜特互等定理的积分方式为基础，建立了直接法的基本方程，而基于叠加原理建立了间接法的总体方程；引起前处理工作量少、能有效模拟远场效应而普遍应用于无界域或半无界域问题的求解。
其不足之处是对于非连续多介质、非线性问题，边界元法不如有限元法灵活有效。
有限差分法是将问题的基本方程和边界条件以简单、直观的差分形式来表达，使得其更易于在实际工程中应用。
尤其是近年来FLAC程序在国内外的广泛应用，使得有限差分法在解决岩石力学问题时愈来愈受到重视。
离散单元法是Cundall（1971）专门用来解决不连续介质问题的数值模拟方法，最初它的研究对象是岩石等非连续介质的力学行为，它的基本思想是把不连续体分离为刚性元素的组合，使每个刚性元素满足运动方程，用时步迭代的方法求解各刚性元素的运动方程，继而求得不连续体的整体运动形态，离散元法允许单元之间的相对转动、滑动乃至块体的分离，不一定满足位移连续和变形协调条件，尤其适合求解大位移和非线性问题。
王泳嘉（1986）首次向国内介绍了离散元法的基本原理及几个应用例子，将这一方法应用于矿山边坡的稳定分析，按裂隙、断层等结构面的切割情况并由计算机优化划分单元，得到了边坡破坏过程的动态分析。
神经网络与遗传算法结合在矿业评价中的应用
关键词：遗传算法：人工神经网络；区域产业：主导产业
中图分类号：
Ｔ ６ Ｄ７
文献标识码 ： Ａ
Ａｐ ｌ ａ ｉ ｎ ｏ ｅｃ ｍ ｂ ｎ ｔ ｎ ｏ ｅ ｅｉ ｌ ｏ ｉ ｍ ｔ ｒｉ ｃ ａ ｐ ｉ ｔ ｆｔ ｏ ｃ ｏ ｈ ｉ ａ ｉ ｆｇ ｎ ｔ ａ ｇ ｒｔ ｏ ｃ ｈ ｗｉ ａ ｔ ｉ ｌ ｈ ｉ ｆ ｎ ｕ ａ ｅ ｗｏ ｋ ｉ ｅａ ｐ ａ ｓ ｌ ｆ ｉ ｉ ｇ ｉ ｄ ｓｒ ｅ ｒ ｌ ｔ ｒ ｔ ｐ ｒ ｉａ ｎ ｎ ｕ ｔ ｎ ｎ ｈ ｏ ｍ ｎ ｙ
是区域主导产业评价 的新途径。但是，Ｂ 算法是 Ｐ 基 于梯度 的方 法…，其最 大缺 欠 是收敛 速度 慢 ，且
常 受到局 部极 点 的困扰 ，因而影 响 了预测 的精 度 。 如 果将 Ｂ Ｐ算法 与遗 传算法 结合 起来 ，便 可 以弥补 这 方面 的缺欠 。遗 传算 法（ ｅｅｉａ ｏｉ ｍ） 由美 Ｇ ｎｔ ｌ ｒｈ 是 ｃ ｇ ｔ 国密歇根 大 学的 ＪＨ ｌ ｎ 人创 立 的， 采用 解 的 ．ｏｌ ｄ等 ａ 它 种 群作 为工 作单元 ，使用 达 尔文生 物进 化 的适 者 生 存 原 则指 导搜索 并 改进 目标 【。每 一个 解 的质 量通 ２ 】 过 依赖 于 目标 函数 的适 应值 函数 来进 行评 估 ，搜 索 过 程 通过 代数 变 更（ 进化 ） 来进 行 ，每 代 中的个 体遗
函数 及各 指标 的权 重 。在人 工神 经 网络理 论 的基础 上 ，建立 区域 主导 产业 评价 的人工 神 经 网络 模 型 ，
１ 遗传算法优化网络初始权重
采用 遗传算 法优 化 网络初始 权 重 的方 法 ，来避 免 网络训练 落入 局部 极小 点 ，从而 提 高网络 的拟合 精度 和预报 精度 。虽然遗 传算 法所 从事 的工 作也是 在 训练 网络 权重 ，但其最 终 目的却是获 得神 经 网络
如何确定岩体的粘聚力c和内摩擦角φ
如何确定岩体的粘聚力c和内摩擦角φ岩质边坡设计计算时经常用到的两个参数：粘聚力c，内摩擦角φ。
岩块的粘聚力c，内摩擦角φ可以直接通过直剪、单轴压缩或三轴压缩试验确定，岩体的粘聚力c，内摩擦角φ《建筑边坡工程技术规范》GB50330-2002第4.5.4条规定：岩体内摩擦角可由岩块内摩擦角标准值按岩体裂隙发育程度乘以表4.5.4所列的折减系数确定。
表4.5.4 边坡岩体内摩擦角折减系数边坡岩体特性内摩擦角折减系数裂隙不发育 0.90～0.95裂隙较发育 0.85～0.90裂隙发育 0.80～0.85碎裂结构 0.75～0.80这里只给出了边坡岩体内摩擦角的折减系数，而没有提到岩体粘聚力的折减问题。
只有内摩擦角没有粘聚力怎么计算呢？后面的4.5.5条给出了等效内摩擦角的估算方法，用等效内摩擦角自然就不需要用粘聚力。
既然这样，4.5.4条的规定又danuel朋友上传的《三峡库区三期地质灾害防治重庆市江北区陈家馆危岩规划勘查报告》4.1.2.1岩体性质指标的标准值一节中提到“根据《工程地质勘察规范》DB50/5005-1998第8.3.1和第8.3.3有关规定：岩石物理指标标准值可视为岩体物理指标标准值；岩体内摩擦角标准值可由岩石内摩擦角标准值根据岩体完整性乘以0.80～0.95的折减系数确定；岩体粘聚力标准值由岩石粘聚力标准值乘以0.20～0.30的折减系数确定。
”我手头没有重庆市地方标准《工程地质勘察规范》DB50/5005-1998因此没有查到其原文，不过从筑龙上下到了重庆地标《工程地质勘察规范》DB50/5005-1998的升级替代版本重庆地标《工程地质勘察规范》DBJ50-043-2005。
在重庆地标《工程地质勘察规范》DBJ50-043-2005中我没有找到关于由岩块粘聚力和内摩擦角折减估算岩体粘聚力和内摩擦角的内容。
地方规范，不具有通用性，只能参考，1998已经废止，2005中删除了想关的内容，也没有添加新的规定。
遗传算法在神经网络结构优化中的应用
遗传算法在神经网络结构优化中的应用随着人工智能的不断发展，神经网络技术愈发重要。
神经网络中的结构对于算法的性能和鲁棒性有着极大的影响。
针对不同的问题，不同的神经网络结构会呈现不同的优势。
但是如何找到最佳的神经网络结构仍然是一个广泛关注的问题。
随着遗传算法的出现，它被广泛地应用在神经网络结构的优化中。
本文将介绍遗传算法在神经网络结构优化中的应用。
一、神经网络结构优化神经网络结构优化的目的是通过找到最优的神经网络结构来提高网络的性能。
以分类问题为例，网络的性能通常可以用分类准确率来衡量。
在结构中，包含了神经元的数量、层数、激活函数等组成要素。
但是结构的优化是一个十分困难的问题。
基于精密的数学模型的优化问题通常可以通过求解解析解的方法快速确定。
但是神经网络结构的优化问题相当复杂，无法用解析方法求解。
此外，神经网络的性能难以直接计算，通常需要通过训练集和测试集的分类准确率来进行预测。
所以，可以通过试错来寻找最佳的神经网络结构。
不过，这种方法往往需要大量的计算资源和耗费大量的时间。
因此，科学家们开始寻找一些更为有效的方法，来提高神经网络结构的优化效率。
二、遗传算法遗传算法是一种仿生算法，其灵感来源于生物进化过程中的基因遗传過程。
遗传算法的主要思路是通过创造“个体”、环境选择和遗传方法结合的方式，逐步迭代出更优秀的解决方案。
在经过多次迭代后，遗传算法能够找到最优解（或者达到更优近似解）。
基于遗传算法的优点，科学家们开始将其应用在神经网络结构的优化中。
以“群体创新”为核心思想的遗传算法可以大幅提高神经网络结构优化的效率。
三、遗传算法在神经网络的应用在神经网络结构的寻优过程中，遗传算法的主要任务是搜索最优的结构。
一般来讲，遗传算法选择的参数包括神经元的数量、网络的层数和激活函数等。
遗传算法通常考虑的是在上一代神经网络结构的基础上进行修改。
首先，遗传算法生成一组随机解，也就是神经网络结构的种群。
然后，对这一组解进行评估，并仅仅选择其中最优秀的结构。
专家系统在岩土工程中的应用综述
２专 家 系 统 的 原 理 和 结 构
２１ ． 专家系统的基本原理 专家系统 （ｘｅ ｔ ｓｓｅ ）是人工智能应用研究最活跃和最广泛的领域之一。１ ６ ｅｐｒ ｙ ｔｍ ９ ５年 第一个专家系统 Ｄ Ｎ Ｒ Ｌ在美国的斯坦福大学 问 ，它成功地解决 了有机化合物分子结构 Ｅ ＤＡ 世 的确定问题，系统达到 了与化学家 同等的研究水平。专家系统一直存在不同的定义ｎ，韦斯
息交换 ，为用户使用专家系统提供一个界面 良好的交互环境 。
３专家系统在岩土工程 中的应用
近年来 ，专家系统在岩土工程中的应用越来越普遍，其解决岩土工程问题的优势也越来
越明显。目前，专家系统在岩土工程中的应用研究主要有 以下几个方面。
３１专家 系统在岩 土 工程 知 识 工程 上 的研 究 ．
复杂 问题… 。
维普资讯
３ Ｏ
工 程 地 质 计 算 机 应 用
２０ 年 第 ２期 ０７
总 ４ ６期
专家系统可以概括为：专家系统＝ 知识库＋ 推理机 。 知识库 ：①知识的表示，产生式规则 （ Ｆ Ｔ Ｅ ） Ｉ Ｈ Ｎ ，谓词逻辑、框架 、语义网络、过程 性知识、剧本等。②知识的精度，精确知识 （ 原理性） 、不精确知识 （ 经验性 ） 。
推理机 ：推 理机＝ 搜索 ＋ 匹配 （ 言推理 ） 假
２ ２ 专家 系统的 结构 ．
如图 １ 所示 ，一个基本 的专家系统由知识库 、综合 数据库、推理机 、解释器 、知识获取和人机交互界面六
个部分组 成 。 其 中 ，知 识库是 专家 系统 的核 心 ，它 由事实 性和 启
发性的知识构成，专家系统的知识库是关于一个领域或 特定问题的若干专家知识的集合体 。综合数据库用于存 储有关领域问题的事实 、数据、初始状态和推理过程的
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2002年4月4日收到初稿，2002年6月17日收到修改稿。
* 吉林省科技发展计划项目(20030520)和教育部科学技术研究重点项目(02090)资助课题。
作者 葛宏伟 简介：男，27岁，硕士，2000年毕业于吉林大学数学系力学专业，现为博士研究生，主要从事计算智能方面的研究工作。
E-mail ：art21cn@ 。
人工神经网络与遗传算法在岩石力学中的应用＊葛宏伟1，2 梁艳春1，2 刘 玮3 顾小炯3(1吉林大学计算机科学与技术学院 长春 130012)(2国家教育部符号计算与知识工程重点实验室 长春 130012) (3吉林大学数学学院 长春 130012)摘要 岩石力学与岩石工程问题包含极其丰富的内容，实际工程问题又不断地提出各种新的要求，致使很多问题利用传统的方法难于解决。
借鉴其他相关学科的先进思想与技术来解决岩石力学研究中的难点问题，已经成为当前岩石力学研究领域的一个热门课题。
计算智能中有关模型与方法的利用有助于我们更深入地研究与解决岩石力学中的某些问题。
参考近年来人工神经网络与遗传算法在岩石力学应用中的某些问题，对有关课题的研究状况与进展做了介绍，对计算智能在岩石力学与岩石工程中的应用研究做了展望。
关键词 岩石力学，人工神经网络，遗传算法，识别，预测分类号 TP 183，TD 313 文献标识码 A 文章编号 1000-6915(2004)09-1542-09APPLICATIONS OF ARTIFICIAL NEURAL NETWORKS AND GENETICALGORITHMS TO ROCK MECHANICSGe Hongwei 1，2，Liang Yanchun 1，2，Liu Wei 3，Gu Xiaojiong 3(1College of Computer Science and Technology ，Jilin University ， Changchun 130012 China )(2Key Lab . of Symbol Computation and Knowledge Engineering ，The Ministry of Education ， Changchun 130012 China )(3College of Mathematics ，Jilin University ， Changchun 130012 China )Abstract The studied problems in rock mechanics and rock engineering are abundant. Various new requirements are coming out frequently in real engineering problems ，which cannot be solved using traditional methods. It has become a hot topic to use advanced ideas and techniques from other disciplines for reference to solve the difficult problems in rock mechanics and rock engineering. The application of models and methods in computational intelligence is beneficial to the solution of some problems in rock mechanics. Based on some problems in the current applications of artificial neural networks and genetic algorithms to rock mechanics ，some advances and research status are briefly discussed and reviewed. The prospects of the applied research in rock mechanics and rock engineering using computational intelligent are also discussed.Key words rock mechanics ，artificial neural network ，genetic algorithm ，identification ，prediction1 引 言当今的时代被称为信息时代，信息科学技术的快速发展和广泛渗透已经成为现今社会的一个重要的时代特征。
计算智能的研究与应用，是当前信息 科学的中心问题之一，并且已经开始渗透到各个学科之中[1]。
岩石工程的设计、施工和稳定性分析是第23卷第9期葛宏伟等. 人工神经网络与遗传算法在岩石力学中的应用 • 1543・ 个复杂的系统工程，且是动态的、非线性的和不可逆的。
上世纪90年代以来，人们注意到了信息时代的新的思维方式应用于岩石力学行为模拟中的优越性，很多岩石力学问题的研究已经从不同的角度、不同的侧面应用了计算智能的理论与方法，其中尤以人工神经网络与遗传算法的应用研究居多。
本文简要介绍了近年人工神经网络与遗传算法在岩石力学应用中的某些问题的研究状况及目前的研究进展，希望能够对于计算智能方法在岩石力学中的进一步深入研究与应用起到一定的推进作用。
2 人工神经网络与遗传算法简介人工神经网络(artificial neural network，ANN)理论是80年代后期在世界范围内迅速发展起来的一门解决非线性问题的科学。
人工神经网络是由大量的神经元广泛相互联结而成的复杂系统，它基于现代科学研究成果，能反映人脑思维的一些基本特性。
网络的信息处理由神经元之间的相互作用实现，知识与信息的存储表现为网络元件互连间分布的物理关系，网络的学习与识别决定于各神经元连接权系数的动态演化过程。
人工神经网络是一个高度非线性的超大规模连续时间动力系统，也是一个超大规模非线性连续时间自适应信息处理系统，同时它具有大规模分布处理及高度的鲁棒性和学习联想能力。
神经网络有很多网络模型，以BP(Back-Propagation)网络应用最为广泛。
在神经网络用于岩石力学的问题中，也是以采用BP网络模型居多。
BP网络由1个输入层，1个输出层和1至多个隐层组成。
每层包含若干节点(神经元)，层间节点通过权值连接，网络的训练由3部分组成，即输入信息的前向传播，误差的反向传播和连接权值的调整。
输入信号先向前传播到隐节点，经过作用函数后，再把隐节点的输出信息传播到输出节点，最后给出输出值。
传统的BP算法收敛速度慢，常需要成千上万次迭代，而且随样本维数的增加，网络的收敛速度会更慢。
但可通过加入动量项，利用高阶导数、共轭梯度法、递推最小二乘法以及神经元空间搜索法等对传统的BP算法进行改进[2]。
遗传算法(genetic algorithm)是一种模拟自然进化过程搜索最优解的方法。
它借鉴了生物界自然选择和自然遗传机制，是60年代美国密执安大学的J. H. Holland教授提出的[3，4]。
它基于达尔文适者生存，优胜劣汰的进化原则，对包含可行解的群体反复使用遗传学的基本操作，不断生成新的群体，使种群不断进化。
同时，以全局并行搜索技术来搜索优化群体的最优个体，以求得满足要求的最优解。
3 应用于岩石力学的背景岩体工程包括隧道工程、地下工程、边坡工程、地基工程、大坝及结构与岩体共同作用的工程等。
由于岩体材料的非均质、非线性、不连续性以及施工等因素的影响，人们对岩体在复杂条件下的变形破坏机理知之甚少，这就给解决这类工程问题带来了极大的困难。
加之岩石力学分析和模拟过程中存在大量的不确定性，所以，用解析方法求解岩石力学问题几乎是不可能的。
计算机技术在岩石力学和岩体工程中的推广和应用，为解决岩石力学问题提供了强有力的工具，但由于岩石力学问题本身的复杂性，利用传统的数值方法有时会遇到不可逾越的障碍，甚至无能为力。
计算智能方法因其固有的鲁棒性、学习联想能力、推广能力和全局搜索能力等优点，能够很好地弥补传统数值方法的不足，因此，能够为更好地解决岩石力学问题提供新的途径。
利用计算智能方法，能够把地质因素、工程因素与施工因素结合起来考虑，给出令人信服的决策结果。
4 人工神经网络在岩石力学中的应用岩石力学的研究对象是复杂的非均质、各向异性的岩体，其破坏特征受到开挖环境的影响，大多具有高度非线性，用预定的程式很难获得令人满意的结果。
神经网络以其连续时间、非线性、网络的全局作用、大规模并行分布处理及高度的鲁棒性和学习联想能力，为解决岩石力学问题提供了一种有力的工具，尤其在解决关于岩体力学非线性关系、参数识别、预测等方面的问题表现出巨大的潜力。
因而近年来受到相关研究人员的广泛关注，成为研究热点之一。
4.1神经网络在参数识别及应力分析中的应用在岩体工程中经常需要确定材料的弹性参数。
文[5]根据云峰大坝坝顶水平位移观测资料识别大坝混凝土和基岩的弹性模量，并通过对云峰大坝26• 1544 • 岩石力学与工程学报 2004年坝段坝顶水平位移的回归分析，得到坝顶水平位移水压分量与上游水位的关系，由此可以得到若干组相对位移，然后再利用有限元数值计算方法，求出每组相对位移所对应的弹性模量。
采用BP网络进行训练，最终结果与现场监测取芯结果是基本一致的。
文[6]利用BP网络，以埋藏深度和弹性模量作为输入向量，地应力参数作为输出向量，隐含层神经元12个。
用实测地应力作为样本，训练结束后，对不同深度和弹性模量值进行了地应力值的拟合，取得了很好的效果，说明利用人工神经网络对地应力的影响因素进行分析是可行的。
文[7]对层状围岩物性参数进行了数值模拟。
所取网络的输入层有5个神经元，隐层有11个神经元，输出层有4个神经元，用310个节点的四节点平面等参元建立要训练的数据样本。
数值模拟结果表明，人工神经网络技术可以有效地用于处理物性参数识别的问题。
文[8]建立了将离散元计算与神经网络预测相结合的模型，提出了边坡应力分析的新方法。
首先应用离散元计算不同的开采深度下的边坡岩体应力，然后将计算结果形成样本集，应用神经网络学习并进行推理，预测其他开采深度下的边坡岩体应力。
对已开挖的边坡岩体应力的验证结果表明，该分析模型方便合理，并能进一步推广用于预测未开挖的边坡岩体应力。
4.2神经网络在受多种复杂非线性因素作用下的岩石力学参数预测中的应用岩石力学中的影响因素非常多，有定量的，比如节理间距和组数、岩石和岩体的力学参数等。