[發明專利]一種基于神經網絡響應面的堆石料蠕變參數預測方法

有效

• 申請號: 202011154557.2
• 申請日: 2020-10-26
• 公開（公告）號: CN112347670B
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 孫新建;周新杰;張鵬濤;官志軒
• 申請（專利權）人: 青海大學
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06F119/14
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 張海青

本發明公開了一種基于神經網絡響應面的堆石料蠕變參數預測方法，包括獲取監測數據參數、構建堆石蠕變模型、基于正交試驗法的蠕變模型參數敏感性分析、蠕變模型參數反演。本發明的有益效果是：使用參數反演方法得到的參數計算的沉降值在大小和分布上與現場測量值有顯著的一致性。該反演分析方法不止局限于面板堆石壩堆石體的蠕變參數反演，只需要構造出合理的設計參數與目標值之間的映射關系，就可應用于其他巖土工程問題。

技術領域

本發明涉及一種堆石料的蠕變參數預測方法，具體為一種基于改進BP神經網絡響應面的堆石料的蠕變參數預測方法，屬于巖土工程技術領域。

背景技術

巖土參數反演分析方法主體上分為解析法和數值法，數值法又包括不確定性反演方法和優化反演方法，在這些方法中，優化反演分析法體現出了其在計算能力和效率上的優勢，運用最為廣泛。優化反演分析法是根據監測實測值和有限元計算值構造目標函數，將參數反演問題轉化為目標函數尋優問題，利用尋優算法逐步迭代使誤差最小進而找到待反演參數的最優組合。如何得到目標函數中的有限元計算值是優化反演分析法中重要的一環，在每步迭代過程中調用有限元軟件得到有限元計算值，這種方法無疑會耗費大量的時間，因此通過建立待反演參數與有限元計算值之間的映射關系來代替優化迭代過程中的有限元計算過程，將會大大降低優化反演分析的代價。

響應面分析法是利用合理的試驗設計方法通過實驗得到一定數據，采用多項式回歸方程來構造響應面進而擬合因素與響應值之間的函數關系，通常，這類多項式回歸方程都是低階的，為了克服低階多項式回歸方程在解決非線性問題中的局限性，采用與此方法相同的思路，提出了神經網絡響應面法，即采用神經網絡來擬合一個響應面以近似代替真實的極限狀態曲面，進而建立起待反演參數與有限元計算值之間的映射關系。BP神經網絡是一種結構類似于大腦突觸連接的信息處理數學模型，如果已經樣本參數組合足夠多，則BP神經網絡可以預測任何未知參數組合的映射結果，其優點是非線性擬合能力強，學習規則簡單，易于實現，所以BP神經網絡經常被用于解決工程優化問題。然而，許多研究表明，BP神經網絡存在對初始權值和偏差敏感，全局搜索能力差，容易陷入局部極小值等問題，使得訓練得到的神經網絡在對參數組合的結果進行預測時，和期望的結果有較大的出入。近年來，一些智能算法(例如模擬退火算法SAA，遺傳算法GA，螢火蟲算法FA，思維進化算法MEA，蟻群優化ACO等)與BP神經網絡結合，其中，遺傳算法是一種借鑒生物界自然選擇和進化機制發展起來的高度并行，隨機，自適應的全局優化概率搜索算法，由于優化時不依賴于梯度，具有很強的魯棒性和全局搜索能力，將遺傳算法與BP神經網絡結合，可以尋找到BP算法的最優權值和偏差，改進后的BP神經網絡具有更好的泛化能力，因此，GA-BP被廣泛應用于機器學習，模式識別，數學規劃等問題，眾多的案例(證明了GA-BP的強魯棒性和全局搜索能力，但是也暴露了GA算法存在早熟收斂的問題，未成熟收斂是遺傳算法中不可忽視的現象，主要表現在群體中的所有個體都趨于同一狀態而停止進化，算法最終不能給出令人滿意的解，因此，本申請提出一種基于神經網絡響應面的堆石料蠕變參數預測方法。

發明內容

本發明的目的就在于為了解決問題而提供一種基于神經網絡響應面的堆石料蠕變參數預測方法，基于MPGA-BPNN RSM和MPGA優化理論的參數反演方法，建立了蓄集峽面板堆石壩蠕變參數與蠕變增量之間的映射關系和目標函數。

本發明通過以下技術方案來實現上述目的：一種基于神經網絡響應面的堆石料蠕變參數預測方法，包括以下步驟：

步驟一、獲取監測數據參數，在蓄集峽面板堆石壩的觀測斷面設置水管式沉降儀用來監測壩體內部的沉降，并根據堆石區測點的沉降來反演石料的參數；

步驟二、構建堆石蠕變模型，基于滯后變形理論，以所獲得的參數構建堆石料蠕變七參數模型；

步驟三、基于正交試驗法的蠕變模型參數敏感性分析，采用正交試驗設計，根據正交性從全面試驗中挑選出部分有代表性的點進行試驗，這些有代表性的點具備了“均勻分散，齊整可比”的特點，據此，得到基于蠕變模型參數敏感性分析的正交試驗表，以確定待反演參數；