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。     

广义回归神经网络在土石坝渗流监测中的应用

通过建立土石坝渗流监测数据的广义回归神经网络(GRNN)模型,对花凉亭水库坝基渗流测压管的监测数据进行了拟合与预测,并将其拟合预测结果与反向传播神经网络(BPNN)、多元逐步回归模型的拟合预测结果进行对比分析.结果表明,GRNN模型在数据拟合与预测方面均取得了很好的效果.     

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。     

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。     

改进的土石坝GACO-BP渗流监控模型研究

为克服标准BP算法训练效率低、易陷入局部极值等不足,引入遗传蚁群混合算法(GACO),并对其混合时间和信息转换的计算方法进行改进,利用改进后的算法优化标准BP神经网络的权值和阈值,对土石坝的渗流压力进行监控。以某土石坝为例,利用GACO-BP神经网络监控模型以测压管水位为指标对其渗流压力进行预测,将预测结果与同结构的经典BP神经网络预测结果进行对比发现,GACO-BP神经网络模型在训练速度和预测精度上明显更好,在土石坝渗流压力预测和分析方面具有较好的实用性。     

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。     

关于土石坝渗流监测相关问题的探讨

针对大坝渗流监测工作中测压管与渗压计选择,渗流压力与浸润线的关系,测压管制作埋设,土石坝渗流项目监测布置的规范性和有效性,大坝安全监测分析管理软件,大坝监测技术人员能力建设等方面的问题进行了分析探讨,并结合实际工作经验,提出了部分系统存在的设计缺陷,可对大坝安全监测系统设计和运行管理工作提供参考。     

基于EEMD-RVM的土石坝渗流量时间序列预测模型

为避免常规时间序列模型因不考虑非线性环境量而出现过拟合及预测精度不高的现象,建立了基于EEMD-RVM的土石坝渗流量时间序列预测模型.该模型采用集成经验模态分解法(EEMD)对量水堰渗流量监测值进行分解,生成多组平稳本征模态函数(IMF)及剩余分量R,然后采用相关向量机(RVM)对若干组IMF序列和R进行训练拟合及预测...     

土石坝坝体反滤层与渗流控制

综述了土石坝坝体反滤层的功能与设计原则,引用工程实例说明防渗体裂缝在反滤层保护下可以自愈,以期使设计与施工人员进一步明确采用反滤层保护大坝渗流出口是实现渗流安全控制的关键性措施。     

西霞院反调节水库土石坝膜防渗工艺

黄河西霞院反调节水库土石坝采用土工膜前置防渗,通过设置土工膜并根据接触作用的三维数值计算得出膜周边锚固部位的相对位移,设计该部位膜吸收位移的铺设方式。在环境温度ti为2~33℃范围内每间隔5℃设置3个焊接温度tw,通过对应焊接试样的拉伸、剥离试验,获得ti~tw关系曲线,以指导施工焊接;通过焊接试样附着水分、尘埃、纤维的焊接试验,证明复杂环境下保持焊接部位清洁对保证焊接质量的重要性;通过锚固试件的渗透试验,证明锚固工艺的可靠性;通过对复合土工膜复合工艺的改造,满足坝轴线弯曲段复合膜的拼接、铺设平顺。经蓄水一年后现场检查,膜拼接、锚固部位运行可靠。     

东谷水库大坝渗流监测资料分析

根据东谷水库大坝渗流监测资料,定性分析了测压管水位变化过程、位势过程、渗漏量过程等.建立了测压管水位、渗漏量回归统计模型,定量分析了测压管水位的影响因素.结果表明,回归拟合效果较好,大坝浸润线趋于升高,渗漏量趋于减小,坝体整体渗透性降低,大坝渗流运行正常,分析结论可为东谷水库大坝渗流安全评价提供技术支持.     

通过观测资料分析土石坝的渗流安全状况

随着大坝安全监测自动化的发展，所观测到的数据量很大，如何及时准确地帮助大坝管理人员分析观测资料，以了解土石坝的运用及安全状况，成为大坝安全管理现代化的一个难题。就如何利用观测资料分析土石坝的渗流安全状况作了初步的研究，并结合一具体实例，分析了该坝的渗流安全状况，表明研究成果具有一定的实用性。     

土石坝渗流性态分析的IAO-XGBoost集成学习模型与 预测结果解释

针对现有土石坝渗流数值模拟方法计算效率较低、难以实时分析大坝渗流性态,而现有基于机器学习算法建立的代理模型又存在模型可解释性较差的问题,提出土石坝渗流性态分析的IAO-XGBoost集成学习模型,并基于Shapley加性解释(SHapley Additive exPlanation, SHAP)理论对预测结果进行解释。在采用多地质体自动建模方法和CFD技术对大坝渗流场进行计算分析的基础上,基于改进的天鹰(Improved Aquila Optimization, IAO)算法优化极限梯度提升(eXtreme Gradient Boosting, XGBoost)集成学习算法中的n＿estimators、max＿depth和learning＿rate等超参数,进而建立基于IAO-XGBoost集成学习算法的大坝渗流性态指标预测模型,以揭示上下游水位和坝基地层渗透系数等输入特征变量与渗流性态指标模拟值间的复杂非线性映射关系。进一步地,将IAO-XGBoost集成学习算法与可解释机器学习框架SHAP理论相结合,挖掘影响大坝渗流性态指标预测结果的关键特征,并解释特征变量对渗流性态指标预测的影响...     

基于无单元Galerkin法的饱和—非饱和土石坝渗流正演模拟

在土石坝渗流正演模拟中,仅研究饱和区域的渗流场并不能全面真实地反映出土石坝地下渗流状态,非饱和渗流区域的研究同样至关重要,利用无单元Galerkin法对饱和-非饱和渗流域进行求解。首先从达西定律出发,推导了渗流方程及边界条件,其中详细推导了无单元Galerkin法——通过滑动最小二乘法构造形函数,同时利用罚函数的方法计算边界条件。然后,通过与GeoStudio软件计算出的仅饱和渗流场以及饱和-非饱和渗流场进行比较,证明了该方法的准确性及有效性。最后,通过不同的均质和非均质模型,研究了坝体中零压力线、水头值、孔隙压力、含水率的分布。无单元Galerkin法只需要通过节点来实现对全域渗流场的精确逼近,解决了对网格单元的依赖问题,与其他数值方法相比,其具有前期处理数据简单和精度高的优点,更适合稳定饱和-非饱和渗流场这种复杂情况的正演模拟。     

深厚覆盖层土石坝渗流控制及三维数值分析

深厚覆盖层地基和两岸坝肩绕坝渗漏的存在,将影响水库的安全运行及水库工程效益的发挥,有必要采取相应的防渗措施,降低坝基及两岸坝肩的渗透流量。以某水库为例,建立了能够准确反映该水库的主要地质构造、坝体及坝基几何形状的三维有限元分析模型,考虑正常蓄水位下防渗墙的厚度(0.6、0.8、1.0和1.2 m)、延长两岸坝肩(50、60、70和80 m)及地基(6)-2地层的深度(3、6、9、12和15m)等方案,从地下水位线等值线、渗透比降、渗透流量等方面研究坝基和两岸坝肩的渗流场特性及稳定性分析。通过增加防渗墙厚度、延长坝基及两岸坝肩的深度,坝体、坝基及两岸坝肩内的地下水位等值线均向防渗墙处靠近,防渗墙内水头损失增大;坝体、坝基各分区及防渗墙的最大渗透比降满足渗流稳定性要求;延长防渗墙深入两岸坝肩的深度能有效降低坝肩的渗透比降,同时也能有效控制坝肩渗透流量,降低墙后坝肩浸润面;单纯改变防渗墙厚度并不能有效控制坝基渗透流量,需加深防渗墙深入坝基的深度来控制坝基渗透流量。建立的某深厚覆盖层土石坝的三维渗流有限元数值模型,进行了渗流控制方案的合理优化,该研究可为我国深厚覆盖层土石坝渗漏及渗透稳定问题评价研究提供重要依据。     

基于GAMLSS-GLO及随机森林算法的土石坝渗流监测模型

根据土石坝渗流原型观测,厘清水位、降水等因素的影响,模拟大坝渗流的真实状态,合理评估其渗流监测结果,是土石坝安全监控亟待解决的关键问题。基于此,根据数理统计原理,采用随机森林算法构建无降水条件下渗流量与上下游水位的回归模型;考虑渗流量受前期累积降水的综合影响,引入广义可加模型（GAMLSS-GLO）,模拟降水影响下土石坝渗流监测值的波动区间,并将其与渗流-水位回归模型叠加,预测土石坝渗流监测的可靠区间;最后,将该方法应用于糯扎渡心墙堆石坝的渗流监测。结果表明：所提模型方法对渗流的水位、降水响应表现出良好的适用性,显著提高了渗流模拟预测质量。同时求解了渗流量置信区间,有利于土石坝的运行工况判断及安全监控。