人工神经网络与遗传算法在岩石力学中的应用
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
- 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)。
第23卷 第9期岩石力学与工程学报 23(9)：1542～15502004年5月 Chinese Journal of Rock Mechanics and Engineering May ，20042002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。