發(fā)布時間：2021-04-15 20:45

　　針對傳統(tǒng)BP神經網絡反演滲透參數(shù)的準確性很大程度依賴于初始權值和閾值的選擇的問題,引入全局尋優(yōu)能力極強、待調參數(shù)較少、收斂速度快的思維進化算法優(yōu)化BP神經網絡,以彌補傳統(tǒng)BP神經網絡在解決該問題時擬合能力有限、容易陷入局部最優(yōu)、收斂速度慢的缺陷,進而提出了思維進化算法優(yōu)化BP神經網絡反演滲透參數(shù)的新方法。對某混凝土面板堆石壩進行滲透參數(shù)反演結果表明,與傳統(tǒng)BP神經網絡相比,思維進化算法優(yōu)化BP神經網絡具有更好的泛化能力,反演得到的滲壓測點水頭與實際值吻合更好,滲透參數(shù)符合實際。 

【文章來源】：水電能源科學. 2020,38(02)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

思維進化算法（MEA）結構圖

某水電站工程采用混合開發(fā)方式，攔河大壩為混凝土面板堆石壩，最大壩高171m，壩頂寬11m，壩頂長355m。水庫正常蓄水位2 850.00m，死水位2 800.00m，校核洪水位2 852.20m。壩體材料自上游至下游依次為棄渣壓重區(qū)、粘土鋪蓋區(qū)、墊層區(qū)、過渡區(qū)、上游堆石區(qū)、下游堆石區(qū)、排水堆石區(qū)、大塊石護坡、下游壓重區(qū)。壩址區(qū)無強透水巖體，深度0～50m以中等透水為主，50m以下以弱—微透水為主�？v0+163.00壩體典型剖面見圖2。3.2 有限元模型構建和參數(shù)確定

由于水庫水位不斷變化，嚴格意義上不存在真正的穩(wěn)定滲流場，因此本文僅考慮準穩(wěn)定滲流場。本工程測壓管水頭監(jiān)測數(shù)據滯后庫水位不超過15d，為了盡可能消除滲流滯后效應對滲壓計觀測值的影響，選取水庫上下游水位變幅小、持續(xù)時間至少超過15d的時段作為反演分析工況。由該水庫水位過程線可知，2015年2月21日～2015年3月13日庫水位一直在2 806.47～2 807.95m之間變動，變幅小，較為穩(wěn)定，因此選擇這一時段的水力條件和觀測數(shù)據進行準穩(wěn)定滲流場反演分析，即反演工況，并確定庫水位2 807.09m作為上游水位，下游水位為2 702.00m，取2015年3月13日前后各滲壓計測值作為反演工況的已知水位（即反演分析約束條件）。各滲壓測點（PDB-11～PDB-21）位置見圖2。本次滲透系數(shù)反演分析的介質包括壩體上游堆石料和下游堆石料、防滲帷幕、壩基各分層巖體等7種材料，各介質滲透系數(shù)取值范圍見表1。

【參考文獻】：
期刊論文
[1]基于BP神經網絡的水體葉綠素a濃度預測模型優(yōu)化研究[J]. 蔣定國,全秀峰,李飛,劉偉.  南水北調與水利科技. 2019(02)
[2]基于MEA-BP神經網絡的圖像復原方法[J]. 莫思雨,周晴.  電子設計工程. 2018(21)
[3]MEA-BP預測模型在水布埡面板堆石壩沉降變形預測中的應用[J]. 徐朗,蔡德所.  人民珠江. 2018(02)
[4]雙江口水電站復雜壩基初始滲流場反分析[J]. 毛新瑩,潘少華,白正雄.  巖土力學. 2008(S1)
[5]重力壩壩基滲透參數(shù)進化反演分析[J]. 王媛,劉杰.  巖土工程學報. 2003(05)
[6]基于神經網絡的巖體滲透系數(shù)反演方法及其工程應用[J]. 李守巨,劉迎曦,王登剛,李華,吳鳳吉.  巖石力學與工程學報. 2002(04)
[7]基于思維進化機器學習的框架及新進展[J]. 孫承意,謝克明,程明琦.  太原理工大學學報. 1999(05)
[8]滲透參數(shù)反演的可變容差法[J]. 沈振中,趙堅,吳玲莉.  水電能源科學. 1999(01)



本文編號：3140055