第 33 2016 卷 第 2 年 月 06 期 河 北 工 程 大 学 学 报 （自 然 科 学 版） Ｊｏｕｒｎａｌ ｏｆ Ｈｅｂｅｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ （ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ ） Ｖｏｌ． 33 Ｎｏ． 2 Ｊｕｎ． 2016 文章编号：1673 － 9469 ） 02 － 0030 － 04 （ ｄｏｉ：10． 3969 ／ ｊ． ｉｓｓｎ． 1673 － 9469． 2016． 02． 007 2016 神经网络在隧道基坑工程中的实际运用 ＢＰ 丁 杨 （华东交通大学 土木建筑学院，江西 南昌 ） 330013 摘要：依据昆明轨道交通三号线东标段二工区省博物馆站在施工过程中基坑开挖所产生的深层 水平位移问题，基于 ＭＡＴＬＡＢ 神经网络工具箱仿真并建立 ＢＰ 神经网络模型，预测位移曲线可 以通过输入已知数据建立。在实际工程中对该模型的合理性进行检测，实测数据表明，此 ＢＰ 神经网络模型对于深层水平位移问题有很好的预测能力。 关键词：基坑工程；地下深层水平位移；ＢＰ 神经网络；ＭＡＴＬＡＢ 分析；昆明；轨道交通 中图分类号：ＴＵ4 文献标识码：Ａ Ｐｒａｃｔｉｃａｌ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｎ ｔｕｎｎｅｌ ｅｘｃａｖａｔｉｏｎ ｅｎｇｉｎｅｅｒｉｎｇ （ Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｃｉｖｉｌ ａｎｄ Ａｒｃｈｉｔｅｃｔｕｒｅ ＤＩＮＧ Ｙａｎｇ ， Ｅａｓｔ Ｃｈｉｎａ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ ， Ｊｉａｎｇｘｉ Ｎａｎｃｈａｎｇ 330013 ， Ｃｈｉｎａ ） Ａｂｓｔｒａｃｔ ： Ａｉｍｉｎｇ ａｔ ｄｅｅｐ ｈｏｒｉｚｏｎｔａｌ ｄｉｓｐｌａｃｅｍｅｎｔ ｐｒｏｂｌｅｍ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｅｘｃａｖａｔｉｏｎ ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ ｔｈｅ ｓｅｃｏｎｄ Ｄｉｓｔｒｉｃｔ Ｐｒｏｖｉｎｃｉａｌ Ｍｕｓｅｕｍ Ｓｔａｔｉｏｎ ｉｎ 3 ｅａｓｔ ｓｅｃｔｉｏｎ ｏｆ Ｋｕｎｍｉｎｇ Ｒａｉｌ Ｔｒａｎｓｉｔ Ｌｉｎｅ ｔｈｉｓ ｐａ－ ｐｅｒ ｓｅｔｓ ｕｐ ｔｈｅ ｄｉｓｐｌａｃｅｍｅｎｔ ｐｒｅｄｉｃｔｉｏｎ ｃｕｒｖｅ ｏｎ ｂａｓｉｓ ｏｆ ＭＡＴＬＡＢ ｓｉｍｕｌａｔｉｏｎ ａｎｄ ｔｈｅ ｅｓｔａｂｌｉｓｈｍｅｎｔ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｔｈｒｏｕｇｈ ｔｈｅ ｉｎｐｕｔ ｄｉｓｐｌａｃｅｍｅｎｔ ｄａｔａ． Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｄａｔａ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｈａｓ ｇｏｏｄ ｐｒｅｄｉｃｔｉｖｅ ｐｏｗｅｒ ｆｏｒ ｔｈｅ ｄｅｅｐ ｈｏｒｉｚｏｎｔａｌ ｄｉｓｐｌａｃｅｍｅｎｔ． Ｔｈｉｓ ｍｅｔｈｏｄ ， ｐｒｏｖｉｄｅｓ ａ ｎｅｗ ｔｅｃｈｎｉｃａｌ ｍｅａｎｓ ｆｏｒ ｔｈｅ ｄｉｓｐｌａｃｅｍｅｎｔ ｃｏｎｔｒｏｌ ｏｆ ｕｎｄｅｒｇｒｏｕｎｄ ｅｎｇｉｎｅｅｒｉｎｇ． ： ｆｏｕｎｄａｔｉｏｎ ｐｉｔ ｅｎｇｉｎｅｅｒｉｎｇ ； ｄｅｅｐ ｈｏｒｉｚｏｎｔａｌ ｄｉｓｐｌａｃｅｍｅｎｔ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ； ； ＭＡＴＬＡＢ Ｋｅｙ ｗｏｒｄｓ ； ｓｉｍｕｌａｔｉｏｎ 。 。 、 、 、 2001 特殊性 无序性 126 起以上［ 据初步统计：从 101 人力损失和不良社会影响 、 地铁地下施工具有技术交叉性，风险隐蔽性 、 复杂性和施工环境恶劣性 动态 性的特点，其大规模 高速度的建设必然导致地铁 、 年 施工高风险的存在［ ］ 1 起地铁事故，其中地铁施工事故 起，我国共有 事故的发生必将造成巨大的 就有 ］ 2 可见，在施工过 经济 程中如何采取有效的方法进行监测与预测是极为 神经网络孕育 重要的 。 而生，目前 岩 、 但 石工程 在基坑监测中还尚未采用，由于基坑工程的风险 性较高，并且需要考虑环境效应，所以在施工过程 中需要密切注意基坑的变形，而地下连续墙水平 位移可以反映基坑的安全性和判断周边环境［ ］ 9 所以应该在基坑开挖过程中引用 神经网络预测分析在地下工程 ］ 桥梁工程中取得了很好的效果［ 随着现代技术的发展， 。 神经网络这 ＢＰ ＢＰ 。 、 。 3 － 8 ＢＰ 10 ］ 。 ＢＰ 由于 一现代技术［ 神经网络在其他地下工 程中有着很好的效果，所以本文对高度复杂和高 度非线性的隧道基坑开挖引发的深层水平位移进 行模拟与预测计算 。 1 项目概况 省博物馆站为昆明地铁 站，为地下三层岛式车站 准段外包宽度 标准段基坑深度 法施工，基坑竖向设置 23． 3 ｍ 25． 5 ｍ。 。 5 号线与 3 车站主体总长 号线的换乘 ，标 本站 车站结构采用明挖顺作 27． 50 ｍ。 144 ｍ ，扩大段宽度 5 。 道支撑加一道倒撑 省博物馆站沿东风西路呈东西向布置 车道，规划道路红线宽 东风 。 ，是连接 西路为双向 35 ｍ 昆明市东西向的一条交通干道，交通繁忙 车站 南侧为五华大厦（现叫金魔仿儿童新未来城）及其 扩建工程，西北侧距离车站最近的为省公安厅家 。 6 收稿日期：2015 － 12 － 23 基金项目：国家科技支撑计划项目（ 作者简介：丁杨（ 1992 － ），男，江西南昌人，硕士，研究方向为结构工程 2013ＢＡＥ09Ｂ01 。 ）；江西省科技支撑计划重大项目（ 20142ＢＢＧ70027 ） 中国煤炭期刊网 www.chinacaj.net

第 2 期 丁杨： ＢＰ 神经网络在基坑工程中的实际运用 13 表 1 工程地理位置及周边环境 建筑物 五华大厦 公安厅楼 中银大厦 顺城 序号 1 2 3 4 7 层数 距离基坑 Ｔａｂ． 1 Ｅｎｇｉｎｅｅｒｉｎｇ ｌｏｃａｔｉｏｎ ａｎｄ ｓｕｒｒｏｕｎｄｉｎｇ ｅｎｖｉｒｏｎｍｅｎｔ 基础类型 桩基础 条形基础 桩基础 桩基础 18． 5 ／ ｍ 30 30 48 8 26 63 结构类型 框架结构 砖混结构 框架结构 钢结构 表 2 周边管线情况 Ｔａｂ． 2 Ｐｅｒｉｐｈｅｒａｌ ｐｉｐｅｌｉｎｅ 管线名称 污水管 污水管 煤气 自来水管 规格 ／ ｍｍ 1 400 × 1 600 ＤＮ1000 ＤＮ325 ＤＮ200 埋深 ／ ｍ 1． 65 1． 5 ～ 2 1． 02 0． 52 距基坑最小距离 ／ ｍ 备注 4． 33 8． 2 20． 71 4． 54 波纹管 属楼，东北侧为中银大厦，东南侧为顺城商业广场 （有负三层地下室）如表 省博物馆站周边 。 管线十分复杂，如表 因此对该工程的施 工阶段实施监控和监测是十分有意义的 1 所示 所示 。 2 。 2 ＢＰ 神经网络原理 神经网络（ ）由 ＢＰ 隐含层和输出层三层网络所构成，是目前 输入层 、 其核心思想是通 应用最广泛的一种网络［ 过某种形式将输出误差通过隐层向输入层逐层 反传 Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ 。 本文选取的是单输出有一个隐层，输入有三 选取隐层神经元个数参照以 。 11 － 13 ］ 层的 ＢＰ 下公式［ 网络模型 ］： 14 。 Ｌ ＝ Ｍ ＋槡 Ｎ ＋ Ａ 代表隐层神经元个数； Ｎ ） 代表输入的神经 （ 1 代表输出层神经元个数； Ａ 代表 1 ～ 10 式中， Ｌ 元个数； Ｍ 的整数 。 ＢＰ 简而言之， 学习算法就是从输入向输出层 和从输出层向第一隐层两个方向传播信息，各神 经元的权值通过不断的被调整，使达到最低的误 差信号，来完成学习神经网络的，然后对没有学习 的样本集进行推理 预测则依赖于学习后的网络 、 。 ％ 创建网络 （ ｎｅｔ ＝ ｎｅｗｆｆ ｛ ， ′ｔａｎｓｉｇ′ ｍｉｎｍａｘ ， ′ｐｕｒｅｌｉｎ′ ′ｔａｎｓｉｇ′ 当前输入层权值 ｐ1 ％ （ ），［ ， 1 3 ｝， ］， ， 1 ′ｔｒａｉｎｌｍ′ ）； ｛ 1 ， 1 ｝ ｉｎｐｕｔｂｉａ ｉｎｐｕｔＷｅｉｇｈｔｓ ＝ ｎｅｔ＿1． 1Ｗ ｎｅｔ＿1． ｂ ｝ ｛ 1 ％ 当前网络层权值和阈值 ｛ 2 设置训练次数 ｌａｙｅｒＷｅｉｇｈｔｓ ＝ ｎｅｔ＿1． ＬＷ ｝ ％ ｌａｙｅｒｂｉａｓ ＝ ｎｅｔ＿1． ｂ ｛ 2 ， 1 ｝ ｎｅｔ． ｔｒａｉｎＰａｒａｍ． ｅｐｏｃｈｓ ＝ 5000 误差 ； ％ 设 置 收 敛 ｎｅｔ． ｔｒａｉｎＰａｒａｍ． ｇｏａｌ ＝ 0． 0000001 ［ 行仿真 ， ］ ｔｒ ）； ％ ， ｐ1 ＝ ｔｒａｉｎ ， ｔ1 ｎｅｔ ｎｅｔ （ ； ％ 对 训练网络 网络进 ＢＰ Ａ ＝ ｓｉｍ Ｅ ＝ Ｔ ＝ Ａ （ ， Ｐ1 ｎｅｔ＿1 ； ＭＳＥ ＝ ｍｓｅ ）； ％ （ Ｅ 计算仿真误差 ） ｔｒａｉｎ ［ ｅｎｔ 其中 （ 函数的常用格式如下： ， ） ］ ｔｒ ， ｐ1 ， ｔ1 ＝ ｔｒａｉｎ 为矢量集输入样本； ｔ1 左两侧的 、 ｎｅｔ ｐ1 的目标样本；式子的右 表训练前 息和误差信息，这是用于存储训练过程中的 后的神经网络对象； 、 ｔｒ 为矢量集对应 各自用于代 ｎｅｔ 代表的是步数信 （ ｎｅｔ ， ｐ1 ）可以用来计算 。 仿真函数 ： ｔ1 ＝ ｓｉｍ 网络在给定输入下的输出 ｓｉｍ 。 3 建立 ＢＰ 神经网络模型 3． 1 ＢＰ 神经网络模型的创建 利用 Ｍａｔｌａｂ 网络模型的创建 心部分［ ］： 15 神经 的神经网络工具箱实现 学习和训练，下面列出程序的核 、 ＢＰ 3． 2 输入已知数据并仿真预测 3 已知数据如表 ，对于带有奇异样本的测量数 据，可以发现，当有突然跳跃 明显不合理的特性 并且这些奇异点的实测数据有较大的偶然误 时 若使用这些样本，神经网络的学习反而会使 差 网络的精度更糟，故采用前后截面数据的线性插 。 。 、 中国煤炭期刊网 www.chinacaj.net

23 河 北 工 程 大 学 学 报 （自 然 科 学 版） 年 2016 表 3 已知数据 深度 ／ ｍ 位移 ／ ｍｍ 深度 ／ ｍ 位移 ／ ｍｍ Ｔａｂ． 3 Ｋｎｏｗｎ ｄａｔａ 深度 位移 ／ ｍ ／ ｍｍ 0． 5 1． 0 1． 5 2． 0 2． 5 3． 0 3． 5 4． 0 4． 5 2． 12 4． 37 5． 99 7． 91 9． 83 12． 50 14． 38 16． 34 18． 44 5． 0 5． 5 6． 0 6． 5 7． 0 7． 5 8． 0 8． 5 9． 0 20． 60 22． 67 24． 41 26． 11 28． 85 30． 74 32． 67 34． 49 36． 44 9． 5 10． 0 10． 5 11． 0 11． 5 12． 0 12． 5 13． 0 13． 5 37． 98 39． 60 41． 11 42． 91 44． 20 45． 84 47． 52 48． 87 50． 41 值替代法处理奇异样本数据 定理，要求归一化处理后的该输入变量为 文献［ ］确立公式如下： 按照连续函数表示 ，根据 。 ｘ′ 16 ｘ － ｘｍｉｎ ｘｍａｘ － ｘｍｉｎ ｘ′ ＝ ａ ＋ ｂ 个常量；分别为每组因子变量的最 ） （ 2 是 式中： 2 大值和最小值 ａ、ｂ 。 为了使我们的误差平方小，继而近似确定多 项式阶数 Ｎ ，下列列出程序的核心部分： ｙ2 ＝ ｐｏｌｙｆｉｔ Ｙ ＝ ｐｏｌｙｖａｌ （ ｘ （ ， ， ｙ ｉ ， ｘ ）； ）； ％ ｙ2 的值 计算拟合函数在 处 ｘ ｉｆ ｓｕｍ （（ Ｙ － ｙ ） ＾2 ） ＜ 0． 1 Ｎ ＝ 4 Ｎ ＝ ｉ 得 进而得出预测图形和函数表达式，见图 函数表达式为： 1。 Ｙ ＝ － 0． 000 05ｘ4 － 0． 000 24ｘ3 － 0． 029 61ｘ2 ＋ 4． 357 8ｘ － 0． 366 34。 3． 3 仿真预测与实测数据比较及误差分析 实测数据与预测数据统计其误差值见表 4。 深度 ／ ｍ 位移 ／ ｍｍ 深度 ／ ｍ 位移 ／ ｍｍ 14． 0 14． 5 15． 0 15． 5 16． 0 16． 5 17． 0 17． 5 18． 0 51． 78 53． 21 55． 01 56． 13 57． 18 58． 39 59． 50 60． 40 61． 14 18． 5 19． 0 19． 5 20． 0 20． 5 21． 0 21． 5 22． 0 22． 5 表 4 实测数据与预测位移 61． 92 63． 15 64． 01 64． 53 65． 09 65． 46 65． 61 65． 66 65． 58 Ｔａｂ． 4 Ｍｅａｓｕｒｅｄ ｄａｔａ ａｎｄ ｐｒｅｄｉｃｔｅｄ ｄｉｓｐｌａｃｅｍｅｎｔ 绝对误差 值 实测位移 预测位移 深度 ／ ｍ ／ ｍｍ ／ ｍｍ ／ ｍｍ 23． 0 23． 5 24． 0 24． 5 25． 0 65． 52 64． 44 63． 48 62． 03 60． 72 67． 29 67． 33 67． 26 67． 08 66． 79 1． 76 2． 89 3． 78 5． 05 6． 07 4 ＢＰ 22． 0 由表 可见，建立的 神经网络的预测模型 与实际监测到的数据存在一定的误差，该误差目 前随着 深 度 的 加 大 而 加 大，但 实 测 位 移 已 经 在 ［ ］之间出现拐点，而预测曲线则是在 ， 22． 5 ， ［ ］之间出现了拐点，所以是会造成一定误 24 23． 5 但这些误差还在可承受误差范围内，并且 差的 预测的位移值要比实测的位移值偏大，故偏安全， 可采用 。 。 ” “ 22． 0 啤酒肚 ， 22． 0 ， 22． 5 曲线逐渐呈 ］之间呈上升趋势，在［ 型，这说明地下连续墙 墙体曲线最终形成上下两端小，中间大的特点（在 ［ ］出现极 0 大值，之后呈下降趋势），这种情况说明顶部位移 受到了制约作用：一方面是由于压顶梁和第一道 支撑对连续墙侧移明显限制；二是在基岩或深埋 土体中被地下连续墙嵌入，较强的约束住墙角，因 此侧向位移在墙角处被收敛，即显著的空间效应 存在 于 深 基 坑 两 端 中，从 而 位 移 的 发 展 被 抑 制了［ ］ 17 土方开挖引起地下连续墙的变形，此开挖深 随着加深开挖，位移最大值 度与变形量呈正比 所在的位置逐步下降，变形逐步增大［ 。 18 － 20 ］ 。 。 4 结论 利用 ＢＰ 神经网络建立的预测模型，所得预测 中国煤炭期刊网 www.chinacaj.net

第 2 期 丁杨： ＢＰ 神经网络在基坑工程中的实际运用 33 值与实测值拟合很好，具有准确 特点，是地铁开挖变形预测的一种有效方法 简单 、 、 速度快的 。 参考文献： ］钱七虎，戎晓力 ［ 1 ． 中国地下工程安全风险管理的现状， 岩石力学与工程学报， 2008 ， 27 问题及相关建议［ ］ Ｊ ． （ 4 649 － 665． ）： ］邓小鹏，李启明，周志鹏 ［ 2 ． 地铁施工安全事故规律性的 ］ 统计分析［ Ｊ ． 统计与决策， ， 9 （ 9 ）： 87 － 89． 2010 ］邓建辉，李焯芬，葛修润 ［ ． 3 ］ 位移反分析中的应用［ Ｊ ． 网络和遗传算法在岩石边坡 岩石力学与工程学报， ， 2001 （ 1 20 ）： 1 － 5． ］樊 捆，刘宇敏，张艳华 ［ ． 4 ］ 力学参 数 反 分 析［ Ｊ ． ， 26 （ 4 ）： 1998 98 － 102． 基于人工神经网络的岩土工程 河 海 大 学 学 报：自 然 科 学 版， ］冯夏庭，张治强，杨成祥，等 ［ 5 ． 岩石力学与工程学报， 位移反分析的进化神经网 ）： ， 18 （ 5 1999 ］ 络方法研究［ Ｊ ． 529 － 533． ］易 达，徐明毅，陈胜哄，等 ［ 6 ］ 应力场反演中的应用［ Ｊ ． 人工神经网络在岩体初始 ． 岩土力学， ）： ， 2004 25 943 （ 6 － 946． ］陶月长，吴泽力 ［ 7 ． ］ 入土深度对围护结构水平位移的影响［ Ｊ ． 河北工程大学学报：自然科学版， 基于 桂林理工大学学报， ）： （ 3 38 －41． 和 ］梁月吉，任 超，刘立龙，等 ［ ． 8 网络的大坝变形预测［ ］ Ｊ ． （ 1 ＥＭＤＧＡ ）： 2015 ， ＢＰ 32 和神经 ， 1 2015 111 － 116． ［ ］武文永，曹雪山 9 ． ］ 平位移特性研究［ Ｊ ． 南京地铁鸡鸣寺站地下连续墙深层水 ）： 华东交通大学学报， ， 3 （ 3 2014 115 － 119． 11 ［ 12 ［ ］ 13 ［ 14 15 16 ［ 10 ］侯北平，卢 佩 ］ 系统仿真［ Ｊ ． ． 基于 自动化与仪表， ＭＡＴＬＡＢ 的 ＢＰ ， 2001 16 ）： （ 1 34 － 36． 神经网络模型及 ［ ］齐 干，陈学军，朱瑞钧 神经网络在深基坑工程中的 ． ］ 应用［ Ｊ ． 建筑技术开发， ］贺超峰，华心祝，杨 科，等 ， 2004 31 ）： （ 5 22 － 26． 安徽理工大学学报， ． 基于神经网络的工作面周 ）： 59 ， 1 2012 （ 1 ］ 期来压预测［ Ｊ ． － 63． ＲＵＭＥＬＨＡＲＴ Ｄ Ｅ． Ｌｅａｒｉｎｇ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｂｙ ＢＰ Ｅｒｒｏｒｓ ［ ］ Ｊ 64 － 70． Ｌｏｎｄｏｎ ）： ， 7 ． Ｎａｔｕｒｅ （ ］张文鸽，吴泽宁 ， 南科学， 2003 ． ＢＰ （ 2 21 （ 7 1986 ）， 神经网络的改进及其应用［ ］ Ｊ ． ）： 203 － 205． 河 ［ ］凌建明，崔伯恩，赵鸿铎，等 同济大学学报：自然科学版， ． 神经网络预测河湾最大 ， 34 2006 冲刷深度［ ］ Ｊ ． （ 8 ）： 1040 － 1044． ［ ］卜一之，李玉耀 基于 ． ＢＰ ］ 拉桥施 工 过 程 中 的 线 性 预 测［ Ｊ ． ， 1 （ 1 ）： 24 － 27． 2009 神经网络算法的特大跨度斜 现 代 交 通 科 技， ［ 17 ］程胜一，褚伟洪，陈 杰，等 ， ． 深层水平位移监测技术分 （ 12 ）： 城市勘测， ］ 建筑基坑变形及支撑结构设计研究［ Ｊ ． 167 － 170． 2011 12 ． 析［ ］ Ｊ ． ］曾晓云 ［ 18 河北 工程大学学报：自然科学版， ， 32 （ 2 ）： 6 － 9． 2015 ［ 19 ］李劭晖，汪琦力，徐 伟 ． ］ 息化施工技术研究［ Ｊ ． 沿海软土地区深基坑工程信 建筑技术， ）： ， 2006 37 （ 12 900 ［ ］李爱荣，王增道 人工神经网络技术在深基坑信息化 20 ． ］ 施工中 的 应 用［ Ｊ ． － 902． － 893． 建 筑 技 术， 2006 ， 36 （ 12 ）： 891 （责任编辑 王利君 ） 櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺 声 明 为适应我国信息化建设的需要 提高本刊的学术影响力 、 可中国学术期刊（光盘版）电子杂志社 作者向本刊提交文章发表的行为即视为同意我刊上述声明 、 扩大作者知识信息交流渠道，本刊已许 、 万方数据库等以数字化方式通过信息网络传播本刊全文 。 毿 櫺 櫺 櫺 櫺 櫺 櫺 櫺 櫺 櫺 櫺 櫺 櫺 毿 櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺櫺 毿 櫺 櫺 櫺 櫺 櫺 櫺 櫺 。 櫺 櫺 櫺 櫺 櫺 毿 中国煤炭期刊网 www.chinacaj.net