基于遗传神经网络的坝区初始渗流场反分析

合集下载

基于遗传算法优化BP神经网络的面板堆石坝变形预测

基于遗传算法优化BP神经网络的面板堆石坝变形预测

基于遗传算法优化BP神经网络的面板堆石坝变形预测
董霄峰;王海军;杨敏
【期刊名称】《水利水电技术》
【年(卷),期】2012(043)012
【摘要】结合实测数据建立了面板堆石坝坝体变形量的BP神经网络预测模型,并引入遗传算法对其进行优化,结果表明经遗传算法优化后的模型预测结果要优于未优化模型的预测结果,优化模型具有更高的预测精度和更强的预测能力.基于某在建工程实例验证了本方法的可行性与实效性,预测结果不仅满足工程安全要求,而且具有较好的可信度和工程参考价值.在上述优化预测模型基础上,实现了引入施工沉降作为输入量对面板挠度进行精确预测,证明了应用这种方法进行面板挠度预测的合理性和优越性.
【总页数】4页(P22-25)
【作者】董霄峰;王海军;杨敏
【作者单位】天津大学水利工程仿真与安全国家重点实验室,天津300072;天津大学水利工程仿真与安全国家重点实验室,天津300072;天津大学水利工程仿真与安全国家重点实验室,天津300072
【正文语种】中文
【中图分类】TV641.43
【相关文献】
1.基于BP神经网络的堆石坝参数二次反演与变形预测 [J], 程壮;陈星;董艳华;党莉
2.MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的应用 [J], 徐朗;蔡德所
3.基于邓肯E-B模型的面板堆石坝应力变形分析——以毛家河水库面板堆石坝为例 [J], 余华
4.基于Prophet模型的江坪河水电站面板堆石坝变形预测 [J], 冷天培; 马刚; 殷彦高; 谭瀛; 周伟
5.基于遗传算法优化BP神经网络的深基坑地连墙变形预测 [J], 许凯文
因版权原因,仅展示原文概要,查看原文内容请购买。

基于神经网络与有限元法相结合的初始地应力场反演分析

基于神经网络与有限元法相结合的初始地应力场反演分析

摘要: 目前 , 对于初始地应力场 的测试主要采用现场直 接量 测法 , 而采用神 经网络与有限元法相结合 的反演 分析 法越来越 成为了一种有效途径 . 结合广东第五抽水 蓄能 电站 工程实例 , 利用 神经 网络 与有 限元 分析相 结合 的方
法, 以及 B P神经 网络 结构和 A IA三维有 限元模 型建 立岩体参 数、 DN 边界 条件与地应 力场 的映射关 系来反 演初 始地应 力场. 模拟计 算与实测结果 的对 比表 明 : 采用该方法进行 初始地应力场的反演计算是可行 的, 计算结 果是 合 理的 , 对类似 工程 具有一定参考价值.
s o d t tt e c l u ai e meh d o he i ta te s fe d wa e sb e,h ac lto e u twa e s n b e, h we ha h ac l t t o f t ni l sr s l s f a i l te c l u ain r s l v i i srao a l a hi t d wa lo pr p rf rsmia ngn e i g . nd t smeho s as o e o i l re i e rn s K e y wor :g o o ia n i e rn i ta e sr s e d; u a ewo k;n e o n l ss ds e lg c le g n e g;ni lg o te sf l ne r ln t r iv  ̄in a ay i i i i
2 G ag ogP oi eH doo e ln i n ei stt, u nzo 1 65,hn ) . un dn r n yr wr a nn a dD s nI tu G a gh u50 3 C i v c p P g g ni e a

自适应遗传神经网络模型(IAGA-BP)及其在坝体结构损伤识别中的应用

自适应遗传神经网络模型(IAGA-BP)及其在坝体结构损伤识别中的应用

自适应遗传神经网络模型(IAGA-BP)及其在坝体结构损伤识别中的应用郭永刚;潘城荣【摘要】针对基本遗传算法(SGA)收敛速度慢、计算稳定性差、效率低下和易陷入局部收敛等问题提出了一种改进的自适应交叉和变异算子,采用十进制编码并建立改进的自适应遗传神经网络模型(IAGA-BP),同时建立基本遗传神经网络模型(SGA-BP).将两者同时运用于坝体结构损伤识别,分析结果表明:IAGA-BP模型在收敛速度、精度方面明显优于SGA-BP模型.【期刊名称】《大坝与安全》【年(卷),期】2010(000)002【总页数】6页(P45-50)【关键词】自适应交叉变异算子;遗传算法;遗传神经网络;结构损伤识别【作者】郭永刚;潘城荣【作者单位】中国水利水电科学研究院,北京100044;北京工业大学建筑工程学院,北京,100124【正文语种】中文【中图分类】TV698.10 引言遗传神经网络模型在坝体结构损伤识别领域是一种有效的方法,已取得了很多成果[1]。

然而,基本遗传算法(Simple Genetic Algorithm,SGA)易出现早熟收敛,同时存在随机漫游、稳定性不佳、收敛速度慢等问题。

针对以上缺点,本文对SGA提出改进措施,对其中的编码、遗传算子进行改进,引入改进的自适应交叉变异算子,并利用经改进的自适应遗传算法(Improved Adaptive Genetic Algorithms,IAGA)优化误差反向传播神经网络(Back Propagation Neural Networks,BPNN)的权值,建立了经改进的自适应遗传神经网络(IAGA-BP)模型,并将该模型应用于大坝的结构损伤识别。

结果表明,IAGA-BP模型在全局收敛能力、收敛精度等方面与基本遗传神经网络模型SGA-BP相比有显著提高。

1 遗传神经网络基本原理遗传算法(GA)与神经网络(NN)的结合机制是根据GA解空间遍及整个搜索空间的特性,从随机解集中,遗传算法可以得出一定范围内的优化解,以此形成NN网络的连接权值,再由NN按负梯度方向进行快速搜索,以达到全局最优解。

土石坝渗流性态分析的IAO-XGBoost集成学习模型与预测结果解释

土石坝渗流性态分析的IAO-XGBoost集成学习模型与预测结果解释

2023年10月水 利 学 报SHUILI XUEBAO第54卷 第10期文章编号:0559-9350(2023)10-1195-15收稿日期:2023-04-22;网络首发日期:2023-09-26网络首发地址:https:??kns.cnki.net?kcms?detail?11.1882.TV.20230925.1235.002.html基金项目:国家自然科学基金雅砻江联合基金项目(U1965207)作者简介:余红玲(1994-),博士生,主要从事大坝渗流性态分析研究。

E-mail:yuhongling@tju.edu.cn土石坝渗流性态分析的IAO-XGBoost集成学习模型与预测结果解释余红玲,王晓玲,任炳昱,郑鸣蔚,吴国华,朱开渲(天津大学水利工程仿真与安全国家重点实验室,天津 300072)摘要:针对现有土石坝渗流数值模拟方法计算效率较低、难以实时分析大坝渗流性态,而现有基于机器学习算法建立的代理模型又存在模型可解释性较差的问题,提出土石坝渗流性态分析的IAO-XGBoost集成学习模型,并基于Shapley加性解释(SHapleyAdditiveexPlanation,SHAP)理论对预测结果进行解释。

在采用多地质体自动建模方法和CFD技术对大坝渗流场进行计算分析的基础上,基于改进的天鹰(ImprovedAquilaOptimization,IAO)算法优化极限梯度提升(eXtremeGradientBoosting,XGBoost)集成学习算法中的n_estimators、max_depth和learning_rate等超参数,进而建立基于IAO-XGBoost集成学习算法的大坝渗流性态指标预测模型,以揭示上下游水位和坝基地层渗透系数等输入特征变量与渗流性态指标模拟值间的复杂非线性映射关系。

进一步地,将IAO-XGBoost集成学习算法与可解释机器学习框架SHAP理论相结合,挖掘影响大坝渗流性态指标预测结果的关键特征,并解释特征变量对渗流性态指标预测的影响。

乐昌峡水利枢纽工程右岸坝肩边坡渗流场边界反演分析

乐昌峡水利枢纽工程右岸坝肩边坡渗流场边界反演分析
的地 下水 分 布相 当 困难 且 工 作量 大 ,但 边 坡 的 中心 位
置有 3个 钻孑 L ,勘 探 出 了地 下水 位 ,这 为反 演 来 得 到
边 界水 头分 布提 供依 据 。本 文 通 过 分 析 可 能 的边 界 水
体 个体 ) ;⑤ 将进 化解 编码 分解 为 B P网络所对 应 的权 值 、阈值 ;⑥ 将初 步得 到 的权值 、阈值 赋 给 B P网络 ;
变 、水 头及 流量 等实 测信 息 的反 演 分 析 逐渐 发 展 成 为 获 取岩 体力 学参 数 的重 要 手 段 ¨ J 。陈 昌彦 等应 用 人 工 神 经 网络方 法预 测 边坡 岩 体 的稳 定 状 况 ;刘 先 珊 等 采 用模 拟退 火 的交替 迭 代 算法 的神 经 网 络 反演 了水 闸
第 7期
2 0 1 4年 7月
广 东 水 利 水 电
GUANGD0NG W ATER RES0URCES AND HYDROPOW ER
N o . 7
J u 1 .2 0 1 4
乐 昌峡 水 利 枢 纽 工程 右 岸 坝 肩边 坡 渗 流场 边 界反 演 分 析
李 成 ,李 毅2
进一 步 设 置 B P训 练 参 数 ,再 进 行 B P训 练 ,然 后 仿
头形式 ,运 用渗 流 有 限元 程 序 ,进 行 计 算 各边 界 水 头 形 式下 的渗 流场 分 布 ,根 据 渗 流 原理 ,选 出合 理 的边
界 形式 ,并 根据 这些 边 界 形 式 ,分 别将 均 匀设 计 方 法
阀值 训练 学 习的有 效 方法 。它适 合 于处 理 规 模 较 大 的 并行 问题 ,因此 ,当 网络 的结 构 较 庞 大 时 ,只 要选 择 合适 的控 制参 数 ,就 能够 更 充 分 地 发挥 出其 收 敛 速 度 快 、不 至于 陷入局 部最 小 的优点 。

基于遗传神经网络的坝基岩体渗透系数识别

基于遗传神经网络的坝基岩体渗透系数识别

第23卷 第5期岩石力学与工程学报 23(5):751~7572004年3月 Chinese Journal of Rock Mechanics and Engineering March ,20042002年4月22日收到初稿,2002年6月18日收到修改稿。

* 国家自然科学基金(10072014)资助项目。

作者 何 翔 简介:男,29岁,硕士,1998年毕业于辽宁工程技术大学土木系矿建专业,现为博士生,主要从事岩土力学方面的研究工作。

E-mail :hxdut@ 。

基于遗传神经网络的坝基岩体渗透系数识别*何 翔 李守巨 刘迎曦 周园π(大连理工大学工业装备结构分析国家重点实验室 大连 116023)摘要 基于坝基岩体渗流场正演分析的数学模型,通过观测渗流区域地下水运动的动态信息反演坝基岩体的渗透系数。

将遗传算法和神经网络相结合,所建立的遗传神经网络具有较快的训练速度和较强的泛化能力。

数值算例表明,遗传神经网络在求解坝基岩体渗透系数反演问题中具有较高的计算效率和识别精度。

关键词 遗传神经网络, 渗透系数,参数识别,全局最优,归一化分类号 O 357 文献标识码 A 文章编号 1000-6915(2004)05-0751-07IDENTIFICATION OF PERMEABILITY COEFFICIENTOF ROCK MASS IN DAM FOUNDATION BASED ON GENETICNEURAL NETWORKHe Xiang ,Li Shouju ,Liu Yingxi ,Zhou Yuanpai(State Key Laboratory of Structural Analysis of Industrial Equipment ,Dalian University of Technology , Dalian 116023 China )Abstract The mathematical model of seepage field is introduced as the basis in identifying the permeability coefficient of the dam foundation by observing the dynamic information of the movement of underground water in seepage field. With the combination of genetic algorithm with artificial neural network ,the newly established genetic neural network is of faster training speed and superior generating ability. The presented numerical example shows that the genetic neural network is of both higher computing efficiency and higher identification accuracy. Key words genetic neural network ,permeability coefficient ,parameter identification ,global optimum ,normalization procedure1 引 言在水利水电工程中,大坝的安全和电站的正常运转受到普遍的关注,水库的渗漏常造成水库不能蓄水到正常设计水位而影响电站的正常运转,更严重的是引起坝基扬压力的增加,甚至威胁到大坝的安全运行。

土石坝渗流的自学习神经网络模型

土石坝渗流的自学习神经网络模型

土石坝渗流的自学习神经网络模型
何勇军;沈秋
【期刊名称】《水利水电技术》
【年(卷),期】2002(033)002
【摘要】通过对土石坝渗流的成因分析,应用人工神经网络原理,并结合某土石坝的实测资料,建立了渗流自学习神经网络监控模型,给出了模型的输入、输出因子和模型结构.所提出的自学习神经元有正向传播信息、反向传播误差及学习的功能,是一个独立实体,由自学习神经元可方便地构成自学习BP网络.所建立的渗流监控模型不仅可用于大坝渗流分析,同时可以用于监视大坝的安全运行和预报.从模型的计算结果看,计算值与实测值基本重合,所建模型是有效的.
【总页数】4页(P26-29)
【作者】何勇军;沈秋
【作者单位】河海大学水利水电工程学院,江苏,南京,210098;水利部,南京水利水文自动化研究所,江苏,南京,210012
【正文语种】中文
【中图分类】TV698.1
【相关文献】
1.土石坝渗流的BP神经网络模型 [J], 薛小辉;姜景山
2.土石坝坝体渗流反演分析及渗流安全评价 [J], 郑建国
3.基于浑水渗流理论的某斜心墙土石坝渗流稳定机理研究 [J], 姚锋杰
4.基于非饱和渗流理论的土石坝渗流分析 [J], 刘晓庆;施浩然
5.考虑饱和-非饱和渗流的土石坝渗流及稳定性计算 [J], 张守仁
因版权原因,仅展示原文概要,查看原文内容请购买。

神经网络在土石坝渗流监测中的应用的开题报告

神经网络在土石坝渗流监测中的应用的开题报告

神经网络在土石坝渗流监测中的应用的开题报告一、选题背景土石坝是一种重要的水利工程结构,其渗流安全对于工程的稳定运行至关重要。

目前,常用的土石坝的渗流检测方式主要是传统的物理检测方法,如压汞法、脱水法、温度探针法等。

这些方法具有操作简单、技术成熟等优点,但是其缺点也相当明显,如效率低、测量精度有限等。

随着机器学习技术的不断发展,神经网络在渗流监测领域也得到了广泛应用。

神经网络算法具有自适应性强、容错性好、学习能力强等优点,其可通过对大量数据学习模型,实现对渗流状态的精准预测。

基于此,开展神经网络在土石坝渗流监测应用的研究,不仅有助于提高渗流监测的精度和效率,还可为土石坝的安全运行提供宝贵的技术支持。

二、研究目的本研究旨在探究神经网络在土石坝渗流监测中的应用,重点研究以下方面:1. 基于神经网络算法实现渗流状态的精准预测;2. 提高渗流监测的精度和效率,并为土石坝的安全运行提供技术支持;3. 基于已有的数据对神经网络算法进行训练,验证其在实际应用中的可行性和有效性。

三、研究内容本研究的主要内容包括:1. 分析神经网络在渗流监测中的优势和适用性,确定研究方向;2. 收集、整理和分析土石坝渗流监测相关数据;3. 构建基于神经网络的渗流监测模型,并进行训练;4. 对模型进行测试和评估,并和传统的渗流监测方法进行对比;5. 不断优化改进模型,提高渗流监测的准确性和效率。

四、研究意义1. 通过探究神经网络在土石坝渗流监测中的应用,可有效提高渗流监测的精度和效率,为土石坝的安全运行提供技术支持;2. 研究结果可为其他水利工程结构的渗流监测提供借鉴和参考;3. 为神经网络算法在实际工程中的应用提供实践经验和技术支持。

五、研究方法本研究主要采用以下研究方法:1. 文献综述法:通过收集、阅读相关文献了解神经网络在渗流监测中的研究进展和应用情况;2. 数据采集法:通过实地采集数据、网络检索等方式获取土石坝渗流监测相关数据;3. 神经网络算法:使用神经网络算法对数据进行训练,并在实验室进行验证测试;4. 对比实验法:对神经网络算法和传统的渗流监测方法进行对比实验,评估其在实际应用中的优劣。

  1. 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. 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. 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)。

图 1 基 于 遗 传 神 经 网 络 的 渗 流 反 分 析 流 程 图 Fig.1 Flow chart of seepage back analysis
based on genetic neural network
收 稿 日 期 :2012-03-23,修 回 日 期 :2012-05-12 基金项目:国家重点基础研究发展计划(973 计 划 )基 金 资 助 项 目 (2011CB013503);新 世 纪 优 秀 人 才 支 持 计 划 基 金 资 助 项 目 (NCET-09-0610) 作 者 简 介 :张 璇 (1990-),女 ,硕 士 研 究 生 ,研 究 方 向 为 渗 流 分 析 与 控 制 ,E-mail:xiaoxuanpiaopiao@126.com
第30卷 第12期 2 0 1 2年1 2月
文 章 编 号 :1000-7709(2012)12-0074-04
水 电 能 源 科 学 Water Resources and Power
Vol.30 No.12 Dec.2 0 1 2
基于遗传神经网络的坝区初始渗流场反分析
张 璇,李 毅,罗 琳,车富强,郑海圣
(武汉大学 水资源与水电工程科学国家重点实验室,湖北 武汉 430072)
摘要:为尝试采用遗传神经网络法解决无渗漏量资料的多目标渗流反分析问题,根据遗传神经 网 络 的 非 线 性
映 射 特 性 ,提 出 了 基 于 遗 传 神 经 网 络 的 初 始 渗 流 场 反 演 方 法 ,采 用 正 交 设 计 法 设 计 渗 流 场 参 数 样 本 ,通 过 有 限
第 30 卷 第 12 期
张 璇 等 :基 于 遗 传 神 经 网 络 的 坝 区 初 始 渗 流 场 反 分 析
· 75 ·
1.2 神 经 网 络 结 构 遗传神经网络方法中采用神经网络映射渗流
场参数和钻孔水位之间的非线性关系。人工神经 网络是一种能为复杂问题提供直观有效的表现方 式 的 非 线 性 动 力 学 系 统 ,一 般 由 一 个 输 入 层 、一 个 或几个隐含层和 一 个 输 出 层 组 成,相 邻 的 两 个 层 之 间 通 过 权 值 、阈 值 和 传 递 函 数 相 互 联 系 ,层 内 的 节点之间无联系。根据渗流场反演问题的特点, 一般采用三层 网 络 进 行 反 演 分 析[7],网 络 输 入 层 的节点表示钻孔 水 位,输 出 层 的 节 点 表 示 材 料 渗 透 系 数 和 边 界 水 头 ,其 基 本 结 构 见 图 2。
2 工程实例
2.1 工 程 概 况 卡拉水电站位于四川省凉山彝族自治州木里
藏族自治县境内的雅砻江干流中游河段上卡拉乡 下田镇村上 游 约 4km 处,为 雅 砻 江 干 流 中 游 两 河口-卡拉河段水电规划一库六级开发之第6个 梯 级 水 电 站。 电 站 总 装 机 容 量 980 MW,多 年 平均 发 电 量 45.345×108kW ·h,保 证 出 力 350 MW。枢纽建筑 物 主 要 由 碾 压 混 凝 土 重 力 坝、坝 身 泄 洪 建 筑 物 及 引 水 发 电 系 统 等 组 成 。 其 中 ,引 水 发 电 系 统 采 用 右 岸 地 下 厂 房 首 部 开 发 方 式 ,地 下 厂 房洞室群 距 水 库 较 近,且 厂 区 附 近 揭 露 有 F75 和 F152两条Ⅱ级结构面,渗漏及渗透稳定性突出。
f(x)= 1/[1+exp(-x)]
(2)
从 隐 含 层 到 输 出 层 采 用 同 样 的 映 射 方 式 ,即 :
NH
∑ kpm =f( wjmyjp +θm ) j=1
(3)
式中,kpm 为 输 出 层 m 节 点 的 第p 组 样 本 的 实 际
输出;NH 为隐含层的节点数目;wjm 为 隐 含 层j 节 点和 输 出 层 m 节 点 的 连 接 权 值;θm 为 输 出 层 m 节点的阈值;传递函数采用 Sigmoid函数。
NI
(∑ ) yjp =)
式中,yjp 为 隐 含 层j 节 点 的 第p 组 样 本 的 输 出
值;NI 为输入层的 节 点 数 目;wij 为 输 入 层i 节 点
和隐含层j 节点 的 连 接 权 值;θj 为 隐 含 层j 节 点
的阈值;传递函数采用 Sigmoid函数,即:
· 76 ·
水 电 能 源 科 学 2012 年
图 3 Ⅰ-Ⅰ′断 面 二 维 有 限 元 网 格 图 Fig.3 2Dfinite element meshes of section Ⅰ-Ⅰ′
坝区右岸整 体 三 维 模 型 有 限 元 网 格 见 图 4, 共划分单元700 798 个,节 点 299 075 个,模 型 计 算 范 围 为 垂 直 坝 轴 线 方 向 (顺 河 向 )2 085 m,平 行 轴线方向1 190m,最大高度1 237m。 河道内的 表 面 节 点 为 已 知 水 头 边 界 ,上 、下 游 侧 面 边 界 和 底 部边界取隔水边 界,模 型 上 表 面 除 地 表 水 淹 没 区 之外的区域设为潜在溢出边界。图中标示的山体 内侧边界为待反演的水头边界。
火的 Gauss-Newton算法的神 经 网 络 反 演 材 料 渗 透系数。 鉴 此,本 文 采 用 遗 传 神 经 网络法解决无
渗漏量资料的多目标渗流反分析问题,并应用有限 元正分析过程采用 Signorini型变分不等式方法[5], 有效解决含复杂渗控结构及边界条件的渗流问题。
1 基于遗传神经网络的渗流反分析法
图 2 神 经 网 络 基 本 结 构 图
Fig.2 Illustrative structure of neural work
输入层i节点 的 第p 组 样 本 的 水 位hip 通 过 加权求和,再经隐 含 层 节 点 传 递 函 数 的 作 用 得 到
隐 含 层 节 点 的 输 出 值 ,表 达 式 为 :
图 4 坝 区 右 岸 整 体 三 维 有 限 元 网 格 图
Fig.4 3Dfinite element meshes of right dam site area
为满足计算需 要,建 立 了 典 型 断 面 二 维 有 限 元模型和坝区右岸整体三维有限元模型。模型的 建立充分利用了卡拉水电站上坝线工程地质图、 勘察线剖面图和右岸地下厂房设计资料等基本资 料。二维模 型 主 要 模 拟 的 地 层 结 构 包 括 新 鲜 基 岩 、微 风 化 基 岩 和 弱 风 化 基 岩 ,其 渗 透 系 数 分 别 表 示为 Kf、Km和 Kw;三维模型 还 模 拟 了 结 构 面,渗 透系数为 Ks。
网络误差为:
S NO
∑ ∑ E

1 2p=1 m=1
(kpm′
-kpm )2
(4)
式中,S 为 样 本 组 数;NO 为 输 出 层 节 点 个 数;kpm′
为输出层m 节点的第p 组样本的期望输出。
1.3 遗 传 算 法 训 练 神 经 网 络
遗传神经网络方法中采用遗传算法训练神经
网 络 ,是 对 网 络 权 值 和 阈 值 采 取 一 定 的 编 码 方 式 , 随机产生一定种群数量的权值和阈值作为初始种 群 ,再 经 选 择 、交 叉 和 变 异 等 遗 传 操 作 使 种 群 按 照 网络误差减小的 方 向 进 化,当 网 络 误 差 满 足 精 度 要求时则训 练 结 束。 由 此 可 见,遗 传 算 法 是 由 多 个初值同时进行 计 算,且 不 要 求 目 标 函 数 连 续 可 微 ,具 有 并 行 性 、初 值 无 关 性 和 全 局 收 敛 性 。
1.1 方 法 概 述 遗传神经网络法是利用遗传算法训练神经网
络的方法,兼有神 经 网 络 的 学 习 能 力 和 遗 传 算 法 的全局搜索能力。采用遗传神经网络法进行渗流 场反分析,只需利 用 正 交 设 计 方 法 生 成 渗 流 场 参 数样本,对其进行 有 限 元 正 分 析 以 获 得 钻 孔 处 水 位样本。建立学 习 样 本 后,利 用 遗 传 算 法 训 练 神 经网络直至满足网络误差的精度要求。训练完成 的神经网络则能较好地映射渗流场参数和钻孔水 位之间的非 线 性 关 系。 此 时,将 钻 孔 实 测 水 位 输 入到训练好的网络就能很快地反演所需的渗流场 参数,进而获 得 初 始 渗 流 场。 基 于 遗 传 神 经 网 络 的渗流反分析法使有限元正分析过程与反分析过 程 分 离 ,大 幅 减 少 了 数 值 计 算 的 工 作 量 ,提 高 了 反 分析的速度 。 [6] 图1为基于遗传神经网络的 渗 流 反分析流程图。
元分析获得钻孔水位样本,并利用遗 传 神 经 网 络 学 习 钻 孔 水 位 与 渗 流 场 各 参 数 的 非 线 性 关 系 得 到 各 参 数 的
反演值。以卡拉水电站右岸坝区为例,反演了岩体和结 构 面 的 渗 透 系 数 和 右 岸 边 界 水 头,验 证 表 明 该 方 法 在
渗流场反演中具有较高的精度。
卡拉水电站渗流场反演分析主要是为确定右 岸水头边界条件 和 岩 体 及 结 构 面 的 渗 透 系 数,进 而确定坝区右岸 初 始 渗 流 场,为 施 工 期 和 运 行 期 的厂坝区渗流计算分析及渗控方案的选择提供依 据。反分析基本 思 路 是:根 据 工 程 地 质 及 水 文 地 质 资 料 ,通 过 选 取 若 干 典 型 断 面 ,采 用 二 维 有 限 元 渗流分析方法 对 初 始 渗 流 场 进 行 反 分 析,确 定 渗 流场边界条件和材料参数;进而利用三维有限元渗 流分析方法,对坝区初始渗流场进行整体反馈分析。 2.2 有 限 元 模 型 及 边 界 条 件
二维计算分 析 选 取 Ⅰ-Ⅰ′勘 察 线 为 典 型 断 面, 有限 元 网 格 见 图 3,共 划 分 单 元 1 096 个,节 点 2 324个,模型 计 算 范 围 为 平 行 坝 轴 线 方 向1 208.30 m,最大高度 1 103.30 m。 模 型 左 侧 边 界 取 河 床 水位1 913.96m,上表面 除 地 表 水 淹 没 区 之 外 区 域 取 潜 在 溢 出 边 界 ,底 部 取 隔 水 边 界 。
相关文档
最新文档