基于神经网络的土石坝渗流监控模型

通过对土石坝渗流的成因分析，应用人工神经网络原理，并结合某土石坝的实测资 料建立了渗流监控模型。由于该模型具有再学习能力，所以在应用过程中，可以用新的观测 资料对模型进行不断地学习训练，以提高模型的精度。     

土石坝渗流的BP神经网络模型

通过对土石坝渗流的成因分析,应用神经网络原理,并结合某土石坝的实测渗流资料,建立了渗流BP神经网络模型,给出了模型的输入、模型输出因子和模型结构。实例分析结果表明,模型合理、可靠,精度较高。     

土石坝渗流的自学习神经网络模型

通过对土石坝渗流的成因分析,应用人工神经网络原理,并结合某土石坝的实测资料,建立了渗流自学习神经网络监控模型,给出了模型的输入、输出因子和模型结构。所提出的自学习神经元有正向传播信息、反向传播误差及学习的功能,是一个独立实体,由自学习神经元可方便地构成自学习BP网络。所建立的渗流监控模型不仅可用于大坝渗流分析,同时可以用于监视大坝的安全运行和预报。从模型的计算结果看,计算值与实测值基本重合,所建模型是有效的。     

基于麻雀搜索算法和滞后效应的土石坝渗流监控模型

针对渗流滞后效应对土石坝渗流监控模型精度的影响问题,考虑不同滞后效应下库水位和降水量对土石坝渗流影响的差异性,分别引入正态分布函数和瑞利分布函数定量描述库水位和降水量对土石坝渗流滞后影响,构建了考虑滞后效应的土石坝渗流监控模型,并采用麻雀搜索算法求解模型滞后效应参数和回归系数的最优值。以某心墙土石坝为例,对比分析了考虑不同滞后效应及未考虑滞后效应的渗流监控模型的精度,结果表明,本文构建的渗流监控模型精度较高,更接近实际情况,能定量评价土石坝渗流的滞后效应,可用于土石坝渗流健康监测和安全性态评价。     

基于多层递阶回归的土石坝渗流时变监控模型

根据土体流变机理,考虑时间效应,对以往的渗流监控模型进行了改进.在此基础上,建立了基于多层递阶回归方法的土石坝渗流时变监控模型,并就某工程实例验证了该模型的有效性.计算结果表明,该模型具有较高的拟合精度,且其预报能力较非时变模型强.     

土石坝渗流计算模型的建立及工程应用

本文分析了土石坝渗流计算方法和计算原理，建立了渗流计算模型，并结合工程实例进行验证计算，证明了建立的计算模型的可靠性，对土石坝工程设计具有参考作用。     

基于LMBP神经网络的土石坝渗流压力预测

渗流压力是反映大坝工作状态的重要物理量,对渗流压力进行预测分析可以及时了解大坝渗流状况和趋势。为克服标准BP算法收敛速度慢、泛化能力弱和计算量大等不足,引入LM算法优化标准BP神经网络的权值和阈值,提高BP神经网络对土石坝渗流压力的预测效果。根据渗流分析,给出了渗流压力的统计模型,由统计模型选取上下游水位、降雨和时效作为神经网络输入层因子,以渗流压力作为输出层因子,建立了3层LMBP神经网络大坝渗流压力预测模型。利用MATLAB进行了多组仿真试验,确定了使本次渗流压力预测效果更好的训练样本数据量区间。以渗流压力实测数据及同期库水位和降雨资料作为训练样本,在选取适当数据量的训练样本的基础上,运用LM算法对BP网络进行训练,利用测试样本对训练好的神经网络进行测试。将同结构的LMBP神经网络和标准BP神经网络应用于某土石坝渗流压力的预测中,应用结果表明,LMBP神经网络收敛速度更快、拟合和预测精度更高,在土石坝渗流压力分析和预测应用方面是可行的。     

丹江口左联土石坝渗流问题研究

本文介绍了丹江口左岩联接段土石坝渗流问题有限元研究成果，研究成果表明，在岩土石坝１＋１６０－１＋１９７坝段的渗流集中现象不明显，坝体渗流稳定，该坝段没有必要再打混凝土防渗墙。     

土石坝渗流与治理

分析土石坝渗流类型、渗流特性。结合工程实践,提出渗流治理原则,并介绍渗流治理的主要方法等,以供讨论。     

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。     

基于滞后效应的土石坝渗流监控模型

本文引入了库水位和降雨的滞后影响函数，以考虑库水位、降雨等因素对大坝渗流的滞后效应，并建立了考虑滞后效应的大坝渗流监控模型。计算实例表明，该模型能较好地反映库水位、降雨等因素对渗流的滞后效应，且模型精度较高，可预报大坝的渗流状态。     

基于神经网络的渗流模型

通过对土石坝渗流的成因分析，应用人工神经网络原理，综合某土石坝的实测资料建立了渗流监控模型。由于该模型具有再学习能力，所以在应用过程中，可以用新的观测资料对模型进行不断地学习训练，以提高模型的精度。     

土石坝渗流观测资料分析模型及方法

为了有铲地根据土石坝的原型观测资料来分析坝体和坝基中存在的渗流问题，本文以渗流理论为基础，结合工程实际，考虑了水位、降雨量、坝基排水以及时效等因素对渗流的影响，建立了土石坝坝体和坝基测压管以及通过大坝渗流量等观测资料的统计分析模型和方法，经对青山和对河口水库等工程的实际应用，说明其效果是令人满意的。     

土石坝渗流热监测技术研究

对土石坝渗流热监测技术的基本原理、研究历史和现状进行了介绍,对土石坝的热学特性以及土石坝温度与渗流的关系等关键技术问题进行了讨论,并从理论上证明,利用分布式光纤量测得到的温度场,通过有限元数值计算,可以得到渗流场的渗透系数,实现对渗流场的监测.     

土石坝心墙的三维渗流

土石坝心墙的三维渗流Ｋ．Ｈ．阿纳哈耶夫渗流的二维特性对土坝渗透参数的影响很大，于山区狭窄坝址处尤为明显。之所以需要研究这种现象，是由于需要合理选用坝的断面和尺寸、坝的防渗构件以及选择过渡区滤层和排水设施等缘故，Ｅ．Ａ．查马林、阿斯库拉瓦、波克罗夫斯基...     

土石坝渗流研究发展综述

根据大量的国内外文献资料,对土石坝渗流研究的发展过程进行了综述。重点论述了当今世界土石坝渗流研究的现状,并进行简要分析。最后,从渗流研究的理论方法、实现手段等方面对我国土石坝渗流研究的发展方向予以展望。     

基于RUN-XGBoost算法的土石坝渗流预测模型

针对传统土石坝渗流预测模型存在局部最优、抗干扰性差和预测精度低等问题,通过RUN算法优化XGBoost算法得到RUN-XGBoost算法,构建了RUN-XGBoost模型以获得更优的土石坝渗流预测结果。该模型在种群初始化时采用RUN算法对XGBoost算法的3个主要参数进行改进,使预测结果有较高的有效性;通过自动寻找最优参数增进算法的整体收敛速度和预测精度,同时引入随机解,使算法能够排除局部最小值并继续搜索,从而获得全局最优结果。工程实例验证结果表明,RUN-XGBoost模型具有简洁、高效、预测精度高、鲁棒性强等优点。     

南峰土石坝渗流分析

南峰水库位于山西省沁水县南峰村西北1.5km处的沁河干流上、水库控制流域面积4990km2,库容5.05亿m3。本文根据达西定律和连续性方程,组成渗流微分方程,然后归结为拉普拉斯方程的流体力学法是渗流计算的精确方法。通过渗流计算分析,本文确定通过坝和河岸的渗水量损失,并设计排水系统的容量。