基于GA-BP神经网络的粗粒土渗透系数预测

针对粗粒土渗透性能受颗粒级配、密实程度等因素影响而呈现明显差异,提出一种粗粒土渗透系数预测方法。收集并整理得到93组粗粒土数据,以全级配(d₁₀~d₁₀₀)和孔隙比作为BP神经网络的输入变量,利用遗传算法优化BP神经网络的初始权值与阀值,构建基于BP神经网络和遗传算法的粗粒土渗透系数预测模型。结果表明:该GA-BP神经网络经过55次迭代之后精度满足要求;87组训练样本预测结果的平均相对误差为5.10%,其中有75%的样本相对误差小于平均相对误差;6组检测样本预测结果的平均相对误差为6.39%,该网络模型泛化性能良好。采用GA-BP神经网络,由全级配和孔隙比能较好地预测粗粒土的渗透系数,且收敛速度、预测精度及泛化性能均优于标准的BP神经网络模型。     

基于相空间重构原理的遗传神经网络模型在城市需水预测中的应用

针对多元变量需水预测模型中变量之间普遍存在多重共线性问题以及BP神经网络收敛速度慢、易陷入局部极值等缺点,将相空间重构原理及遗传算法(GA)引入BP神经网络需水预测模型中,提出基于相空间重构原理的GA-BP城市需水预测模型,并对上海市需水预测进行实例分析。实例分析结果表明:GA-BP模型对上海市2005—2009年的年用水量预测平均相对误差绝对值和最大相对误差绝对值分别为1.4344%和2.7672%,对2010—2011年的年需水量预测相对误差分别为0.5136%和0.0270%,精度均优于BP神经网络预测模型;基于相空间重构原理的GA-BP需水预测模型具有较好的预测精度和泛化能力,是提高需水预测精度和泛化能力的有效方法。     

某特高土石坝防渗砾石土料P5含量对其工程特性的影响试验研究

针对某300 m级特高土石坝防渗砾石土料，配制了不同P₅含量的试验料，对P₅含量对土料击实特性、强度特性、变形特性和渗透特性的影响开展了试验研究。确定了该工程防渗砾石土料的第一、第二含砾量特征值分别为37%和60%。最大干密度、最优含水率分别随着P₅含量的增加而逐渐增加、降低，但当P₅含量在60%～75%之间时，最大干密度出现持平，直至P₅含量增加到80%后才出现降低，最大干密度出现持平段的原因可能与颗粒破碎有关。随着P₅含量增加，土料的压缩模量、抗剪强度参数、变形参数、渗透系数逐渐增加，渗透特征坡降逐渐降低，土料渗透变形破坏模式发生改变。     

基于连续级配方程的粗粒料压实密度缩尺效应试验研究

根据双江口心墙堆石坝堆石料的原型平均设计级配曲线,采用剔除法、等量替代法、相似级配法和混合法等4种不同缩尺方法得到室内最大干密度试验成果。结合土的连续级配方程,采用级配面积与小于5 mm的颗粒质量分数P₅构建的函数式作为级配量化指标,拟合出最大干密度与试验前级配曲线面积、P₅及最大粒径之间的关系,据此可推求出原型级配的最大干密度。通过分析得到试验前后级配量化指标之间的拟合公式,并利用试验前后级配量化指标的相对变化量B_w作为颗粒破碎的定量指标,探讨了缩尺方法对压实过程粗粒料颗粒破碎的影响。结果表明,采用等量替代法缩尺,B_w随粒径的增大呈减小趋势;而采用剔除法、相似级配法和混合法缩尺,B_w随粒径增大呈增大趋势。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

基于数字图像处理的土石坝坝料合格性智能检测方法

土石坝坝料的合格性检测通常是通过判断现场筛分试验获得的级配参数是否满足设计要求来实现的,然而通过筛分试验获取级配参数的方法存在采样率低,操作过程繁琐,智能感知程度差等缺点以致检测结果代表性差。为了提高坝料级配参数的智能检测程度,依托辽宁某电站现场挖坑检测位置处的图像和级配数据,采用融合空间信息的直觉模糊C均值聚类(SIFCM)算法进行土石坝料数字图像的分割,并利用等效椭球体积的方法实现了土石坝料的三维体积重构,进一步通过基于BP神经网络的级配修正模型修正后,得到真实条件下的坝料全级配特征曲线,进而获得评价坝料合格性的4个指标：最大粒径、P5含量、曲率系数C_c和不均匀系数C_u。实际工程应用表明,本文建立的基于SIFCM＿BP算法的坝料级配特征智能识别修正模型具有较高的识别精度,本文方法为大坝碾压施工前坝料合格性快速判别与施工过程中坝料压实特性的实时评价提供了重要支撑。     

两种典型级配基土-滤层渗滤系统的颗粒流模拟

基于颗粒流理论和流固耦合效应,利用PFC^3D程序内置的FISH语言编程,建立基土-滤层渗流模型,针对具有不同级配特征的管涌型土(连续级配、间断级配),分别进行不同层间系数情况下的系列数值模拟试验,分析渗滤系统中基土、滤层及两者界面处的孔隙率、渗透率、基土流失百分量等参数随渗流作用时间的演化过程,并分析和评估渗滤系统的保土性和透水性。结果显示对应于不同级配特征的管涌土,其基土-滤层渗滤系统的层间系数值(D₁₅/d_85*)都存在一个最优范围,当层间系数值在该范围内时,由基土-滤层构成的渗滤系统沿渗流方向的透水性逐渐增大,表现出良好的保土性与透水性;连续级配特征的基土自反滤能力较强,其最优层间系数值的范围较宽,而间断级配特征的基土最优层间系数值的范围较窄。     

改进Elman神经网络在径流预测中的应用

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法（GA）优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.     

基于GA-BP神经网络的碾压混凝土压实度实时评价方法

针对碾压混凝土现场压实程度的实时工艺评价需求,选择含湿率、碾压层表面应力横波波速、级配以及胶砂比为预测参数,构建了GA-BP神经网络压实度预测模型;结合现场应用实例,验证该方法实时预测评价的有效性。结果表明:与BP神经网络模型比较,GA-BP神经网络模型不仅预测精度更高,而且偏差波动范围更小,稳定性好,能更准确有效地预测现场碾压层混凝土压实性;GA-BP神经网络模型对碾压混凝土压实度下限值更敏感,压实度处于93%～96%的样本点,模型预测值的平均误差仅为0.08%,最大误差仅为0.17%,预测精度很高。     

糯扎渡水电站掺砾粘土心墙堆石坝质量控制关键技术

掺砾粘土心墙防渗土料的性能及适应性、相应的掺砾及填筑施工工艺、压实质量控制标准、质量监控技术等是糯扎渡水电站心墙堆石坝工程建设面临的关键技术问题。通过采用在天然土料中掺35%的人工级配碎石,将压实度作为掺砾粘土心墙压实质量的设计控制指标、填筑含水率作为施工过程中的控制指标,采用对现场取试坑中细料开展三点击实试验作为压实度快速检测的方法,研制了600 mm直径的超大型电动击实仪进行全级配料压实度复核,研发建设了具有实时、在线、自动、高精度等特点的施工过程质量GPS监控系统,保证了工程优质并长期安全运行。     

级配特征对筑坝砂砾料填筑标准的影响

筑坝砂砾料填筑标准具有级配相关性,在砂砾料筑坝施工质量控制中,目前仅以含砾量来表征级配对碾压干密度的影响,未考虑级配形状和最大粒径不同对砂砾料填筑标准的影响。为了研究这种影响,评估目前单一依靠含砾量来表征级配特征对干密度影响的合理性,设计了含砾量相同而级配曲线形状和最大粒径不同的两组级配曲线,结合实际施工振动碾压条件,通过现场密度桶法,研究了含砾量相同时不同级配形状特征和最大粒径对原级配筑坝砂砾料填筑标准的影响。研究表明,控制含砾量相同时,级配曲线形状对砂砾料最大、最大小干密度有一定影响,随级配参数m和b的增大,砂砾料的最大、最小干密度均呈现减小的趋势。在含砾量和级配参数m相同时,不同最大粒径级配的砂砾料的最大、最小干密度也有差异。表明不同级配特征和最大粒径对筑坝砂砾料填筑标准的确定有一定影响,建议结合具体工程进一步对级配特征和最大粒径对筑坝填筑标准影响的敏感性及对施工质量控制带来的影响进行评估。     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

基于遗传算法优化BP神经网络的岩溶泉水位预测研究

我国北方岩溶大泉是集自然、文化和旅游等多种属性的重要自然资源,对北方岩溶地区经济社会发展有着重要的促进作用。为了精确预测岩溶泉的动态变化趋势,为岩溶泉资源保护提供支撑,基于2016-2018年趵突泉泉域的大气降水量、岩溶水开采量、人工生态补源量等数据,分别构建了6种BP神经网络以及采用遗传算法优化的BP神经网络预测模型,评价了不同预测模型对趵突泉水位的预测效果。研究表明：与BP神经网络相比,将GA算法得到的权值和阈值作为BP神经网络初始值可以很好地提高神经网络预测的稳定性,同时可以大大减少神经网络迭代次数,从而节省大量的计算成本;采用Levenberg-Marquardt训练方法的GA-BP(LM)网络模型具有稳定性高、计算成本低、预测误差小的特征,更适用于岩溶泉水位的预测。     

基于BP神经网络的桂林生态城市建设需水量预测

根据桂林市经济社会历年统计的主要指标数据,运用SPSS社会科学统计软件分析并选取出桂林市辖区生态城市建设需水量的显著性影响因子,采用改进的归一化进行非线性规格化数据处理,基于Matlab建立BP神经网络模型,预测桂林市辖区生态城市建设需水量,结果表明,预测结果与原始数据的平均相对误差为1.19%,最大为2.08%,最小为0.28%。该模型具有较高的预测精度和良好的泛化能力,BP神经网络与SPSS软件优化组合模型,可用于需水量预测。     

分段法确定无粘性超粒径粗粒土最大干密度

将无粘性超径粗粒土的级配分为两部分，即粗粒部分和细粒部分，并将粗粒部分按相似原理缩尺到试验仪器允许的范围，对两部分分别测定其最大干密度，然后按两者的不同含量，从粗颗粒料及细颗粒料的结构性质出发，提出相应的公式，以推求其原型级配的最大干密度。