论文部分内容阅读
大坝变形通常是由于多种因素的复杂耦合作用而产生的,具有高度的复杂性和不确定性。其不确定性主要体现在由于资料不完备或考虑因素不全面而产生的灰色特性和各个影响因素与大坝变形之间存在的模糊性,目前还没有一种可以完全确定的模型和公式来表示大坝变形的全部特性。由于大坝变形是大坝安全的严重威胁,因此建立一个精度可靠的、适用性广泛的大坝变形趋势的分析预测模型是亟需解决的问题。针对目前缺乏综合考虑大坝变形的灰色特性和模糊性的研究现状,本文结合西南某心墙堆堆石坝工程实例,开展了以下研究工作,取得以下主要研究成果:(1)由于大坝变形的影响因素及其变量表达形式众多,直接作为输入会造成计算时间较长。针对此问题,对影响心墙变形的主要因素(时间因素、填筑因素、水位因素)以及其变量表达形式进行了相关性分析,得出主要影响变量;并采用主成分分析法对影响因素进行降维处理,得到两个主成分。(2)针对目前研究缺乏综合考虑大坝变形的灰色特性和模糊性的不足,提出自适应网络模糊推理系统(adaptive neuro fuzzy inference system,ANFIS)优化灰色理论模型(Grey Model,GM)来预测大坝的变形。通过实例分析,表明ANFIS-GM模型的精度比传统的只考虑大坝变形灰色特性的GM模型更高。(3)采用遗传算法(Genetic Alogrithm,GA)优化的BP神经网络模型(Back Propagation Artificial Neural Network,BP),克服了BP神经网络容易陷入局部最优值的缺点。通过结合工程实例分析得出该模型比较适合于大样本的预测分析。(4)组合模型可充分的利用各模型的有效信息,其精度通常优于单一模型。针对于传统的组合模型没有考虑时间因素对组合模型的影响,提出基于考虑时间影响的神经网络组合模型,并与传统的最小预测误差平方和为目标函数的线性权重组合模型进行了对比,表明它能够更好地预测大坝变形。通过实例分析,表明:(1)两种形式的组合模型精度通常优于ANFIS-GM模型和GA-BP模型;其精度也更加稳定,同时适用于大样本、小样本的预测分析。(2)基于考虑时间的神经网络组合模型在时间跨度较短(第1-2组)的分析预测中比以最小预测误差平方和为目标函数的线性权重组合模型平均精度仅低4.65mm,精度差别不大;而在时间跨度较大(第3-7组)的分析预测中,它的精度比以最小预测误差平方和为目标函数的线性权重组合模型平均精度要高21.19mm。