基于ACC-RBF的水布垭面板堆石坝参数反演分析

蚁群聚类径向基函数(ACC-RBF)神经网络是将蚁群聚类算法和径向基函数神经网络组合运用的一种新型神经网络模型,把该网络用于水布垭高面板坝堆石体的多参数反演问题,在室内试验参数的基础上用有限元计算获得学习样本,采用该网络对坝体堆石料的邓肯E-B模型参数进行反演分析,用反演所得参数结合三维非线性有限元计算坝体应力变形,并与实测资料比较,得出很接近的结论.     

高心墙堆石坝瞬变-流变参数解耦反分析方法及变形预测

高心墙堆石坝材料分区较多,且静力模型和流变模型参数均不相同。为了避免二者同时反演时巨大的计算量,并进一步提高反演参数的准确性,更好地分析堆石坝应力变形、进行变形预测,考虑堆石体瞬变和流变参数的解耦关系,对瞬变和流变参数进行解耦反演分析。以瀑布沟心墙堆石坝为例,在参数敏感性分析的基础上,利用堆石坝施工期、第一次满蓄水期、第二次满蓄水期的变形监测资料,以敏感性较强的参数为待反演参数,采用基于基因片段差异度的遗传算法和径向基函数神经网络(RBF)构建反演平台,对瞬变-流变模型参数进行了解耦反演分析。反演结果表明,计算值与实测值在数值和变化规律上总体符合较好,反演结果较为合理可靠。     

基于BP神经网络的堆石坝参数二次反演与变形预测

在预测堆石坝长期变形时,常常需对堆石体流变参数进行反演。若同时对堆石体的瞬时变形力学参数和流变参数进行反演,则反演参数多,网络结构复杂,所需的训练样本数量大,反演效率低。根据堆石坝的监测资料,将堆石坝的沉降分解为瞬时沉降和流变引起的沉降,运用BP神经网络方法逐次增加训练样本,循环训练网络,将瞬时力学参数与流变参数分开来进行二次反演,训练样本少,反演效率高,输出结果用于预测能与监测资料较好吻合,可为类似工程提供参考和借鉴。     

基于参数反演法面板堆石坝长期运行变形分析

根据水布垭面板堆石坝坝体几何参数和周围山体地形地质资料,建立面板堆石坝三维数值计算模型。以坝体在竣工时的变形实测资料为依据,采用智能位移反演方法反演获得堆石体流变变形参数,对坝体的长期运行变形进行计算分析。通过对大坝堆石体及面板在运行期的应力应变分析成果,可以看出大坝在竣工蓄水后经过一段时间的运行,坝体的整体发生了一定的沉降变形,面板垂直缝、周边缝及止水部位也相应出现了一定变形。通过与实测比较分析,坝体变形在合理范围以内并趋于稳定。在今后坝体的长期运行中,要对出现变形位置的测点加强监测,确保整个坝体长期安全稳定运行。     

公伯峡面板堆石坝堆石流变特性反演分析

为了分析堆石流变特性及其对公伯峡混凝土面板应力变形的影响,利用原位观测资料对公伯峡面板堆石坝的变形性态进行分析,采用Merchant黏弹性流变模型,反演计算得到相应的流变参数,并用反演得到的流变参数对大坝受力变形进行计算分析。结果表明:堆石的流变作用较明显,流变期间沉降计算值与实测值的变化规律较吻合,堆石流变对面板应力变形、垂直缝和周边缝变形有较大影响;所采用的流变模型和反演得到的流变参数较合理,能够预测面板坝轴向应力和裂缝的发展趋势。     

坝体结构及流变对高面板坝应力变形影响分析

高面板堆石坝在运行过程中面板容易出现挤压破损,坝体变形过大和变形长期不稳定是主要原因。影响堆石体和面板应力变形的因素较多,主要包括坝体堆石料分区和参数、面板分期及浇筑时机、坝体流变、垫层料表面的处理。基于实测变形反演堆石料本构参数和流变参数,运用反演得到的参数对面板堆石坝坝体和面板应力变形影响的因素进行敏感性分析,得出:提高下游次堆石的填筑标准,能有效减小高面板坝面板上部的顺坡向拉应力;面板分期能减小面板蓄水后的挠度,且最大挠度点往高高程偏移;坝体填筑完成后面板浇筑前预留的时间越长,大坝蓄水引起的变形越小。设置挤压边墙能有效减小面板中部的坝轴向应力和顺坡向应力,同时也能减小面板的挠度;面板最大挠度、坝轴向应力和顺坡向应力在坝体流变作用下逐步增大,并逐步趋于稳定。     

堆石体流变本构模型参数的智能反演

提出基于演化神经网络和序列二次规划算法的智能反演方法，通过实测变形资料对堆石坝流变本构模型参数进行反演分析，算例计算表明，该方法高效且具有全局收敛性。采用该方法对某堆石坝9参数流变模型参数进行反演分析，计算结果表明，利用反演的模型流变参数所计算的坝体流变变形与实测资料在发展规律及数值上均比较吻合。最后采用反演后的参数对该堆石坝后期变形进行了考虑流变效应的流变计算，预测出该堆石坝的后期变形量，预测结果合理可信。     

塘冲堆石坝施工期沉降反演分析及长期变形预测

在整理分析塘冲水库面板堆石坝施工期沉降观测资料的基础上,采用模拟退火算法对坝体堆石料邓肯E-B模型的参数及流变模型参数进行反演分析。反演结果表明,基于反演参数的沉降计算值与实测值吻合很好,在反演参数的基础上对蓄水后坝体的长期变形进行预测,预测结果表明,坝体的流变变形量不大,最终大坝的变形、面板应力应变、各周边缝变形均在在合理范围以内,满足设计要求。     

基于免疫遗传算法的堆石坝流变反演分析

过大的堆石坝流变变形有可能会引起坝体结构破坏,影响坝体的正常运行。为保障大坝安全运行,需要控制大坝坝体变形,而合理的坝体土料参数选择是计算模拟大坝变形的先决条件。结合瀑布沟水电站心墙堆石坝的施工、运行监测资料以及室内三轴试验成果,采用基于免疫遗传算法(IGA)的参数反演方法,反演分析堆石坝材料流变参数。根据反演分析结果进行堆石坝有限元分析,计算结果与实际监测值较为吻合,表明该算法具有较高的可靠性,对大坝变形的预测与控制有重要意义。     

基于改进鲸鱼优化算法的重力坝变形参数反演

针对利用位移实测资料对大坝坝体和基岩的变形力学参数进行优化反演时存在效率低、精度差等问题,通过对鲸鱼优化算法进行并行化改进,并引入权重因子,结合有限元计算,提出一种基于改进鲸鱼优化算法的力学参数反演方法。利用该方法对某混凝土重力坝坝体和基岩弹性模量进行反演,并与粒子群算法的反演结果进行比较。结果表明:在相同迭代次数的情况下,改进的鲸鱼优化算法比粒子群算法耗时更少,且反演得到的坝体、基岩力学参数比粒子群算法得到的更为准确。表明利用多核处理器对该方法进行并行计算,可大幅度缩短计算时间。基于改进鲸鱼优化算法的力学参数反演方法具有搜索能力强、收敛速度快和精度高等特点,合理可行,可推广应用于混凝土拱坝等其他坝型的力学参数反演。     

Long-term deformation analysis of Shuibuya concrete face rockfill dam based on response surface method and improved genetic algorithm

Due to the size effects of rockfill materials,the settlement difference between numerical simulation and in situ monitoring of rockfill dams is a topic of general concern.The constitutive model parameters obtained from laboratory triaxial tests often underestimate the deformation of high rockfill dams.Therefore,constitutive model parameters obtained by back analysis were used to calculate and predict the long-term deformation of rockfill dams.Instead of using artificial neural networks(ANNs),the response surface method(RSM) was employed to replace the finite element simulation used in the optimization iteration.Only 27 training samples were required for RSM,improving computational efficiency compared with ANN,which required 300 training samples.RSM can be used to describe the relationship between the constitutive model parameters and dam settlements.The inversion results of the Shuibuya concrete face rockfill dam(CFRD) show that the calculated settlements agree with the measured data,indicating the accuracy and efficiency of RSM.     

湿化及流变对不同软岩料利用范围面板坝应力变形的影响

为研究不同软岩料分区范围下湿化及流变特性对面板堆石坝的应力及变形影响。查找、对比软岩料的湿化及流变模型,分析和研究已有的软岩料湿化及流变特性的有限元实现方法。以某面板堆石坝为例,按软岩料的不同填筑范围制定两种计算方案,分别进行大坝的三维有限元应力变形计算,然后通过对比分析两种计算方案的计算结果,系统总结软岩料不同填筑范围对面板堆石坝应力变形的影响规律。结果表明:随着软岩料利用范围的扩大,坝体的流变范围也随之扩大,相应的垂直位移、水平位移位移及面板的挠度也随之增大。因此,在实际面板砂砾石坝工程设计中,进行软岩料的扩大利用时需要合理的制定软岩料填筑范围。     

滑坡体力学参数反分析研究

除室内试验和现场试验之外,反演分析是一种可以利用现有变形监测数据获取滑坡体等效力学参数的方法.以清江杨家槽滑坡体为例进行研究,提出了将均匀设计、遗传算法与BP神经网络结合起来应用于滑坡体反分析的新方法.先将具有很好全局寻优能力的改进遗传算法作为BP神经网络的学习算法,形成遗传神经网络;然后利用均匀设计方法设计网络学习样本,训练遗传神经网络映射滑坡体变形与滑坡体力学参数的非线性关系;最后将实测位移值作为网络输入,网络输出即为参数的反演值.该方法克服了优化反分析方法反演时间过长,解不易收敛等缺陷,实现了多参数的同时反演.通过对反分析结果进行检验与评价,证明其结果符合实际工程要求.     

软岩料填筑面板堆石坝的流变和湿化效应研究

为了研究不同时期下软岩料流变及湿化效应对面板堆石坝的应力及变形影响。对比软岩料的流变和湿化模型,分析已有的软岩料流变、湿化效应的有限元实现方法。以某面板堆石坝为例,按大坝的不同时期和是否考虑流变、湿化效应制定了4种计算工况,分别进行大坝的三维有限元应力变形计算,通过对比分析4种工况的计算结果,系统总结了软岩料的流变、湿化效应对软岩料填筑面板坝在竣工期和蓄水期应力变形的影响规律。结果表明:无论是竣工期还是蓄水期,在考虑流变和湿化后,大坝横断面最大垂直位移、水平位移、大主应力均有显著的增加,但相对而言在蓄水期增加的更多。可见软岩料的流变和湿化效应对软岩料填筑面板坝应力变形有较大的影响,且在蓄水期影响更加明显。     

基于遗传算法优化BP神经网络的面板 堆石坝变形预测

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。     

面板堆石坝非线性变形特性及分区影响研究

为了定量分析堆石料分区及其力学特性差异对面板堆石坝变形的影响,采用非线性有限元法,对坝高200 m级的典型面板堆石坝开展竣工期、蓄水期和变形稳定期的变形计算,重点分析5种不同主、次堆石分区方案和4种不同主、次堆石料模量比方案对大坝变形的影响。通过变形分布规律和极值变化规律对比分析表明:不同主、次堆石区分界对坝体变形分布规律的总体影响较小,坝体沉降极值变化不超10%;蓄水期坝体最大流变约占最大坝高的0.14%;减小次堆石料模量,则坝体流变效应逐渐增强。     

水布垭面板堆石坝流变初步分析

工程实践表明,堆石体的变形除与应力有关外,还与时间有关,即堆石体具有流变性;进行计入时间效应的应力应变分析,将有助于人们更加全面了解面板堆石坝的性态.运用神经网络技术,通过对西北口面板坝的反馈分析获得了堆石体流变参数,并用于水布垭面板坝流变分析.结果表明,用神经网络技术对已建面板坝长期实测资料进行反馈分析是可行的;水布垭流变分析虽然仅是初步的,但其结果是比较合理的.堆石体流变对水布垭面板坝应力变形状态有一定的影响.