[发明专利]基于优化神经网络的大坝力学参数预测方法

说明书

本发明公开了一种基于优化神经网络的大坝力学参数预测方法，通过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，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，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，以快速准确地获得待测大坝的力学参数，可以提高所确定的待测大坝力学参数的准确性。

技术领域

本发明涉及大坝力学参数反分析技术领域，尤其涉及一种基于优化神经网络的大坝力学参数预测方法。

背景技术

高拱坝等大坝的施工与运行情况复杂，长期受到渗流、温度、泄洪等荷载作用，其安全状态长期处于动态的过程。大坝的物理力学参数存在很大的不确定性，且随着时间推移不同区域的参数也会产生变化。采用固定不变的力学参数来分析拱坝不断变化的力学状态往往不能得到准确的结果。使用反分析方法来反演大坝的力学参数已经成为分析大坝实际运行情况的重要手段之一。智能算法自身往往存在一定的缺陷，如神经网络全局搜索能力差、计算计算速度慢，遗传算法容易早熟收敛、结果依赖于初值的选取，可见传统方案确定的大坝力学参数存在准确度低的问题。

发明内容

针对以上问题，本发明提出一种基于优化神经网络的大坝力学参数预测方法。

为实现本发明的目的，提供一种基于优化神经网络的大坝力学参数预测方法，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。

在一个实施例中，上述基于优化神经网络的大坝力学参数预测方法，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。

在一个实施例中，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。

在一个实施例中，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。

作为一个实施例，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，通常取为Sigmoid函数；