下载文档原格式
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。
基于有限元分析的岩土体力学参数反演方法研究岩土体力学是研究岩石和土壤的力学性质以及它们在地下工程中的行为的科学。
了解岩土体力学参数对于地质灾害风险评估和地下工程设计至关重要。
但是，对于复杂的岩土体结构或者无法直接获取参数的情况下，如何准确地反演岩土体力学参数一直是一个挑战。
有限元分析（Finite Element Analysis，FEA）是一种广泛应用于工程领域的数值分析方法，能够模拟和分析复杂结构的力学行为。
在岩土工程中，有限元分析常用于研究岩土体的变形、破裂、稳定性等问题，并可提供一些参数的估计。
基于有限元分析的岩土体力学参数反演方法针对这一问题发展起来。
一、反问题的数学描述岩土体力学参数反演可以看作是一个反问题，即从已知的观测数据反推出参数。
假设有一个岩土体结构，其初始参数未知。
通过采集实验数据或者在该结构上施加一定的加载，可以获得一些离散的观测值，如位移、应力或应变。
岩土体力学参数反演的目标是根据这些观测值推断出岩土体的参数。
二、参数反演方法1. 试-验法（试验与计算相结合）：通过实验数据的采集和有限元计算结果的拟合，逐步调整模型的参数，以使计算结果与实验数据相吻合，从而得到逼近真实参数的估计。
试-验法常用于实验室尺度或小尺度的岩土体参数反演研究。
2. 直接反演法（无试验数据）：直接反演法是在无试验数据的情况下通过有限元分析模拟建立拟合模型，再根据该模型计算岩土体的力学响应并反推参数。
这种方法需要准确的前提条件和丰富的先验知识，适用于已知结构和力学行为的情况。
3. 优化算法：基于有限元分析的优化算法是一种常用的参数反演方法。
它通过调整模型的参数，以最小化模拟结果与实验观测值之间的误差。
常见的优化算法包括遗传算法、粒子群算法等。
这些算法能够全局搜索参数空间，提高了反演结果的准确性和稳定性。
三、基于有限元分析的岩土体力学参数反演案例1. 地基承载力反演：地基承载力是地下工程中常关注的参数之一。
改进型粒子群算法及其在GPR全波形反演中的应用戴前伟;陈威;张彬【摘要】探地雷达作为高精度的物探工作方法,其主要目的是反演解释地下结构的物性参数.笔者提出社会学习型粒子群优化反演方法,它以信号均方误差为目标函数,用时域有限差分方法作正演,并且针对反射波信号较弱、反演效果不佳的情况设计了对正演结果进行振幅补偿的方法,对反射波的振幅进行增益,以提高反演精度.通过与经典粒子群优化反演方法的结果对比,说明了该算法在准确度以及效率方面都有相当大的提高.经过分析多层介质仿真数据的一维反演结果,说明了该算法对多参数反演的有效性和良好的抗噪性.【期刊名称】《物探与化探》【年(卷),期】2019(043)001【总页数】10页(P90-99)【关键词】粒子群优化;探地雷达;反演;振幅补偿【作者】戴前伟;陈威;张彬【作者单位】中南大学地球科学与信息物理学院,湖南长沙 410083;中南大学有色金属成矿预测与地质环境监测教育部重点实验室,湖南长沙 410083;中南大学地球科学与信息物理学院,湖南长沙 410083;中南大学地球科学与信息物理学院,湖南长沙 410083;中南大学有色金属成矿预测与地质环境监测教育部重点实验室,湖南长沙 410083【正文语种】中文【中图分类】P6310 引言探地雷达(ground penetrating radar，GPR)的最终目的是反演地下介质的几何参数、介电常数和电导率等参数[1-3]，目前探地雷达反演的方法有多种，其中以波形拟合为基础的全波形反演是当前反演效果较好的方法。
然而探地雷达全波形反演属于非线性问题，用传统的线性反演法反演非线性问题，容易陷入局部极小，因此很有必要采用寻优能力强的非线性反演方法来进行探地雷达全波形反演[4]。
文中研究的粒子群反演方法，是近年来应用比较广泛的一种非线性反演方法[5-6]，粒子群优化算法(particle swarm optimization，PSO)是由Kennedy和Eberhart 通过对鸟群、鱼群和人类社会某些行为的观察研究，于1995年提出的一种进化算法[7]。
Value Engineering0引言近年来，人口激增导致城市空间使用紧张、交通压力激增，为了缓解这一矛盾，城市空间正在向深度方向发展[1]。
地下城市空间工程受场地地质、水文、周边建筑物、地下管线限制，需要准确、有效地预测其深基坑的变形[2]。
目前数值模拟预测方法被广泛运用，获取准确的土体参数是确保预测精度的关键，而土体参数反演方法是获取参数的重要手段。
国内外学者对反演方法已经有了一定程度的研究。
Gioda 等[3]通过利用单纯形法、拟梯度法以及Powell 法等优化方法，对岩土体的力学参数进行反演。
Zhang 等[4]采用最小二乘法反演计算土体参数，利用反演后的土体参数预测挡土结构深层水平位移。
程秋实等[5]采用粒子群算法结合支持向量回归机对基坑土体参数反分析，结果表明反演效果良好。
在土体参数反演领域，尽管BP 神经网络被广泛应用，但其存在网络结构构建难度大和收敛速度慢等缺点。
为了解决这些问题，本文引入了PSO 算法和GA 算法，提出了PSO-GA-BP 神经网络土体参数反演模型，优化了BP 神经网络的结构和参数，从而提高模型的性能和准确性。
1PSO-GA-BP 神经网络尽管BP 神经网络在土体参数反演方面有着广泛的应用，但其存在网络结构构建难度大、收敛速度慢等缺点。
同时，GA 算法在参数设计中的并行机制发挥不足、PSO 算法在处理高维数复杂问题时可能出现早期收敛[6]，为了进一步提高土体参数反演的效率和准确性，这些都是需要考虑和改进的问题。
基于此，本文提出PSO-GA-BP 神经网络土体参数反演模型，其同时具有粒子群算法及遗传算法的优点，而且优化了BP 神经网络中存在的问题。
PSO-GA-BP 神经网络算法具体步骤如下，其流程图见图1。
①确定神经网络输入层、输出层及隐含层的节点数量。
②对适应度函数进行求解，据此来判断个体和群体的极限值。
③随机选择每个粒子2/3的位置，然后对粒子速度进行变异操作。
基于粒子群-有限差分耦合算法的隧道岩体力学参数反演孙斌【摘要】基于数值计算的优化反演技术发展受到优化算法特点的制约。
FLAC2D 在岩土工程专业软件的二次开发平台上，提出仿生智能优化算法-粒子群优化算法（PSO）与有限差分结合（FLAC2D ）的耦合算法（PSO-FLAC2D ）并编程。
在隧道围岩物理力学参数反演应用中，该程序表现出反演参数不限、并行搜索、全局最优及稳定高效的优点，作为一种新的位移反演技术可为同类问题的研究提供借鉴和参考。
%Development of optimization back analysis technology based on numerical simulation is restricted by optimization algorithm,thus a new method should be proposed to resolve this puzzling issue.In this paper,cou-pled algorithm PSO-FLAC2D was proposed and programmed in terms of secondary development technology.Dur-ing the process of back analysis of physical and mechanical parameters of rock surrounding,the programme takes the advantages over unlimited parameters,parallel search and global optimization and stabilities.As a new tech-nology to obtain displacement through back analysis,it could offer reference for similar engineering.【期刊名称】《铁道科学与工程学报》【年(卷),期】2014(000)003【总页数】5页(P135-139)【关键词】粒子群优化算法;有限差分;数值计算;反演分析【作者】孙斌【作者单位】中铁二十二局集团有限公司，北京 100043【正文语种】中文【中图分类】U25由于岩土参数的不确定性和离散性，在数值正向计算过程中采用的初勘岩土力学参数势必带来一定的盲目性。
基于变异粒子群算法的大坝土料流变参数反演——以观音岩混合坝为例贾宇峰;朱茂林;迟世春【摘要】观音岩水电站混合坝在竣工后发生了较大的流变变形,导致土石坝坝段在蓄水一个月后出现了裂缝.为分析坝体裂缝产生的原因,采用并行变异粒子群算法,根据观音岩混合坝竣工后的坝体沉降观测数据反演了筑坝堆石料和心墙料的流变参数.进一步根据反演参数进行了坝体的三维有限元计算,分析和预测了大坝在蓄水期和运行期的变形特性.结果表明,较大的蓄水期不均匀沉降及较大的坝体流变变形是坝体产生裂缝的主要原因.【期刊名称】《人民长江》【年(卷),期】2017(048)014【总页数】6页(P73-78)【关键词】流变参数;堆石料;心墙料;并行变异粒子群算法;观音岩水电站【作者】贾宇峰;朱茂林;迟世春【作者单位】大连理工大学近海与海岸工程国家重点试验室,辽宁大连116024;大连理工大学建设工程学部工程抗震研究所,辽宁大连116024;大连理工大学建设工程学部工程抗震研究所,辽宁大连116024;大连理工大学近海与海岸工程国家重点试验室,辽宁大连116024;大连理工大学建设工程学部工程抗震研究所,辽宁大连116024【正文语种】中文【中图分类】TV698抗震研究所，辽宁大连 116024)观音岩水电站位于云南省丽江市华坪县与四川省攀枝花市交界的金沙江中游, 为金沙江中游河段规划8个梯级电站的最末一个梯级, 上游与鲁地拉水电站相衔接。
工程以发电为主, 兼有防洪、库区航运和旅游等综合效益。
水库正常蓄水位1 134 m，死水位1 122 m，电站装机容量3 000(5×600)MW。
总库容为22.50亿m3，正常蓄水位库容为20.72亿m3，调节库容5.55亿m3，水库具有周调节性能。
由于坝址右岸河床附近存在较大范围的强风化覆盖层，坝基的承载力不足，只能布置心墙堆石坝。
因此，观音岩水电站采用混凝重力土坝和心墙堆石坝结合的混合坝作为挡水建筑物。
基于异步粒子群优化算法的边坡工程岩体力学参数反演张太俊;徐磊【摘要】基于现场变形观测资料的优化反演是确定边坡岩体力学参数的主要方法之一,其本质是一个岩体力学参数的寻优过程,因而,如何选择一个高效的优化算法是其核心问题之一.目前,粒子群优化算法已被应用于边坡工程力学参数反演,但其算法实现为同步模式,最优粒子的信息不能及时共享,降低了优化效率,使得反演耗时较多.鉴于此,提出基于异步粒子群优化算法的边坡工程岩体力学参数反演,该算法的搜索步伐并不一致,粒子间表现出异步性,因而寻优效率明显高于同步模式,可有效解决在边坡工程中岩体力学参数反演中存在的低效问题.在此基础上,构建了边坡工程岩体力学参数反演模型,并采用ABAQUS作为反演分析中的正分析工具,给出了边坡工程岩体力学参数反演的实现流程,完成了程序编制,进而通过算例分析,验证了所提出的方法和程序编制的可行性和高效性.【期刊名称】《三峡大学学报（自然科学版）》【年(卷),期】2014(036)001【总页数】5页(P37-41)【关键词】边坡工程;异步粒子群算法;力学参数反演;ABAQUS【作者】张太俊;徐磊【作者单位】河海大学水利水电学院,南京 210098;河海大学水利水电学院,南京210098【正文语种】中文【中图分类】TV3;U627合理确定边坡岩体力学参数是正确评价其稳定安全性的关键前提.传统室内、现场试验与工程类比等方法确定边坡岩体力学参数存在固有缺陷.近年来，根据位移监测信息来反演边坡工程岩体力学参数的智能反演分析方法得到快速发展，已经成为解决边坡工程岩体力学参数反演的有效方法.目前，在岩土工程参数反演中应用较多的智能方法有人工神经网络、粒子群算法等［1－6］.人工神经网络反演方式需要进行样本设计，其反演参数结果的精度直接取决于样本的准确性.粒子群算法可进行直接反演，该算法易于实现全局收敛，效率较高，但是最优粒子信息不能及时共享.鉴于此，为了使得边坡岩体力学参数的反演更具高效性，采用一种比标准粒子群算法更高效、收敛更快的异步粒子群智能算法［7－14］，该算法的优点在于提高信息共享的效率和加强信息交换的能力.边坡岩体力学参数实现方法的提出及其相应的数学描述还不足以使反演顺利开展，除非采用功能强大的、高效的正分析工具.随着计算机技术和数值计算方法的发展，有限元商业软件在工程设计和科研领域得到了越来越广泛的重视和应用，如ABAQUS具有强大的非线性分析功能、丰富的可模拟任意形状的单元库和与之相应的材料库、高效求解器、更有力的网格划分和强大的结果可视化技术，并已在包括边坡工程在内的岩土工程领域得到广泛的应用.为此，将异步粒子群算法和ABAQUS两者结合起来，开发出一套程序用于边坡岩体力学参数的反演，并通过开展算例分析，验证了所提出的方法和程序编制的可行性和高效性.1 边坡工程岩体力学参数反演模型本文在已有研究成果的基础上，建立高效反演模型用于反演边坡工程中的岩体力学参数.该反演模型采用ABAQUS作为正分析工具，建立以位移量为自变量的目标函数，构建优化反演数学模型，基于异步粒子群智能优化算法进行反演.在建立反演分析计算方法的研究中，变形观测资料一般用作建立反演计算方程的输入量，因而通常是进行反演计算的主要依据.变形观测资料主要包括位移量、应力量或应力增量的量测值，以及描述这些物理量随时间而变化的规律的曲线等，采用位移反分析.1.1 反演数学模型在理想状态下，监测点的有限元位移计算值应与位移监测值相一致，而目标函数值则用于判断这种一致性.由于理论上和监测上的偏差，这使得监测点的位移计算值与监测值存在误差，因此优化反演的目的致力于寻找使两者之间的误差为最小的解答，这类目标一般通过建立目标函数来实现，以测点位移实测值与有限元位移计算值之间的误差作为目标函数.对于边坡工程岩体力学参数反演，建立如下反演数学模型：其中J：D→R为一个线性或非线性映射，数学表达式如下：式中，Uci（s）为测点的有限元计算值；Uti（s）为监测点实测值.为了求解最优边坡力学参数，要求在可行集合T寻找最优解sopt使得在边坡工程力学参数反演中，计算模型通常都很复杂，且计算规模很大，选择一个高效的优化算法十分必要.异步粒子群优化算法（PSO）是一种基于标准粒子群算法的高效智能仿生进化算法，具有易于实现全局优化、收敛速度快等优点，为此，采用该算法来开展边坡工程岩体力学参数反演.1.2 异步粒子群算法粒子群算法（PSO）是1995年由社会心理学家Kennedy和电气工程师Eberhart 提出的一种群体智能优化算法，它通过个体间的协作与竞争来完成复杂搜索空间中最优解的搜索.在协作过程中，每个粒子通过信息交流，共享最优粒子的信息，进而更新自己来完成粒子群最优解的搜索；在竞争过程中，粒子群通过每个粒子的适度值寻找到最优粒子，粒子间通过竞争产生最优粒子，不是最优的粒子被群体丢弃，进而每个粒子向最优粒子移动.在PSO算法中，优化问题的潜在解都可以认为是d 维搜索空间上的一个点，称之为“粒子”（Particle），若干个粒子构成一个粒子群.对于一个粒子群而言，它的每个粒子都有一个被目标函数决定的的适应度，每个粒子都具有位置和速度两个特征，位置决定粒子的适应度，而速度决定下一代粒子运动的方向和距离.在每次迭代过程中，粒子通过跟踪个体极值pBest和全局极值gBest来实现代际更新，直到在整个搜索空间中找到最优解或达到最大迭代次数为止.假设在一个n维的搜索空间中，由m个粒子构成一个粒子群X＝［x1，…，xi，…，xm］，其中，第i个粒子的位置为xi＝［xi1，xi2，…，xin］T，其速度为vi＝［vi1，vi2，…，vin］T，其个体极值为pi＝［pi1，pi2，…，pin］T，全局极值为pg＝［pg1，pg2，…，pgn］T，则粒子xi将按下式改变其位置和速度以完成代际更新.式中，j＝1，2，…，m，d＝1，2，…，n，k为粒子更新代数，wk为惯性权重，控制PSO算法的搜索能力，wk取值较大，则全局寻优能力强，局部寻优能力弱，wk通常依代数的增加而线性递减.rand（）代表均匀分布于（0，1）之间的随机数，c1、c2为加速常数，一般取2.0.式（5）中，第1部分为粒子先前行为的惯性，第2部分为“认知（cognition）”部分，表示粒子本身的思考；第3部分为“社会（social）”部分，表示粒子间的信息共享与相互合作.对于粒子群算法，在上述粒子间协作过程中，每个粒子共享信息时的行为表现出同步性，即在每次迭代中，每个粒子通过自己代际间的适度值更新个体极值，粒子群通过同一个迭代步中的粒子适度值更新粒子群全局最优值，最优粒子的信息不能及时共享.为了提高信息共享的效率和加强信息交换的能力，从而减少计算机运行时间，提高优化效率，在粒子间竞争过程中，当每个粒子的适度值小于共享信息的最小值时，粒子群的每个粒子把共享信息的最优值作为个体最优值，来进行粒子群更新，这使得粒子在协作竞争过程中表现出异步性，所以将它称为异步粒子群算法（简称为APSO算法，下同）.异步粒子群算法（APSO）实现流程图见图1.1.3 反演程序研制提出了边坡岩体力学参数的联合反演法，该方法基于异步粒子群算法和通用有限元软件ABAQUS，并考虑边坡的系统锚杆等效模拟，编制了相应的计算程序.该程序在获取有限元计算模型信息和反演参数信息的基础上，首先采用随机方法初始化粒子群，并基于每个粒子的位置，自动生成可以被ABAQUS求解器调用的INP文件来进行边坡工程的有限元正算分析.进而计算粒子的适应度（即目标函数值）并基于异步粒子群算法完成粒子更新，直至找到符合预定最小阈值的最优粒子或达到最大迭代次数为止，程序实现如下.图1 异步粒子群算法流程图步骤1：根据反演参数的取值范围和个数随机初始化种群.步骤2：调用ABAQUS进行有限元正演计算，读入计算位移值，计算目标函数值. 步骤3：依据每个粒子的目标函数值，计算第一代粒子群的适应度、个体极值及全局极值.步骤4：判断适度值是否小于给定阀值.如果是程序结束并输出结果，否则进入步骤5.步骤5：按式（1）更新粒子的速度，按式（2）更新粒子的位置，调用ABAQUS进行有限元正演计算，计算目标函数值.然后进行异步粒子群更新，根据粒子适度值找到全局极值和全局最优位置.步骤6：判断适度值是否小于给定阀值或者小于给定迭代次数，若不满足则返回步骤5，否则程序结束并输出结果.2 算例分析为了验证本文所提出的APSO－ABAQUS联合反演法在边坡工程中岩体力学参数反演的可行性和高效性，进行如下算例分析.假定由两种岩体构成的边坡工程分3步开挖，高为50m，上两级坡比为1∶1，开挖高度为15m；第三级开挖坡比为1∶0.5，开挖高度为20m.上层岩体高为30m，下层岩体高为50m.本构模型采用D－P弹塑性模型，岩体材料参数见表1.表1 岩体力学参数岩体名称弹性模量MPa上层岩体／MPa 泊松比内摩擦角ψ／°粘聚力／5 000 0.25 45.0 0.8 4 200 0.30 68.5 0.4下层岩体对于岩体中的初始地应力，取自重应力场作为初始地应力场进行计算.对于实测变形资料，根据工程经验，首先给定一组边坡岩体力学参数（弹性模量为4200MPa，摩擦系数为0.8，粘聚力为0.4MPa）进行有限元数值计算，并以测点的计算位移值作为反演所需的实测变形资料.边坡工程分3次开挖，整体有限元计算模型如图2所示，边坡开挖体有限元计算模型如图3所示.图2 整体有限元计算模型（图中数字代表材料号）图3 边坡开挖体有限元计算模型（图中数字代表开挖步序）随后应用所研制的程序反演边坡岩体力学参数，最后将反演所得的岩体边坡材料参数与给定的材料参数进行对比分析，验证了所提出方法及相关程序的可行性.根据以上有限元模型，把材料号标为1的材料作为反演材料组，把材料号标为2的材料作为定值材料组.设置种群规模为20，学习因子c1＝c2＝2.0，惯性权重w1＝0.9，w2＝0.4，最大迭代次数取为100，迭代收敛精度为0.01.优化算法程序迭代了19次，通过程序反演上层岩体的弹性模量、摩擦系数和粘聚力，其最终结果与初始值对比见表2，反演求解迭代过程曲线如图4～5所示.表2 反演参数对比结果参数名称弹性模量／MPa 摩擦系数粘聚力／4 200 0.8 0.4反演值 4 314 0.68 0.45相对误差MPa真实值2.7 15.0 12.5图4 异步粒子群反演迭代过程曲线图5 粒子群反演迭代过程曲线根据表2由边坡实测开挖变形进行的弹性分析可以看出，反分析得出的岩体弹性模量与实测值相当接近，误差可以控制在5%以内，结果表明岩体对材料的弹性模量敏感，反分析得出的岩体摩擦系数和粘聚力与实测值有较大误差，相对误差可控制在15%左右，结果表明岩体对材料的摩擦系数和粘聚力不敏感，从而说明程序的实用性.为了说明程序的高效性，给出了粒子群反演迭代过程曲线，对比可知异步粒子群算法的迭代次数明显小于粒子群算法的迭代次数.另外，基于前人在评价优化算法上做的研究，对于两种算法，选择平均截止代数和截止代数分布熵来评估这两种算法的收敛速度和收敛不稳定性［15］.然后，为了评估优化效率，构建笛卡尔直角坐标系，以平均截止代数为X轴，以截止代数分布熵作为Y轴，分别确定异步粒子群算法和粒子群算法的坐标，即X值和Y值，以它们据原点的距离作为评价算法优化效率的指标，距离越小，优化效率越高.两种算法的优化效率如图6所示.对于多次独立运行的PSO算法和APSO算法，从图6可以明显看出，APSO算法比PSO算法优化效率要高，而且平均截止代数要小，收敛稳定性较好.图6 两种算法优化效率对比3 结语合理确定边坡岩体力学参数是正确评价其安全性的关键前提.传统试验方法和工程类比方法和实际情况有一定误差，在已有研究成果的基础上，以功能强大的ABAQUS为正分析工具，建立以位移量为自变量的目标函数，构建优化反演数学模型；基于异步粒子群智能优化算法，建立能够反映主要影响因素作用的基于变形观测资料的高效反演模型.研制的程序是在粒子群算法的基础上，将粒子群算法的同步更新改进为异步更新的方式，从而每个粒子的更新都可以用到当代其他已经更新的粒子的信息，提高信息共享的效率和加强信息交换的能力，可保证搜索到全局最优解的同时，使算法更易于收敛.结合边坡工程的算例，采用弹塑性计算模型，较好地模似边坡工程结构的开挖，成功地反演岩石的力学参数（弹性模量、摩擦系数、粘聚力）.程序运行结果表明，其计算精度是满意的.联合反演程序能够实现基于边坡工程施工期变形观测资料的岩体力学参数反演，验证所提出的方法和程序编制的可行性和高效性.参考文献：［1］田明俊.智能反演算法及其应用［D］.大连：大连理工大学，2005.［2］ Kavangh K，Clough R W.Finite Element Applications in the Characterization of Elastic Solids［J］.Int.J.Solids Structure，1971（7）：11－23.［3］ Sakuali S，Takeuchi K.Back Analysis of Measured Displacement of Tunnel［J］.Rock Mech.and.Rock Eng，1983，16（3）：173－180.［4］王芝银，杨志法，王思敬.岩石力学位移反演分析问题及进展［J］.力学进展，1998，28（4）：488－498.［5］蒋树屏.岩体工程反分析研究的新进展［J］.地下空间，1995，15（1）：25－33.［6］韩峰，徐磊，张太俊.坝基岩体力学参数的PSOABAQUS联合反演［J］.河海大学学报：自然科学版，2013，41（4）：321－325.［7］张磊，高尚.基于异步粒子群优化算法的图像分割方法［J］.微电子与计算机科学，2009，26（4）：174－177.［8］刘蒙蒙.骡坪隧道施工监测及其围岩参数的智能反分析研究［D］.成都：西华大学，2009.［9］沈永飞.边坡位移反分析及其工程应用研究［D］.重庆：重庆大学，2010. ［10］张丽平.粒子群优化算法的理论及实践［D］.杭州：浙江大学，2005. ［11］贾善坡，伍国军，陈卫忠.基于粒子群算法与混合罚函数法的有限元优化反演模型及应用［J］.岩土力学，2011，32（S2）：598－603.［12］常晓林，喻胜春，马刚，等.基于粒子迁徙的粒子群优化算法及其在岩土工程中的应用［J］.岩土力学，2011，32（4）：1077－1082.［13］雷金波，陆晓敏，任青文，等.索风营水电站右岸地下厂房洞室群围岩稳定数值模拟［J］.长江科学院院报，2011，28（1）：47－52.［14］王伟，改进粒子群优化算法在边坡工程力学参数反演中的应用［D］.南京：河海大学，2007.［15］孙瑞祥，屈梁生.遗传算法优化效率的定量评价［J］.自动化学报，2000，26（4）：552－556.。
