标题和描述中提到的知识点主要集中在利用改进的RBF(Radial Basis Function,径向基函数)神经网络来预测硬岩岩体的变形模量。这是一种机器学习技术,尤其适用于非线性问题的解决。变形模量是岩体力学特性的重要参数,对于岩体工程的稳定性分析、支护设计以及数值模拟有着至关重要的作用。
在岩体工程中,确定变形模量的方法包括室内试验、数值分析、反分析法、岩体分类法以及神经网络法。然而,这些传统方法各有不足,例如试验法耗时且成本高,数值分析需要专业知识且复杂,反分析法通常假设线弹性,可能不适应实际工程情况,而岩体分类法的估算结果可能存在较大离散性。相比之下,神经网络法具有容错性、自适应性和自我学习能力,能够处理复杂的非线性关系。
RBF神经网络是一种特殊的前馈神经网络,它利用径向基函数作为隐藏层的激活函数,具有快速训练和全局最优的特点。传统的RBF网络的扩展速度(spread)参数通常需要试算确定,这既繁琐又可能导致可靠性不足。文章提出了基于模式搜索法改进的RBF神经网络模型,旨在优化这个过程,提高预测的准确性和可靠性。
在具体应用中,研究者以溪洛渡水电站的88组数据为基础,考虑了岩石质量指标如RQD(Rock Quality Designation)、RMD(Ruggedness Number)和Vp(P-wave velocity)等因素,建立预测模型,并用西藏如美水电站的17组数据进行验证。通过与BP神经网络模型预测结果和现场数据对比,证明了改进的RBF模型在硬岩岩体变形模量预测上的优越性。
总的来说,这篇论文涉及的知识点包括:
1. 岩体变形模量的确定方法及其局限性。
2. 神经网络法在岩体参数预测中的应用,特别是RBF神经网络的原理和优势。
3. 改进RBF神经网络模型的构建,特别是模式搜索法在优化扩展速度参数中的应用。
4. 岩体工程参数预测的准确性评估,通过与其他模型和实测数据的比较。
5. 硬岩岩体特性与变形模量之间的非线性关系建模。
这些知识点在地质工程、岩土力学、机器学习和数据分析等领域都有重要的理论和实践价值。