渗透系数反演的CHNN模型方法

利用连续型Hopfield神经网络 (ContinuousHopfieldNeuralNetwork ,简称CHNN)的反馈特性 ,结合实测资料和数值计算 ,构建了岩土体渗透系数的人工神经网络反演模型 ,通过网络神经元状态的变迁而最终稳定于平衡状态 ,从而得到渗透系数反演优化计算的结果。经实例验证 ,效果较好。     

基于云推理的渗透系数反演模型

鉴于云推理在处理不确定性方面的能力,通过假定渗透系数的正态云分布,利用有限元计算出相应的孔隙水压力,将计算结果作为云推理的规则前件,通过"软与"与规则后件的渗透系数相对应,以模拟测压管水位与防渗体渗透系数之间的非线性关系,从而建立渗透系数反演的云推理模型。将此方法应用于某水库的渗透系数反演中,结果表明,基于云推理的渗透系数反演模型具有较高的精度,可用于土石坝渗透系数的反演。     

基于RVM-CS的工程区地层渗透系数反演分析

为了准确确定工程区各地层渗透系数,基于相关向量机(RVM)与布谷鸟算法(CS)建立反演分析模型,对研究区域内各地层的渗透系数进行反演分析。首先,基于均匀设计法构造渗透系数组合,利用有限元计算测点水位值并生成RVM学习样本;随后,通过训练RVM构建渗透系数与水头之间的映射关系,使其能够代替有限元方法快速地完成渗流计算;最后,根据工程区钻孔的实测水位值,利用CS算法搜索确定区域内各地层的渗透系数。将建立的渗流反演模型应用于某大型抽水蓄能电站工程区的初始渗流场中,结果表明:所建立的渗流反演模型能够考虑多地层渗透系数和钻孔水头间的非线性,RVM能代替有限元模型,可快速、精确地确定渗透系数;此渗流反演模型在大型抽水蓄能电站工程区反演结果合理,精度满足工程要求。     

基于ANSYS的大伙房水库土坝渗透系数反演

根据温度场和渗流场的相似性,利用有限元分析软件ANSYS的热分析功能计算土石坝渗流问题。通过AN-SYS的优化设计功能,建立了基于ANSYS的渗透系数反演模型,反演得到更符合大伙房水库大坝实际工况的渗透系数,利用该渗透系数进行渗流数值计算,通过对计算值与实测值的对比表明,有限元计算值与实测值相对误差较小,拟合结果能够满足精度要求。说明所求得的渗透系数比较合理,可以用于渗流数值计算。     

广义Bayes法在裂隙岩体渗透系数随机反演中的应用

工程中由于存在各种随机因素,采用确定性的渗流分析方法进行渗透系数的反演必然会导致结果的不确定性.本文基于渗流场的随机有限元分析方法,结合变尺度优化算法和广义Bayes法,建立了一种渗透系数的随机反演方法,推导了详细的计算公式.该方法不仅考虑量测水头、渗透系数的随机性,还考虑了边界水头的随机性,不仅可以获得渗透系数的均值反演结果,还可以得到标准差的反演结果.最后将该法应用于重力坝坝基渗流算例分析中,以渗流有限元正分析计算结果作为"假想"的实测点水头值,通过随机反演,同时获得渗透系数均值与标准差的反演结果,将输入信息与反演结果对比分析,验证了渗透系数和标准差反演结果的正确性.     

柴河水库土坝渗透系数反演分析

结合柴河水库土坝的测压管实际观测资料,采用改进的遗传算法对柴河水库土坝心墙及坝壳混合料的渗透系数进行了反演分析计算,得出坝壳混合料以及心墙料的渗透系数分别为4.69×10-4、2.13×10-6cm/s。采用正分析方法把遗传算法反分析出的渗透系数代入到有限元法建立的模型中进行计算,得到各特征部位渗流要素数值计算结果,通过测压管所在节点的水位与实测管水位、坝基渗流量实测值与计算值检验有限元计算结果的准确性。结果表明:水位计算值的相对误差较小,坝基渗流量计算值与实测值相比误差也较小,表明反演的坝壳混合料以及心墙料的渗透系数是准确的。     

基于有限元法和响应面法的闸基渗流反演分析

文章提出基于响应面法的渗透系数反演分析方法。通过构造渗压计算值响应面方程,代替耗时的有限元计算,提高了渗透系数反演分析效率。结合监测数据和数值模拟对某水闸地基渗流进行了分析。监测数据表明该水闸地基渗压呈汛期高、枯期低的周期性变化规律,原因是下游河道水位大幅变化。对闸基覆盖层材料的渗透系数进行反演分析后,对闸基渗流场进行了有限元数值模拟,验证了渗压周期性变化的原因,揭示了闸基中渗透坡降较大的部位。     

某船闸枢纽主要分区渗透参数敏感性及反演分析

渗透参数的确定是水利工程渗流分析的前提,而渗透参数反演是确定材料渗透系数的有效手段之一。为定量分析某船闸枢纽主要分区材料渗透系数对枢纽渗流场的影响,建立某大型船闸三维渗流有限元分析模型。以不同测点水头值为指标,设计以混凝土闸体、基岩、防渗帷幕和排水孔幕渗透系数为因素的三水平正交试验,开展各区渗透系数对船闸渗流场的敏感性分析,采取可变容差法反演确定主要分区材料渗透系数。结果表明：各分区渗透系数对测点水头的敏感性从高到低依次为帷幕、基岩、孔幕和混凝土,其中帷幕、基岩和孔幕的影响较为显著;反演时需重点关注帷幕和基岩等影响程度较大的分区渗透系数;反演计算值和实测值最大误差为2.37%,帷幕和基岩的渗透系数分别为3.04×10^-6和5.51×10^-6 cm/s,反演参数可用于该船闸枢纽渗流稳定分析,研究成果可为类似工程提供借鉴。     

基于数据同化技术的地质参数反演分析研究

通过数据同化技术用卡尔曼滤波算法对观测井所得水位监测资料进行同化计算,在得到较为精确水位观测值的基础上对主要取水层的渗透系数进行参数反演,并与前期室内试验获得的渗透系数对比,表明通过数据同化过滤之后进行的参数反演更精确有效。     

库水位骤降期深圳水库坝坡稳定分析

坝坡的稳定性分析是水库大坝安全鉴定中的一项重要内容。选取深圳水库实测测压管水位连线所得的浸润线与软件计算浸润线进行拟合反演推算,以对大坝各材料的渗透系数进行修正。根据修正渗透系数,借助autobank7.061软件和正岩土计算6.0软件分别进行坝体渗流稳定分析和坝坡稳定分析。反演分析得到深圳水库主坝各层修正渗透系数可以反映坝体实际渗透性;深圳水库主坝的渗流稳定和坝坡稳定计算安全系数均大于规范允许值。因此坝体渗流稳定性、坝坡稳定性良好。     

基于神经网络的宽浅型湖泊水质反演研究

城市浅型湖泊治理是城市生态文明建设的重要组成部分。通过对黄石磁湖的IKONOS遥感影像进行预处理,建立了水质参数与卫星波段的多元线性回归模型、BP神经网络模型和RBF神经网络模型。通过比较不同模型的结果,运用可靠模型对整个湖体的COD、NH3-N、TN、TP指标进行反演。结果表明,神经网络模型对于磁湖水质指标的反演结果显著优于多元线性回归模型,其中BP神经网络模型对NH3-N、TP的模拟效果好,RBF神经网络模型对COD、TN的模拟效果较好。     

人工神经网络模型在流域水沙预报中的应用

Based on the basic principles of BP artificial neural network model an d the fundamental law of water and sediment yield in a river basin, a BP neural network model is developed by using observed data, with rainfall conditions serv ing as affecting factors. The model has satisfactory performance of learning and generalization and can be also used to assess the influence of human activities on water and sediment yield in a river basin. The model is applied to compute t he runoff and sediment transmission at Xingshan, Bixi and Shunlixia stations. Co mparison between the results from the model and the observed data shows that the model is basically reasonable and reliable.     

The Research and Application of BP Neural Networks in River-basin Water and Sediment

1　ＩｎｔｒｏｄｕｃｔｉｏｎＲｉｖｅｒ-ｂａｓｉｎｗａｔｅｒａｎｄｓｏｉｌｙｉｅｌｄｉｓａｃｏｍｐｌｅｘｎｏｎｌｉｎ ｅａｒｓｙｓｔｅｍ．Ｆｕｎｄａｍｅｎｔａｌｌｙｓｐｅａｋｉｎｇ，ａｓａｒｅｓｕｌｔｏｆｍｕｔｕａｌｆｕｎｃｔｉｏｎｏｆｒａｉｎｆａｌｌａｎｄｂａｓｉｎｕｎｄｅｒｌｙｉｎｇｓｕｒｆａｃｅ，ｉｔｉｓａｍａｔｈｅｍａｔｉｃａｌｍａｐｐｉｎｇｆｒｏｍｒａｉｎｆａｌｌａｎｄｂａｓｉｎｕｎｄｅｒｌｙｉｎｇｓｕｒｆａｃｅｔｏｒｕｎｏｆｆａｎｄｓｅｄｉｍｅｎｔｔｒａｎｓｐｏｒｔ．Ａｓｂａｓｉｎｕｎ…     

人工神经网络模型在流域水沙预报中的应用

运用BP人工神经网络模型的基本原理 ,根据流域产流产沙的基本规律 ,以流域降雨条件为基本影响因子 ,由流域实测资料建立了BP神经网络模型。该模型具有很好的学习和泛化性能。同时该模型能用于评价流域内人类活动因素对流域产流产沙规律的影响。将该模型应用于兴山、碧溪、顺利峡站 ,并与实测资料进行了分析比较 ,结果表明 ,模型基本合理、可靠     

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.     

改进模糊神经网络模型及其在大坝监测中的应用

鉴于传统模糊神经网络计算繁琐、模型精度较低、难以收敛等问题,在大坝位移的监测数据分析中应用改进的模糊神经网络及改进的反向传播(BP)网络算法,并建立了相应的网络模型.大量的数据分析计算表明,该模型收敛快,且精度优于常规的模糊神经网络和传统的统计模型.     

基于粒子群优化BP神经网络的隧道围岩位移反演分析

针对无锡惠山隧道岩体破碎、围岩稳定性差等特点,基于长期现场监测变形位移数据,借助粒子群算法的参数优化功能,利用Matlab神经网络工具箱编制了优化PSO—BP隧道位移反分析系统。PSO—BP系统利用正交试验设计和有限元方法获得学习样本,再通过粒子群算法搜索最优的神经网络模型参数。用BP神经网络模型建立待反参数与实测位移之间的非线性映射关系,最后用粒子群算法从全局空间上搜索最优反演参数。克服了普通智能优化算法收敛速度慢、正分析计算量大等缺陷,具有全局优化特性。将模型应用于惠山隧道Ⅳ级围岩断面ZK6+485的反分析中,计算结果与实测值对比表明采用PSO—BP预测模型进行隧道位移预测是可行的。     

动态模糊神经网络在大坝变形预报中的应用

针对静态模糊神经网络的局限性,提出了在线动态建模的模糊神经网络方法.当新增样本进入训练集之后,根据新样本对模型的贡献大小,在已有模型的基础上进行动态修正,这样可以减少建模的计算时间.新方法实现了增加样本而矩阵阶数不增加,避免了矩阵求逆运算,理论上可以提高计算效率.实例表明动态模糊神经网络方法是可行的,可实现持久预报,具有较强的适应能力和较高的预报精度,可应用于在线实时变形预报及相关领域.     

RBF神经网络模型在金沟河流域径流预测中的应用

河川径流时间序列是一个复杂的非线性系统,使传统的预测方法难以描述其变化规律。将金沟河流域八家户站的1957年至2003年的年径流实测数据作为样本,转化为径流差后,进行归一化处理及自相关函数分析,在MATLAB环境下建立径向基神经网络径流预测模型。结果表明:与传统的BP神经网络预测比较,利用径向基神经网络模型对径流序列进行预测具有更高的精度和更短的运算时间,是径流预测的一种有效方法。