基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。     

基于高密度电法探测与渗流监测的土石坝渗漏隐患综合研判

渗漏病害为土石坝中常见病害，但由于渗漏通道位于坝体内部，难以掌握其具体位置。高密度电法在土石坝渗漏隐患探测已逐步应用。对已安装渗流监测设施的土石坝，可借助其渗流监测资料与现场检查成果，对高密度电法的探测成果进行解释，可对大坝内部的渗漏隐患情况进行综合判断。以某水库为例，采用高密度电法中的温纳装置进行现场探测，通过分析反演图像找到潜在可能的渗漏通道，并通过渗流监测数据加以综合研判。结果表明，将高密度电法与渗流监测成果结合使用，能够有效发现渗漏隐患，在大坝渗漏隐患探测中具有良好的效果。