基于Jaya-BP神经网络的混凝土坝参数反演

针对混凝土坝等大体积混凝土结构性能参数高效反馈问题,提出一种基于Jaya-BP神经网络的新型参数反演算法。采用Jaya算法优化BP神经网络的权值和阈值,克服其迭代收敛速度偏慢、易陷入局部最优解等缺点,提高BP神经网络的全局寻优能力和稳定性。引入正交设计法以及拉丁超立方法设计参数组合,通过有限元分析得到较为准确的训练样本,形成基于Java-BP神经网络结合有限元分析的大体积混凝土结构参数高效反演算法。以典型混凝土重力坝和拱坝为例,对坝体和坝基弹性模量进行反演分析,并与传统的BP神经网络反演结果进行对比表明,Jaya-BP神经网络反演精度明显提高。     

碾压混凝土坝热学参数反演

在碾压混凝土重力坝温度场计算中,混凝土热力学参数对计算结果的准确性影响较大。针对碾压混凝土坝热学参数难以直接量测等问题,将灰狼优化算法引入到碾压混凝土坝热学参数的反演中。结合某碾压混凝土重力坝具体算例,介绍灰狼算法的具体实施步骤。结果表明,灰狼优化算法收敛效率很高,只需要较少的迭代步数便可以取得最优解,克服了传统试验方法试验工作量大且精度不高的问题。基于灰狼算法的碾压混凝土坝热学参数反演模型准确易行,可为其余碾压混凝土重力坝工程确定混凝土热学参数提供借鉴,提升混凝土温度场计算精度,从而制定更有效的温控防裂措施。     

碾压混凝土坝等效黏弹性参数反演

根据碾压混凝土坝的成层结构特性,将层面影响概化到整个坝体中,将碾压混凝土坝视为横观各向同性体,建立了碾压混凝土坝等效黏弹性模型。根据位移实测资料,采用偏最小二乘法建立位移统计模型,分离水压分量和时效分量,建立反演碾压混凝土坝双向异性黏弹性参数的目标函数,并利用混沌遗传算法对黏弹性参数进行反演。工程实例中,将反演得到的黏弹性参数作为已知值,计算测点在相应时间段变形的水压和时效分量之和,并与分离出的实测值进行对比,结果表明:计算值与实测值比较接近,说明反演方法是正确、可行的。     

基于模态观测的混凝土坝反演分析

本文研究了使用不完全模态观测数据识别混凝土坝分区弹模的问题，建立了材料参数识别的优化反演模型和求解方法。利用数据误差条件下的不完全模态观测数据，将先验知识作为经验约束引入参数反演计算，在正则化意义下提出了大坝振动参数反演的计算模型。根据已建立的材料参数反演模型，引入具有全局收敛特性的模拟退火-单纯形法进行混凝土坝分区弹模反演求解。数值模拟结果显示，利用结构的一阶不完全模态数据，采用本文方法进行混凝土坝反演计算，即使在数据误差的条件下，仍然可以在一定噪声水平下得到满足工程要求的反演解答。     

基于混沌遗传算法的碾压混凝土坝力学参数反分析

坝体物理力学参数是衡量坝体质量的一项重要指标,如何获取碾压混凝土坝当前实际的物理力学参数是分析和评价大坝安全性态的前提和关键。根据碾压混凝土坝施工过程、压实机理和层面特性等,将碾压混凝土坝力学参数识别反问题作为优化问题处理,系统地研究并建立了碾压混凝土坝变形力学参数反分析理论和方法。为克服传统遗传算法的早熟缺点,在处理优化问题时引入混沌遗传算法,并应用混沌遗传算法对某碾压混凝土坝的横观各向同性变形参数和渐变参数进行了反演。最后将横观各向同性模型与参数渐变模型计算值和实测值进行对比分析,验证了反分析理论和方法的正确性,同时也说明了参数渐变模型的合理性和正确性。     

碾压混凝土坝弹性力学参数渐变规律分析

受振动碾压和龄期的影响,碾压混凝土坝力学参数具有空间和时间的渐变特性。这些渐变特性导致碾压混凝土坝力学参数的复杂变化,是各碾压层本体和层面的力学参数以及层面厚度难以准确确定的主要原因。本文首先针对碾压混凝土坝各相邻碾压层弹性模量和徐变度差别较小的特点,研究了碾压混凝土坝并层龄期的确定方法;然后考虑碾压混凝土的空间渐变特性,结合复合材料力学串并联模型,建立了典型碾压层弹性计算参数分析模型;进一步利用并层算法,构建了并层体的弹性计算参数分析模型;最后,在碾压混凝土坝并层等效弹性力学参数反分析的基础上,利用粒子群算法,求解出了碾压混凝土坝弹性渐变参数。工程实例表明,本文提出的方法是可行有效的。     

混合蜂群算法及其在混凝土坝动力参数反演中的应用

介绍了一种新颖的群集智能优化算法—人工蜂群算法(ABCA)，同时为提高算法的搜索效率，在ABCA算法中引入Nelder-Mead单纯形算子，提出了一种用于材料参数反演分析的混合单纯形人工蜂群算法。将所提出的算法用于混凝土重力坝动力材料参数识别问题，建立了基于不完全模态测试数据动力材料参数识别的优化反演模型。算例分析表明，混合算法融合了两种算法的优点，具有收敛速度快、识别精度高等特点，是一种高效的系统优化和参数识别方法。     

混合蜂群算法及其在混凝土坝动力材料参数反演中的应用

介绍了一种新颖的群集智能优化算法—人工蜂群算法（ABCA）,同时为提高算法的搜索效率,引入Nelder-Mead单纯形算法,提出了一种用于材料参数反演分析的混合单纯形人工蜂群算法。将所提出的算法用于混凝土重力坝动力材料参数识别,建立了基于不完全模态测试数据动力材料参数识别的优化反演模型。算例分析表明,混合算法融合了两种算法的优点,具有收敛速度快、识别精度高等特点,是一种高效的系统优化和参数识别方法。     

基于BP神经网络的温榆河水质参数反演模型研究

为进一步提高内陆水体水质参数遥感反演的准确性,北京市温榆河被选为研究对象,研究选取ETM＋数据和准同步实测水质指标（浊度、BOD;）数据,建立了多个隐含层数目为1的BP神经网络模型,并选出分别针对浊度和BOD5的最佳神经网络模型,利用ETM＋影像的波段组合值反演了浊度和BOD,浓度值。最后将其反演结果与常规多元线性回归模型的反演结果进行精度比较。结果表明：温榆河的水质参数遥感反演为非线性问题,使用BP神经网络方法进行浊度与BOD,两种水质参数反演的结果优于线性回归方法的反演结果。     

高寒地区碾压混凝土坝运行期力学参数反演分析

为准确获得高寒地区碾压混凝土坝真实状态下的力学参数,将碾压混凝土作为横观各向同性材料进行参数反演分析。首先采用均匀设计构造力学参数样本,然后基于有限元法计算不同工况下的顺河向位移,将有限元分析得到的水压分量相对值及相应的力学参数作为神经网络的训练样本,建立水压分量相对值与相应的力学参数非线性映射关系。基于大坝实测位移,考虑坝顶冻胀变形的影响,通过建立坝体及坝基多测点变形统计模型分离出水压分量相对值,将其作为反演模型的输入值,得到坝体及坝基的力学参数。通过实例分析表明,该方法反演得到的坝体及坝基力学参数是可行的,可为高寒地区碾压混凝土坝安全性态评估提供参考。     

基于BP神经网络的改良黄土强度参数预测

选用新型固化材料SH改良黄土,以室内土工试验数据为学习样本和测试样本,通过BP神经网络模型就含水率对改良黄土力学参数的影响进行了预测分析,结果表明:隐含层函数为正切tansig函数、输出层为对数logsig函数、隐含层神经元数为9时训练次数最少,模型误差最小;根据试验数据建立了非线性预测模型,预测结果与试验数值基本吻合,内摩擦角的平均误差为0.5%,黏聚力的平均误差为7.74%,内摩擦角的预测效果优于黏聚力的,但整体误差较小,且都在土工试验允许误差范围内,可见将BP神经网络应用到力学参数的预测中是合理的。     

基于BP神经网络的MIKE SHE模型参数率定

为了更精细地对水文全过程进行描述和解析,更准确地构建分布式水文模型,以丹麦Karup流域为例,对MIKE SHE模型的饱和导水率、饱和带水平水力传导系数、河床透水系数进行了参数率定,模拟流域的日径流过程。结果表明:基于BP神经网络反分析的参数率定方法比MIKE SHE模型参数自动率定计算得到的均方根误差RMSE小,模型效率系数Ens更接近1;采用BP神经网络反演率定参数后,3组测试样本的日径流模拟过程的RMSE分别为0.04,0.03,0.08 m³/s,Ens均为0.99,且模拟结果能较好地反映径流的实际变化趋势。因此,这种基于BP神经网络反分析的参数率定方法对构建分布式水文模型具有一定的价值。     

基于神经网络的中线工程高边坡土体渗透参数反演研究

基于神经网络的非线性映射特性,在渗流有限元计算的基础上,结合水头和流量等实测资料提出了边坡渗透参数的反演方法.将该方法应用到南水北调中线工程高边坡渗流反演分析中,得到了能够反应工程实际的边坡土体的综合渗透参数.同时利用反演出的渗透参数进行渗流计算,结果表明,该方法对高边坡的渗透参数反演具有较高的识别精度,反演结果可靠.     

基于改进BP神经网络的大坝变形监测模型预报

变形监测是大坝安全运行的重要保证,结合白石水库混凝土坝真空激光X向位移资料进行分析,提出应用改进的BP神经网络思想建立的安全监测模型,结合对相关数据参数进行系统性的研究,并与传统BP神经网络模型训练、预测结果对比,得出改进的BP神经网格模型优于传统BP神经网络模型,具有一定抗差能力,能够降权使用可疑值,相关系数较高,预测精度好,可在实际中广泛运用。     

基于AFSA-RBF模型的混凝土平板坝变形监测

针对混凝土平板坝水平位移监测序列呈非线性变化的特点,采用经验模态分解(EMD)方法对混凝土平板坝水平位移监测序列进行分解,并采用计算最大信噪比的方法对信号进行去噪。面板坝的坝顶上下游方向水平位移主要受上下游水位和环境温度的影响,据此建立AFSA-RBF神经网络模型和RBF神经网络模型,对混凝土平板坝上下游方向水平位移进行预测,结果表明:AFSA-RBF模型能够很好地反映混凝土平板坝水平位移变化趋势和规律,预测结果有较高的精度,符合大坝安全监测的要求,可以在混凝土平板坝安全监测和评价中应用。     

基于BP神经网络的大跨桥梁结构混凝土温度预测

讨论了大体积混凝土水化热时的温度应力对于桥梁结构的影响,表明温度监控对于大体积混凝土结构的必要性,根据洛阳瀛洲大桥拱肋中心部位浇筑过程的水化热温度场的变化为研究对象,对建立的BP神经网络进行优化训练,并用此BP神经网络预测温度变化值并与有限元仿真得到的温度结果进行了比较。     

基于神经网络模型的某大坝混凝土弹性模量时变规律反演分析

基于人工神经网络的非线性映射特性，在三维有限元计算的基础上，结合大坝原型观测资料，提出了大坝参数时变规律的反演方法。以某混凝土重力坝的原型观测资料为例，利用该方法反演得出了该坝坝体混凝土弹性模量的变化规律。结果表明该方法是切实可行的，可应用于分析评价大坝材料参数的变化。     

基于改进BP神经网络的水分入渗参数预测模型

基于晋北盐碱地土壤水分原位入渗试验,建立了容量为150组的盐碱地Philip入渗模型参数样本,借助MATLAB软件,分别构建基于最值归一化法、联合归一化法的BP神经网络预测模型,其中模型的输入变量为土壤基本理化参数,输出变量为Philip入渗模型参数吸渗率S和稳渗率A,由两模型的预测结果发现,预测误差均小于6%,在建模误差允许范围之内,所建模型可靠;对比模型预报结果发现,联合归一化法处理过的输入数据更具代表性,且提高了网络收敛速度及预测精度。用实测资料对基于联合归一化法建立的模型进行精度检验,结果表明对入渗参数预测的相对误差均小于10%,模型预报精度较高,可满足实际应用的要求。     

BP神经网络在大坝位移监测中的应用

利用BP神经网络模型较强的非线性处理能力特性,以水位、温度和时效作为输入层,大坝位移为输出层,建立BP神经网络模型对龙滩大坝的位移监测数据进行模拟和预测,并将拟合值、预报值和实测值进行对比分析,结果表明:BP神经网络模型对大坝位移拟合效果较好,预报值精度较高,具有一定的参考应用价值。     

基于神经网络的大坝参数反演法

基于BP神经网络的基本原理建立了大坝混凝土和基岩模量反演分析模型,提出了模型样本的处理方法,并结合实例分析表明用神经网络方法反演大坝混凝土和基岩平均模量是一种行之有效的方法,反演值与实测值基本吻合。