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。

基于神经网络的大坝参数反演法

基于神经网络的大坝参数反演法

基于神经网络的大坝参数反演法
司红云;曹邱林;郑东健
【期刊名称】《水利与建筑工程学报》
【年(卷),期】2003(001)004
【摘要】基于BP神经网络的基本原理建立了大坝混凝土和基岩模量反演分析模型,提出了模型样本的处理方法,并结合实例分析表明用神经网络方法反演大坝混凝土和基岩平均模量是一种行之有效的方法,反演值与实测值基本吻合.
【总页数】3页(P22-23,30)
【作者】司红云;曹邱林;郑东健
【作者单位】扬州大学水利与建筑工程学院,225009;扬州大学水利与建筑工程学院,225009;河海大学水利水电工程学院,210098;河海大学水利水电工程学
院,210098
【正文语种】中文
【中图分类】TV64
【相关文献】
1.基于参数反演法面板堆石坝长期运行变形分析 [J], 韩勇
2.基于果蝇-BP神经网络算法的大坝力学参数反演 [J], 俞祥荣;张社荣;王雪红;程井
3.基于神经网络的混凝土大坝弹性参数识别方法 [J], 李守巨;刘迎曦;张正平;黄蔚;沈广和
4.基于均匀设计及遗传神经网络的大坝力学参数反分析方法 [J], 李端有;甘孝清;周

5.基于神经网络反演法的3mm波辐射特性研究 [J], 龚冰;娄国伟;李兴国;聂建英因版权原因,仅展示原文概要,查看原文内容请购买。

自适应遗传算法在某拱坝渗流参数反演中的应用

自适应遗传算法在某拱坝渗流参数反演中的应用
继 续运行 .
2 渗透 系数 的反 演模型
根据研究渗流区域内若干已知坐标位置的测点 水头实 测 值 与 计 算 值 之 间 的误 差 , 以最 小 误 差
E( 为 目 函数 , k) 标 则有

() 6 遗传进化操作. 按前述选择算子进行选择 操作 , 然后 以自适应概率对匹配池 中的个体进行交 叉及变异操作, 完成后把这些个体送 回子代 , 形成子 代群体. () 回第( ) 7返 3 步循环进行.
E √ ) ( ( k ,
易陷入局部最优点, 优化过程数值稳定性差 , 特别是 当待求参数数 目 增加时, 计算效率大大降低 , 甚至会 导致搜索不收敛. 近年来新兴 的遗传算法 以其特有 的优点在位移反分析领域得到 了广泛 的应用[5, 4J - 以遗传算法为核心的智能化反分析方法也受到 了工 程界的广泛重视, 为解决裂隙岩体渗流反分析提供 了新 的途径 J .
维普资讯

14 一 3
西安 石油 大学学报 ( 自然科学版)
和变异概率 , 使该解被淘汰掉. 因此, 自适应遗传算
法在保持群体多样性 的同时保证遗传 算法的收敛
性.
的结果 .
() 4 适值评价. 把上一步得 到的误差返 回到主 程序 , 按前述适值函数计算个体的适值 , 并计算群体 平均适值 . () 5 收敛判断. 以种群 中最大适值与平均适值 之差应小 于 l×1- 作为判据 , 05 并以最大进化代数 小于最大代数辅助判断 ,是” “ 则算法结束 ;否” “ 则
Ma. 0 7 r20
V0.2 No 2 12 .
文章 编 号 :6304 2 0 )203 —3 17 —6 X(07 0—130
自适 应 遗传 算 法在 某 拱 坝 渗 流 参数 反演 中的应 用

官地水电站坝址区初始地应力场反演分析

官地水电站坝址区初始地应力场反演分析

官地水电站坝址区初始地应力场反演分析何江达,谢红强,王启智,肖明砾(四川大学水利水电学院,四川 成都 610065)摘 要:岩体初始应力场是影响岩体变形与稳定的主要力源,也是岩土工程设计和施工中考虑的主要因素之一,尤其 在高地应力地区显得尤为重要。

根据官地水电站厂区的地质条件及地应力实测资料,运用有限元数值分析方法,对坝 址区初始应力场进行回归反演分析,计算结果表明:厂区存在较大的水平向地质构造作用,岩体的地应力由自重和构 造应力叠加而成;通过多方案分析论证,实测点的计算应力值与实测值在量值上和方向上均较为接近,表明反演得到 的坝址区三维地应力场是合理的,符合近坝区地质构造历史背景,其成果可供工程采用。

关键词:水电站;初始地应力场;反演分析;有限单元法 中图分类号:TU43文献标识码:A文章编号:1000–4548(2009)02–0166–06作者简介:何江达(1961– ),男,教授,博士生导师,主要从事岩土工程、水工结构的数值计算与仿真研究。

E-mail: ****************。

Inversion analysis of initial geostress in dam site of Guandi Hydropower ProjectHE Jiang-da ,XIE Hong-qiang ,WANG Qi-zhi ,XIAO Ming-li(College of Water Resources and Hydropower, Sichuan University, Chengdu 610065, China)Abstract : The initial geostress is the main source of force influencing the deformation and stability of underground powerhouses and also one of key factors to be considered in engineering design and construction, especially in construction of underground powerhouses of large hydropower projects. Based on the geological conditions and measured geostress data of an underground powerhouse of a certain hydropower project, the finite element method is applied to analyze the initial geostress of the underground powerhouse. It is shown that the action of the horizontal geological structure is preferably dominant in the region of the underground powerhouse, and the geostress is composed of the gravitational stress and the tectonic stress. Through comparison between the calculated and measured geostresses of measuring points, it is found that these two are similar in values and directions, which suggests that the geostress field obtained by regression is reasonable and conforms to the historical background of geological structure. The results of the geostress field can be applied to practical engineering projects. Key words : hydropower station; initial geostress; regression analysis; FEM0 引 言具有一定离散性,难以描绘整个厂区岩体初始地应场 的变化规律,亦不能满足工程需要[3-4]。

基于BP神经网络的土坝渗流场反演研究

基于BP神经网络的土坝渗流场反演研究

基于BP神经网络的土坝渗流场反演研究任喜平,钟声(西安理工大学,陕西西安,710048)摘要:土坝坝体、坝基土壤或岩体、两岸土体或岩体的渗透系数则是分析土坝渗流场的一个重要参数。

它关系到人们是否能够真正了解大坝的实际安全状况。

本文将现场监测和反演分析结合起来反演渗透系数,对于材料比较复杂的地基尤为如此,地基渗透系数牵扯到地基沉降、渗漏、滑体等众多安全因素。

从该角度出发,针对监测资料中的测压管水头与渗透系数之间的非线性关系,引入BP神经网络法、遗传算法,用于反演土石坝渗透系数,对比参照实际设计渗透系数。

关键词:BP神经网络法;遗传算法;渗透系数;非线性中图分类号:文献标识码:文章编号:Infiltrates the flow field inversion research based on the BP neuralnetwork's earth stone damRen Xi-ping,Zhong sheng(Xi’an University of Technology, Xi’an, Shaanxi 710048, China)Abstract:The earth dam, the base of dam soil either the rock mass, both banks soil body or the rock mass penetration coefficient is analyzes the earth dam to infiltrate the flow field a key parameter. It relates the people whether can understand the dam truly the actual safe condition. This article from therefore monitor and the inversion analysis on the spot unifies the inversion penetration coefficient. This article from this angle embarking, in view of between monitoring data's in measuring tube flood peak and penetration coefficient's misalignment relations, introduces the BP nerve network method, the genetic algorithm, uses in the inversion earth stone dam penetration coefficient, the contrast reference actual design penetration coefficient.Key words: BP neural network; Genetic algorithm; Penetration coefficient; Misalignment1 引言人工神经网络的发展,经历了一个曲折艰难的过程。

基于QGA优化的BP神经网络的大坝渗流预报模型

基于QGA优化的BP神经网络的大坝渗流预报模型

基于QGA优化的BP神经网络的大坝渗流预报模型
许淼;吴熙栋;徐君;朱奕峰
【期刊名称】《浙江水利水电专科学校学报》
【年(卷),期】2013(025)004
【摘要】针对BP神经网络的过拟合和收敛速度慢等问题,基于量子遗传算法(QGA)对网络初始权值、阀值进行优化,结合某电站实测资料建立了大坝渗流预报模型,通过对模型实例的比较,验证了模型的优越性.该模型在实际工程应用中有一定借鉴意义.
【总页数】4页(P7-9,13)
【作者】许淼;吴熙栋;徐君;朱奕峰
【作者单位】绍兴水利水电勘测设计院,浙江绍兴312000;绍兴水利局水文站,浙江绍兴312000;浙江钱塘江水利建筑工程公司,浙江杭州310016;绍兴水利水电勘测设计院,浙江绍兴312000;绍兴水利水电勘测设计院,浙江绍兴312000
【正文语种】中文
【中图分类】TV214
【相关文献】
1.基于QGA-BP神经网络的人脸识别技术研究 [J], 武艳
2.基于主成分分析与BP神经网络模型的大坝渗流监测资料分析 [J], 田伟;魏光辉;高强
3.基于PSO-SVM的大坝渗流监测时间序列非线性预报模型 [J], 姜谙男;梁冰
4.基于遗传优化BP神经网络的水稻气象产量预报模型 [J], 罗梦森;景元书;熊世为
5.遗传算法优化BP神经网络水文预报过程模型研究 [J], 褚继花
因版权原因,仅展示原文概要,查看原文内容请购买。

遗传算法优化神经网络的坡面入渗产流模型

遗传算法优化神经网络的坡面入渗产流模型
大误 差分 别 为 6.8 ,5.8 ,0.6 。 4 % 2 8% 2 3%
关 键 词 :神 经 网络 , 传 算 法 , 渗 , 流 , 测 模 型 遗 入 产 预
中 图分 类 号 :¥ 7 21 文 献 标 识 码 :A 文章 编 号 :1 0 —6 1 2 1 ) 20 0 .4 0 07 0 ( 0 10 —2 90
第 2 9卷 第 2期 21 0 1年 3月
干 旱 地 区 农 业 研 究
Ag iu t r lRe e r h i h i e s rc lu a s a c n t e Ard Ar a
V0 . 9 No. 12 2 Ma . 0 r 2 11
遗 传 算 法 优 化 神 经 网络 的坡 面 入 渗产 流模 型
模 拟 结果 平 均 误 差 6 3 % 和 1 9 % , 测 结 果 平 均 误 差 为 5 7 %和 1 9 % 。并 与传 统 B .2 .3 预 .1 .2 P神 经 网络 模 型 和 定 雨 强 Pi h i 归模 型 的预 测 入 渗 结果 进 行 了对 比 , 果 表 明 : 传 算 法 优 化 B l p回 结 遗 P神 经 网络 模 型 的 预 测 效 果 要 明 显 优 于 传 统B P神经 网络 模 型 和定 雨 强 P ip入 渗 模 型 , 种 模 型 入 渗 预 测 结 果 平 均 误 差 分 别 为 1 9 % , .9 , . 0 , hi l 三 .2 5 2 % 9 1 % 最
Hale Waihona Puke 摘 要 :引入 遗 传 算 法 优 化 B P神经 网 络 权 重和 冈 值 的 方 法 建 立 黄 土 坡 面 产 流 入 渗 模 型 。 模 型 以 雨 强 、 雨 降 历 时 、 层 4 ・ 土 壤 前 期 含 水 量 、 度 值 为 输 入 项 , 流 量 、 渗 量 为 输 出项 , 实 测 资 料 对 网络 进 行 模 拟 和 预 测 。 表 0c m 坡 径 入 用

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

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李建博;杨保全;王殿春【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BP神经网络结构和ADINA三维有限元模型建立岩体参数、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.%Currently,the geo-stress measurement is the most straightforward way to provide the initial geo-stress field. Combining with the example of the Fifth Pumped-storage Power Station of Guangdong Province, using method of neural network combined with finite element analysis, we established the rock mass parameters, boundary conditions and the mapping relation of the stress field by BP neural network structure and ADINA three- dimensional finite element model, to invert the initial geostress field. The simulative and experimental results showed that the calculative method of the initial stress field was feasible, the calculation result was reasonable, and this method was also proper for similar engineerings.【期刊名称】《北华大学学报(自然科学版)》【年(卷),期】2012(013)003【总页数】4页(P369-372)【关键词】地质工程;初始地应力场;神经网络;反演分析【作者】李建博;杨保全;王殿春【作者单位】河海大学地球科学与工程学院,江苏南京210098;河海大学地球科学与工程学院,江苏南京210098;广东省水电勘测设计研究院,广东广州510635【正文语种】中文【中图分类】P642初始地应力场是地质环境和地壳稳定性评价的重要基本资料,长期以来受到工程界和学术界的广泛关注.初始地应力场形成的原因及影响因素是极其复杂的,传统的现场地应力测试有声发射法、应力解除法、应力恢复法及水压致裂法等,不能很好地反映其复杂的映射关系,而神经网络所具有的自适应、自学习、并行处理及较强的容错能力等特点,可以很好地用来寻找它们之间复杂的映射关系,达到反演初始应力场的目的.因此,人工神经网络方法在初始地应力场反演中得到了广泛应用. 本研究以广东省第五抽水蓄能电站工程为例,利用神经网络BP算法,结合ADINA有限元软件建立三维有限元模型,对引水隧洞过沟线浅埋段及地下厂房区域的钻孔地应力进行了模拟计算,结果表明:所采取的初始地应力场反演的方法是切实可行的,计算结果是合理的.1 BP神经网络的实施步骤BP网络是目前使用最广泛的神经网络模型,它是按照误差反向传播学习算法进行训练的多阶层神经网络.该网络包括输入层节点、输出层节点、隐含层节点(而且至少有1层).对于输入信号,要先传播到隐含节点,经激活函数f(x)把隐含节点的输出信息传播到输出节点,最终输出结果.设含有L层和N个节点(单元)的任意一个网络,每层单元只接受前一层的输出信息并只给下一层各单元.各节点的特性函数为Sigmoid型函数(连续可微函数).设给定S个样本(xk,dk)(k=1,2,…,S),任一节点i的输出为Oi,对某一个样本k,其输入向量为xk (n维),网络的输出向量为dk (m维).BP算法的学习过程包括正向传播过程和反向传播过程两个阶段:第1阶段(正向传播过程):从输入节点开始向前逐层计算各节点的输入值和输出值直至计算出网络输出值;第2阶段(反向传播过程):定义网络的期望输出dk与实际输出的误差平方和为目标函数,如果只有1个输出单元,则有S个样本的总误差定义为这样,网络的学习就等价于无约束最优化问题E(w)=min .经调整权值w,使其总误差E最小.当选定权系数初值wij(0)时,对每层各单元,可按下式修正权值,μ>0.2 工程概况及计算模型2.1 工程概况广东省第五抽水蓄能电站位于广东省清新县,属于北江下游和珠江三角洲的边缘,北江一级支流滨江下游的秦皇河.初始地应力量测孔均布置在输水发电系统的引水隧洞过沟浅埋段及地下厂房区域,山体的南面,高程约为400~550 m.该工程至今共完成11组应力解除法三维地应力测试和若干组水压致裂法平面应力测试,其钻孔分布在引水隧洞过沟浅埋段及地下厂房区域.本算例选取ZK3003,ZK3006孔的11组三维地应力测试结果进行研究.ZK3003,ZK3006孔均为垂直钻孔,其孔口地面标高分别为426.97 m和413.69 m.2.2 三维有限元模型的构建考虑工程实际,在ZK3003试验孔周围取长900 m,宽600 m的区域作为研究范围,将X-Y平面置于黄海高程系的水平面,X轴方向与初拟的输水发电系统在此段的走向基本一致,为NW 50°,ZK3003孔口在模型中的坐标为(600,250,427),ZK3006孔口坐标为(380,390,414),同时依据多个地质剖面图,在尽量与原地形相吻合的情况下建立几何模型,然后对边界条件进行处理,对岩体材料进行模拟,同时将变形模量、泊松比和边界位移一起作为变量参加神经网络优化.最终建立的三维有限元计算模型见图1.计算中选用非线性弹性有限元分析,实体采用3D solid单元,利用八节点六面体单元剖分几何体,最终共得到9 120个3D solid单元和10 540个节点.图1 三维有限元计算模型Fig.1 3d finte element calculation model2.3 神经网络方法优化参数在反演分析中,需要对参与反演的各参数ux,μy,E和μ在一定取值范围内进行调整试算.本研究采用均匀设计法[1-4],根据试算建立计算样本,然后把有限元计算出来的应力值,通过建立构造函数,利用神经网络出色的非线性拟合能力得出需要点的应力函数,进而求出应力值.从有限元计算结果中提取6个点的应力分量,将得到的6个点的地应力分量计算值作为网络的输入样本,与其对应的计算参数组合作为网络输出,通过BP网络对参数进行反演预测.经过计算并进行数据的反归一化处理,得到了检验样本的输出,见表1.表1 检验样本目标输出与实际输出Tab.1 Target output and actual output of inspection sample检验样本号13141516目标输出ux0.6000.6000.6000.600uy0.2000.3000.4000.600E68.00063.00060.00058.000μ0.1500.1400.1800.160实际输出ux0.5950.5890.6240.631uy0.2130.3180.4250.569E67.88863.03559.93457.991μ0.1630.1270.1750.167对比实际输出与目标输出值,残差相对误差处于0.01%~9.29%,平均相对误差为3.94%,说明网络训练的结果是理想的,可以用此网络进行边界条件及岩体力学参数的反演.3 计算结果及分析将实测点的初始地应力值代入到已训练好的神经网络中,得到的输出结果即为有限元模拟计算所需的边界条件及岩体力学参数.最终得到的输出为(0.56,0.42,60.20,0.15),即ux=0.56 m,uy=0.42 m,E=60.20 GPa,μ=0.15.将输出的边界位移和岩体力学参数施加到有限元模型,经计算可以得到研究区域内的初始地应力场.采用后验差检验方法[5-8]对模拟计算的精度进行检验:1)首先,分别计算实测值的均值和方差残差均值和残差方差计算结果如表2所示. 表2 计算参数Tab.2 Calculation parameter参数xs21 εs22结果8.1669100.1807-0.237518.42982)计算后验差检验指标为c=0.42,p=1.参照精度等级表,确定网络预测精度等级合格,说明模拟计算的效果是理想的.通过对研究区域主应力分布图2~图4的分析可以看出:最大主应力的计算值为3.0~21.0 MPa,中间主应力的计算值为1.5~10.5 MPa,最小主应力的计算值为0.8~8.0 MPa;浅部区域的地应力值受地形、地貌影响较大,在沟谷部位出现应力集中现象,并导致水平方向应力较大,总体呈现σ1>σ2>σ3的特征;在竖直方向上,3个主应力的值均显现出随深度的增大而增大的趋势.图2 研究区域最大主应力分布Fig.2 Nephogram of the maximum principal stress in research area图3 研究区域中间主应力分布Fig.3 Nephogram of the intermediate principal stress in research area图4 研究区域最小主应力分布Fig.4 Nephogram of the minimum principal stress in research area4 结论1)本研究结合工程实例建立了反演模型,经过反演分析计算得出水平主应力的计算值与实测值的平均误差为9.9%,计算结果是合理的,计算精度满足工程要求,说明利用本研究所采用的方法进行初始地应力场的模拟是可行的.2)对研究区域的地应力场模拟计算结果分析发现:浅部区域的地应力值受地形、地貌影响较大,在沟谷部位出现应力集中现象;在竖直方向上,3个主应力的值均显现出随深度的增大而增大的趋势.3)由于地形、地貌及地层岩性等几何因素对地应力场的数值及分布特征有明显的影响,因此在选取数据点进行反演分析时,所选测点应有足够的深度,以尽量减小地形对反演结果的影响.4)为了简化计算模型,本研究没有考虑地下水、地热等因素对计算结果的影响,为此,在今后研究中应尽可能考虑多个影响因素,使计算结果更符合实际.【相关文献】[1] 方开泰.均匀设计与均匀设计表[M].北京:科学出版社,1994:12-14.[2] 李庆扬,王能超,易大义.数值分析[M].武汉:华中工学院出版社,1988:112-115.[3] 方开泰,马长兴.正交与均匀试验设计[M].北京:科学出版社,2001:16-24.[4] 俞忠原.实验设计与数据分析[M].哈尔滨:哈尔滨船舶工程学院出版社,1991:23-25.[5] 邓聚龙.灰色预测与决策[M].武汉:华中理工大学出版社,1993:36-40.[6] Ludwig Von Bertalanffy.General System Theory:Foundation,Development,Application[M].New York:George Braziller,1998:79-82.[7] Deng Julong,David K W.Ng,Chaos in Grey Model GM(1,1)[J].The Journal of Grey System,1996,8(1):47-53.[8] 吴国平,王振波.地下工程开挖位移的灰色理论预测模型[J].南京建筑工程学院学报,2000(2):54-58.。

石牛水库防渗加固后大坝渗透系数反分析

石牛水库防渗加固后大坝渗透系数反分析

一 Y ( m )
蔷 嚣 l l

::



l 一 ;
l l
5 0
1 ,
I 1

0 1 0

2 0

3 0

6 0

7 0

8 0

9 0

1 0 0

4 0
法 为 确定 坝体 渗 透参 数 提供 了新 的途 径 [ 2 卅 本 文 结 合石 牛 水库 典型 剖 面的监 测水 头数 据 .利 用 B P
轴 线与左 岸 交界 处 为 MO + O 0 0 ) 在 剖面 M0 + 0 4 5的
坝 顶下游 侧 ( 高程 1 0 5 . 0 m, N 0 + 0 0 5 ) 、下游 马道 前 ( 高程 9 5 . 0 m, N 0 + 0 2 9 ) 、 排 水棱体前 ( 高程 9 1 . 0 m,
N 0 + 0 4 7 ) 各设 1 处 测压 管 水头 监测 点 f 设 坝顶 轴 线 为N O + O 0 0 ) 。 见图 1 。 结 合监 测所 得水 头数 据 , 利 用 B P神经 网络 .对 防渗加 固后 大坝 各 区域渗 透 系数 进 行反 分 析
神 经 网络对 其 防 渗加 固后 大坝 0 1 4 — 0 1 — 0 8 [ 作者 简 介 ] 黄 珊 ( 1 9 8 8 一) , 女, 湖 南株 洲 人 , 硕士 , 长 沙理 工 大 学水 利 工 程 学 院 , 主要研究方向 : 土 石 坝 渗 流 安 全 分析 与评 价 。 【 基 金 项 目 ] 高 等 学校 博 士 学科 点 专 项科 研 基 金 资助 课 题 ( 2 0 1 0 4 3 1 6 1 2 o 0 0 3 ) ; 湖 南 省 科 技 厅 科 技 计 划 重 点 项 目( 2 0 0 9 N K 2 0 1 2 ) 。

基于多因素影响的BP—RBF神经网络渗流预测模型

基于多因素影响的BP—RBF神经网络渗流预测模型

基于多因素影响的BP—RBF神经网络渗流预测模型作者:李鹏犇苏亮渊贾亚杰孟弯弯来源:《人民黄河》2018年第04期摘要:为提高大坝坝基渗流的预测精度,把BP 神经网络较强的模糊推理和自学能力与RBF 神经网络在函数收敛中的快速性和绝对性相结合,以避免BP 神经网络陷入局部最小或不收敛,构建了以水库大坝库水深、降雨量和温度三参数为主要影响因素,大坝渗流量为观测值的函数关系。

通过与汾河水库实测资料对比分析表明,基于BP-RBF 神经网络模型的坝基渗流预测模型预测效果良好,可以为大坝的安全监测与病险防护提供数据支持,为大坝原型观测资料处理提供了新途径。

关键词:大坝安全监测;渗流;预测;BP 神经网络;RBF 神经网络;汾河水库 中图分类号:TV698.1文献标志码:Adoi:10.3969/i.issn.1000-1379.2018.04.032地下水渗漏造成的坝底扬压力过高、渗透比降过大等问题严重胁迫着大坝的安全运行,乃至引发严重的溃坝事故,对下游人民的生命财产安全造成威胁,而表征地下水渗漏程度的重要参数之一是渗流量。

因此,选择有效的理论与方法、建立有效的模型来预测渗流量和防止渗流事件对于大坝安全运行具有重要的现实意义。

随着数值模拟技术的不断发展,学者们将不同的预测方法引入到大坝渗流预测模型的研究中。

刘彩花等2运用EMD-ARI模型对渗流数据进行分解,初步提取周期项与趋势项,对剩余值序列基于SAS平台进行时间序列分析。

陈端等运用改进神经网络对大坝监测资料进行分析,结果表明广义回归神经网络具有柔性网络结构、很强的非线性映射能力及高度的容错性,非常适合解决非线性问题。

以上研究多建立在对渗流实测数据进行分析拟合的基础上,并未考虑大坝库水位、降雨量、温度等因素对渗流场的影响。

基于此,本文利用BP-RBF神经网络在电气、热能等领域应用中展现出的最优泛函逼近的特性和较强的数据拟合能力,以汾河水库坝基渗流资料为基础,将渗流场中多变而复杂的影响因素进行拟合,建立基于多因素影响的BP-RBF神经网络渗流预测模型,以期为大坝安全运行状态监控及模型构建提供参考。

基于GA-BP 神经网络模型的大坝裂缝预测

基于GA-BP 神经网络模型的大坝裂缝预测
SHU Xin LU Min (School of Water Conservancy, Yunnan Agricultural University,Kunming Yunnan 650201)
Abstract: Conventional BP neural networks are generally not accurate in predicting dam crack opening due to initial weight and threshold problems. To this end, this paper first introduced the genetic algorithm (GA) to optimize the BP neural network, constructed the GA-BP neural network prediction model, and then analyzed the measured data, and found that the reservoir water level and temperature significantly affected the crack opening, finally, took these two factors as the input variables of the network, and used the prediction model to predict the crack opening of the X15 section of a gravity arch dam. Compared with the prediction results of the two methods, the prediction accuracy of BP neural network optimized by genetic algorithm is significantly higher than that of traditional BP neural network. This study provides a technical approach to the safe operation of dams. Keywords: dam;crack opening prediction;BP neural network;genetic algorithm

基于BP神经网络的岩溶水库渗漏评估——以贵州林歹迎燕水库为例

基于BP神经网络的岩溶水库渗漏评估——以贵州林歹迎燕水库为例

基于BP神经网络的岩溶水库渗漏评估——以贵州林歹迎燕水库为例彭三曦;李义连;单慧媚【摘要】岩溶地区修建水库的渗漏问题是水库能否正常运行的瓶颈.岩溶区水库渗漏的影响因素复杂繁多,难以用具体的数学模型建立各参数之间的非线性关系,以定量评估水库的渗漏量.以贵州岩溶地区林歹迎燕水库为例,通过收集57个同类水库渗漏实例,在详细分析库区水文地质条件的基础上,构建了BP神经网络模型,利用其反向传递并自我修正误差的功能优势,定量预测评估迎燕水库的渗漏量.结果表明:迎燕水库的渗漏量约为0.003m3/s,与库区实际监测结果基本一致,表明BP神经网络模型可以有效地应用于岩溶地区水库渗漏量的评估,可为岩溶水库渗漏评价提供一种新思路,对我国岩溶地区水库修建的选址以及对邻近矿区地下开采的影响评估具有重要的参考价值.【期刊名称】《安全与环境工程》【年(卷),期】2018(025)002【总页数】6页(P1-6)【关键词】岩溶地区;水库渗漏;BP神经网络;定量评估;迎燕水库【作者】彭三曦;李义连;单慧媚【作者单位】中国地质大学(武汉)环境学院,湖北武汉430074;桂林理工大学地球科学学院,广西桂林541004;中国地质大学(武汉)环境学院,湖北武汉430074;桂林理工大学环境科学与工程学院,广西桂林541004【正文语种】中文【中图分类】X141;TV697.3+2我国西南岩溶地区水资源储备的主要方式是广泛地修建水库,然而岩溶地区水库渗漏的影响因素复杂繁多且相互联系、相互制约,具有随机性和模糊性,导致库区水文地质条件往往无法完全定量化处理,因此很难运用一种确定性的模型加以描述。

岩溶地区修建水库的渗漏问题研究始于19世纪60年代,1854年法国率先在岩溶地区修建水库,突出了岩溶水库渗漏问题的重要地位。

我国于1951年开始国内第一座岩溶水库——官厅水库的修建,从此,国内岩溶区水库的兴建及其相关防渗技术研究得到了快速发展[1-3]。

  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