基于粒子群支持向量机的高心墙堆石坝渗透系数反演

渗流场参数的获取是研究运行期高心墙堆石坝渗流特性的难点之一。针对糯扎渡高心墙堆石坝,利用饱和–非饱和渗流场有限元程序生成学习样本,借助支持向量机的高度非线性映射能力,建立了渗透系数与水头之间的映射关系。再以识别误差目标函数为适应值,采用粒子群优化算法反馈搜索以建立大坝渗透系数反演模型。以大坝最大横剖面典型渗压计测点为实测点,采用一维固结理论推导了大坝心墙超静孔隙水压力消散计算公式,并对心墙水头实测值进行修正。通过对运行期库水位稳定时段渗流场的反演得到大坝待反演分区的渗透系数,再利用水位上升期对应的渗流场进行验证。结果表明,渗透系数反演结果是合理的。

RBFNN模型在渗透系数反演中的应用

针对经典的BP网络存在的一些缺陷,采用了径向基函数神经网络(RBFNN)。在相同的收敛条件下,用RBFNN和经典算法的BP网络进行了比较,表明前者具有优越性。在工程实例中,基于人工神经网络的非线性特点,在三维渗流有限元的基础上,利用RBFNN反演了大坝的渗透系数。并利用反演结果进行渗流场分析,水头预报值也有很高的精度,说明反演结果是正确的,从而,验证了RBFNN应用于反演分析中的可靠性。

岩体渗透系数反演的遗传模拟退火方法及其在边坡工程中的应用

基于岩体内地下水渗流的数学模型,根据观测信息采用反演的方法确定岩体的渗透系数。将遗传算法和模拟退火算法相结合,建立遗传模拟退火算法以保证反演结果的全局最优性并提高收敛速度。结合边坡工程实例检验了所提出反演方法的有效性。

基于混合优化算法的岩体渗透系数反演方法

基于遗传算法全局搜索能力强和梯度优化方法收敛速度快的特点,考虑渗透系数反演问题本身的特性,在遗传算法的全局搜索过程中加入基于梯度的局部搜索过程以构造混合优化方法.所提出的算法在保证全局搜索能力的同时,具有较快的收敛速度.结合工程实例检验了所提出算法的全局最优性和快速收敛性.

地下水位监测频率和时长对滑体渗透系数反演结果的影响

滑体渗透系数是决定滑坡对降水入渗或库水位波动响应的关键参数。当滑坡区有较丰富的地下水位监测数据时,基于监测数据反演滑体渗透系数是公认的最有效途径之一。然而,反演参数的准确性受制于监测数据的采集频率和时长。确定反演滑体渗透系数的相对最优监测频率和监测时长是获取准确反演结果的前提。本文以三峡库区典型的碎石土滑坡——李家坡滑坡为例,通过渗流场反演模拟和反演结果与监测数据拟合途径,以反演结果的稳定性和离散性为评价指标,分析地下水位监测频率和监测时长对滑体渗透系数反演结果的影响,进而提出水库环境中反演碎石土滑坡滑体渗透系数的相对最佳监测频率和监测时长。研究发现:(1)监测时长不大于810 d、监测频率高于15 d/次时,可以获得水位误差相对最小、且基本稳定的反演结果;(2)监测频率1 d/次和5 d/次、监测时长同为270 d时,或监测频率10 d/次、监测时长540 d时,反演所得渗透系数的稳定性较好、离散性较小;(3)监测频率15 d/次和30 d/次时,即使监测时长长达1 170 d,反演所得渗透系数的稳定性、离散性依然较差。综合反演水位误差大小、反演渗透系数的稳定性和离散性以及监测成本,认为监测频率5 d/次、监测时长270 d为三峡库区碎石土滑坡相对最佳的监测频率和监测时长。

人工神经网络在海堤非稳定渗流参数反演中的应用

利用ANSYS进行海堤的非稳定渗流的有限元分析,并提取渗压计测点的时序渗压和对应的渗透系数分别作为神经网络的输入层和输出层,建立海堤渗压与渗透系数的非线性映射关系。在此基础上,将实测渗压序列代入训练好的BP神经网络中进行海堤渗透系数的反演,再将反演成果投入有限元正分析,结果显示,测点渗压的模拟计算值与实测渗压序列的大小及变化趋势相同,说明拟合效果理想。

土工膜防渗水库的缺陷渗漏量估算方法研究

土工膜缺陷是导致土工膜防渗水库渗漏的重要因素,目前对土工膜缺陷渗漏量的评估尚处于试验阶段,未见有土工膜防渗水库缺陷渗漏估算的相关报道。基于土工膜宏观缺陷的局部性以及土工膜防渗水库的监测资料,建立了水库缺陷土工膜防渗层的渗透系数反演数值模型,提出了一种土工膜防渗水库的缺陷渗漏量估算方法。结合现场监测资料,数值反演结果表明:当缺陷土工膜防渗层面积为4 m^(2)时,其渗透系数为5.0×10^(-5)m/s;土工膜防渗层缺陷的总体渗漏流量、各断面的单位宽度流量均与库水位相关;在库水最大深度为14.4 m时,水库的缺陷渗漏量约为857 m^(3)/d;同时,缺陷渗漏量影响范围有限,随着与缺陷中心距离的增大,断面的单位宽度渗漏量逐渐减小。研究成果为土工膜防渗水库的渗漏状态评估和安全运营提供了技术支持。