本文選題：重力壩 + 優(yōu)化設計��； 參考：《西北農(nóng)林科技大學》2017年碩士論文

【摘要】：重力壩是一種常見的壩型,包括溢流壩段和非溢流壩段,其作用主要是擋水和泄水。實際工程中重力壩存在剖面尺寸大,所需混凝土方量多,壩體與壩基接觸面積大,使壩底面受到的揚壓力較大,不利于壩體穩(wěn)定等問題,這將導致施工工程量以及工程投資增加,故對重力壩的剖面進行優(yōu)化設計顯得尤為重要。對重力壩的剖面進行優(yōu)化設計對有效減少整個工程的工程量、降低工程投資具有很好的實用價值。本文采用MATLAB遺傳算法和ANSYS的一階優(yōu)化方法分別對某典型重力壩的溢流壩段和非溢流壩段剖面進行優(yōu)化設計分析,以剖面面積最小為目標函數(shù),主要研究內(nèi)容和結果如下:(1)采用ANSYS一階優(yōu)化方法對溢流壩段和非溢流壩段正常工況進行了優(yōu)化,用校核工況驗算了最優(yōu)剖面是否合理。用APDL語言參數(shù)化建立了壩體剖面有限元模型,對有限元模型施加邊界約束并求解計算;后處理提取了優(yōu)化變量用于優(yōu)化分析,并分別查看了兩個斷面的應力云圖和位移云圖,判斷是否滿足優(yōu)化設計要求;采用一階優(yōu)化方法對兩個斷面進行正常工況優(yōu)化,優(yōu)化結果為溢流壩段剖面面積減小了86.62m2,優(yōu)化率達到了14.43%,非溢流壩段剖面面積減小了75.27m2,優(yōu)化率達到12.34%;校核工況驗算壩體最優(yōu)剖面符合設計規(guī)范要求。(2)采用MATLAB遺傳算法對溢流壩段和非溢流壩段正常工況進行了優(yōu)化,用校核工況驗算了最優(yōu)剖面是否合理。根據(jù)幾何約束條件產(chǎn)生初始種群,將初始種群作為設計變量值;把初始種群代入ANSYS分析文件,MATLAB調(diào)用ANSYS計算優(yōu)化變量;把計算結果返回MATLAB進行遺傳算法優(yōu)化,當達到迭代次數(shù)時優(yōu)化終止,否則對初始種群進行選擇、交叉、變異形成新一代種群,MATLAB繼續(xù)調(diào)用ANSYS重新計算。采用遺傳算法對正常工況優(yōu)化結果為溢流壩段剖面面積減小了77.92m2,優(yōu)化率達到了12.80%;非溢流壩段剖面面積減小了39.08m2,優(yōu)化率達到6.05%。校核工況驗算壩體最優(yōu)剖面符合設計規(guī)范要求。在重力壩優(yōu)化過程中將兩個壩段分開優(yōu)化,這容易導致優(yōu)化結果中溢流壩段和非溢流壩段壩底寬度不一致,故在未來研究中,應嚴格控制壩底寬度并將溢流壩段和非溢流壩段合為一體優(yōu)化。
[Abstract]:Gravity dam is a common dam type, which includes overflow dam section and non-overflow dam section. In actual engineering, the gravity dam has problems such as large profile size, large concrete quantity, large contact area between dam body and dam foundation, which makes the uplift pressure on the bottom face of the dam greater, which is not conducive to the stability of the dam body, and so on. This will lead to the increase of construction quantity and project investment, so it is very important to optimize the design of gravity dam profile. The optimum design of gravity dam section is of great practical value in reducing the engineering quantity and investment of the whole project. In this paper, MATLAB genetic algorithm and ANSYS first-order optimization method are used to optimize the section of overflow dam and non-overflow dam of a typical gravity dam, and the minimum area of section is taken as the objective function. The main research contents and results are as follows: (1) the normal working conditions of overflow dam section and non-overflow dam section are optimized by ANSYS first-order optimization method. The finite element model of dam profile is set up by using APDL language parameterized, the finite element model is subjected to boundary constraints and the calculation is solved. After processing, optimization variables are extracted for optimization analysis, and the stress cloud map and displacement cloud map of two sections are inspected respectively. The first order optimization method is used to optimize the normal working conditions of two sections. The optimization results are as follows: the section area of overflow dam section is reduced by 86.62m2, the optimization rate is 14.43 and the section area of non-spillage dam section is reduced by 75.27m2, and the optimization rate is 12.34.The optimum section of the dam body is checked and calculated under the condition of checking the working condition. (2) the genetic calculation of MATLAB is used to calculate the optimum section of the dam body. The normal working conditions of spillway section and non-spillway dam section are optimized by this method. The optimum profile is calculated by checking the working condition. The initial population is produced according to the geometric constraint condition, the initial population is taken as the value of the design variable, the initial population is replaced in the ANSYS analysis file and the ANSYS calculation optimization variable is called by MATLAB, and the calculation result is returned to MATLAB for genetic algorithm optimization. When the number of iterations is reached, the optimization terminates, otherwise, the initial population is selected, crossed and mutated to form a new generation of population. MATLAB continues to call ANSYS to recalculate. The results of optimization under normal working conditions by genetic algorithm are as follows: the section area of overflow dam section is reduced by 77.92 m2, the optimization rate is 12.80%, and the section area of non-overflow dam section is reduced by 39.08 m2, and the optimization rate reaches 6.05%. Checking and calculating the optimum section of dam body accords with the requirements of design code. In the process of gravity dam optimization, the two segments are optimized separately, which easily leads to the inconsistency of the dam bottom width between the overflow section and the non-spillway section in the optimization results, so in the future research, The width of the bottom should be strictly controlled and the spillway section and the non-spillway section should be optimized.
【學位授予單位】：西北農(nóng)林科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TV642.3

【相似文獻】

相關期刊論文 前10條

1 張文修,梁怡;遺傳算法的數(shù)學基礎[J];西安交通大學學報;2000年10期

2 楊艷麗,史維祥;一種新的優(yōu)化算法—遺傳算法的設計[J];液壓氣動與密封;2001年02期

3 王毅,曹樹良;遺傳算法在并聯(lián)水泵系統(tǒng)運行優(yōu)化中的應用[J];流體機械;2003年10期

4 趙義紅,李正文,何其四;生物信息處理系統(tǒng)遺傳算法探討[J];成都理工大學學報(自然科學版);2004年05期

5 李凡,黃數(shù)林,張東風;一種改進的多倍體遺傳算法[J];華中科技大學學報(自然科學版);2005年01期

6 韋雪潔;黎明;劉高航;田貴超;;注入式的遺傳算法的分析與研究[J];南昌航空工業(yè)學院學報(自然科學版);2006年01期

7 閻綱;;遺傳算法及其仿真[J];湖南工程學院學報(自然科學版);2006年04期

8 ;遺傳算法[J];電網(wǎng)與清潔能源;2008年10期

9 吳玫;陸金桂;;遺傳算法的研究進展綜述[J];機床與液壓;2008年03期

10 李培植;肖利明;于靜濤;;基于遺傳算法的結構優(yōu)化方法[J];公路交通科技(應用技術版);2008年08期

相關會議論文 前10條

1 陳家照;廖海濤;張中位;羅寅生;;一種改進的遺傳算法及其在路徑規(guī)劃中的應用[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

2 李國云;劉穎;薛梅;鄔志敏;;遺傳算法在高溫空冷冷凝器優(yōu)化設計中的應用[A];第五屆全國制冷空調(diào)新技術研討會論文集[C];2008年

3 王志軍;李守春;張爽;;改進的遺傳算法在反演問題中的應用[A];新世紀 新機遇 新挑戰(zhàn)——知識創(chuàng)新和高新技術產(chǎn)業(yè)發(fā)展（上冊）[C];2001年

4 任燕翔;姜立;劉連民;從滋慶;;改進遺傳算法在三維日照方案優(yōu)化中的應用[A];工程三維模型與虛擬現(xiàn)實表現(xiàn)——第二屆工程建設計算機應用創(chuàng)新論壇論文集[C];2009年

5 韓娟;;遺傳算法概述[A];第三屆河南省汽車工程科技學術研討會論文集[C];2006年

6 龐國仲;王元西;;基于遺傳算法控制步長的定性仿真方法[A];'2000系統(tǒng)仿真技術及其應用學術交流會論文集[C];2000年

7 張忠華;楊淑瑩;;基于遺傳算法的聚類設計[A];全國第二屆信號處理與應用學術會議專刊[C];2008年

8 何翠紅;區(qū)益善;;遺傳算法及其在計算機編程中的應用[A];1995年中國智能自動化學術會議暨智能自動化專業(yè)委員會成立大會論文集（下冊）[C];1995年

9 靳開巖;張乃堯;;幾種實用遺傳算法及其比較[A];1996年中國智能自動化學術會議論文集（下冊）[C];1996年

10 王宏剛;曾建潮;李志宏;;攝動遺傳算法[A];1996年中國智能自動化學術會議論文集（下冊）[C];1996年

相關重要報紙文章 前1條

1 林京;《神經(jīng)網(wǎng)絡和遺傳算法在水科學領域的應用》將面市[N];中國水利報;2002年

相關博士學位論文 前10條

1 Amjad Mahmood;半監(jiān)督進化集成及其在網(wǎng)絡視頻分類中的應用[D];西南交通大學;2015年

2 李險峰;基于改進遺傳算法的汽車裝配生產(chǎn)線平衡問題研究[D];北京科技大學;2017年

3 孫秋紅;基于遺傳算法的水質(zhì)數(shù)據(jù)挖掘與應用研究[D];燕山大學;2016年

4 周輝仁;遞階遺傳算法理論及其應用研究[D];天津大學;2008年

5 郝國生;交互式遺傳算法中用戶的認知規(guī)律及其應用[D];中國礦業(yè)大學;2009年

6 侯格賢;遺傳算法及其在跟蹤系統(tǒng)中的應用研究[D];西安電子科技大學;1998年

7 馬國田;遺傳算法及其在電磁工程中的應用[D];西安電子科技大學;1998年

8 唐文艷;結構優(yōu)化中的遺傳算法研究和應用[D];大連理工大學;2002年

9 周激流;遺傳算法理論及其在水問題中應用的研究[D];四川大學;2000年

10 劉冀成;基于改進遺傳算法的生物電磁成像與磁場聚焦應用研究[D];四川大學;2005年

相關碩士學位論文 前10條

1 張英俐;基于遺傳算法的作曲系統(tǒng)研究[D];山東師范大學;2006年

2 鐘海萍;原對偶遺傳算法與蟻群算法的一種融合算法[D];暨南大學;2013年

3 李志添;模糊遺傳算法與資源優(yōu)化配置的預測控制[D];華南理工大學;2015年

4 王琳琳;新型雙層液壓轎運車車廂的設計研究[D];上海工程技術大學;2015年

5 李海全;基于遺傳算法的建筑體形系數(shù)及迎風面積比優(yōu)化方法研究[D];華南理工大學;2015年

6 彭騫;基于遺傳算法的山區(qū)高等級公路縱斷面智能優(yōu)化方法研究[D];昆明理工大學;2015年

7 周玉林;基于小波分析和遺傳算法的配電網(wǎng)故障檢測[D];昆明理工大學;2015年

8 郭頌;基于粗糙集和遺傳算法的數(shù)字管道生產(chǎn)管理系統(tǒng)研究[D];昆明理工大學;2015年

9 吳南;數(shù)值逼近遺傳算法的研究應用[D];華南理工大學;2015年

10 于光帥;一類優(yōu)化算法的改進研究與應用[D];渤海大學;2015年

，

本文編號：2052340