[发明专利]基于优化神经网络的大坝力学参数预测方法

权利要求书

1.一种基于优化神经网络的大坝力学参数预测方法，其特征在于，包括如下步骤：

S10，获取多个大坝的多组力学参数，以及各组力学参数的对应的测点位移，将多组力学参数确定为样本标签，将各组力学参数的对应的测点位移确定为样本特征，得到训练样本；

S20，将所述样本特征输入神经网络，以所述样本标签作为所述神经网络的输出进行训练，以使所述神经网络中形成测点位移与力学参数间的映射关系；

S30，将待测大坝的实测位移输入训练后的神经网络，使所述神经网络输出待测大坝的力学参数。

2.根据权利要求1所述的基于优化神经网络的大坝力学参数预测方法，其特征在于，还包括：

S40，根据所述神经网络输出的待测大坝的力学参数建立有限元模型并进行有限元正分析计算，得到待测大坝的计算位移，将所述计算位移与所述实测位移值进行对比，根据对比结果确定神经网络反演的精度。

3.根据权利要求1所述的基于优化神经网络的大坝力学参数预测方法，其特征在于，获取多个大坝的多组力学参数，以及各组力学参数的对应的测点位移包括：

获取多个大坝的多组力学参数，建立大坝有限元模型，采用所述大坝有限元模型通过有限元方法分别针对各组力学参数进行正分析计算，得到各组力学参数的对应的测点位移。

4.根据权利要求1至3任一项所述的基于优化神经网络的大坝力学参数预测方法，其特征在于，在将所述样本特征输入神经网络，以所述样本标签作为所述神经网络的输出进行训练之前，还包括：

将BP神经网络随机初始化的权值和阈值作为遗传算法的初始可行解群体，进行种群初始化，遗传算法的个体包括BP神经网络的输入层和隐含层的连接权值、隐含层阈值、隐含层与输出层的连接权值以及输出层阈值；

在种群初始化后设置网络层间的映射关系，以确定所述神经网络。

5.根据权利要求4所述的基于优化神经网络的大坝力学参数预测方法，其特征在于，网络层间的映射关系包括：

隐含层神经元的输出为：其中，x_i为输入样本，为输入层与隐含层之间的连接权值，为隐含层神经元阈值，P_j为隐含层神经元的输出值，f()为隐含层神经元的激活函数；

输出层神经元的输出为：其中，为隐含层与输出层之间的连接权值，为输出层神经元阈值，Q_k为输出层神经元的输出值，P_i为隐含层神经元的输出值，g()为输出层神经元激活函数。

6.根据权利要求5所述的基于优化神经网络的大坝力学参数预测方法，其特征在于，将所述样本特征输入神经网络，以所述样本标签作为所述神经网络的输出进行训练包括：

将所述样本特征输入所述神经网络，根据所述神经网络中网络层间的映射关系计算得到各个样本特征对应的输出值，取输出值与期望值的差的绝对值之和作为遗传算法中个体的适应度值；

根据神经网络随机确定的初始权值和阈值作为遗传算法的初始可行解群体，通过计算个体的适应度值，经过遗传算法操作使群体向最优解逐步进化，不断搜寻最佳的权值和阈值；

根据搜寻确定的最佳权值和最佳阈值，确定优化后的神经网络。