基于遗传算法的BP神经网络的土坝渗流场反演研究

【摘要】： 土坝坝体、坝基土壤或岩体、两岸土体或岩体的渗透系数是分析土坝渗流场的一个重要参数。它关系到人们是否能够真正了解土坝的实际安全状况。这些设计参数通过室内实验或野外现场实验得来,由于多种原因的影响,室内实验得到的实验值与实际情况可能会有较大的出入；而现场实验又存在不同程度的数据离散、代表性不强或是成本昂贵等缺点。因此将现场监测和反演分析结合起来反演渗透系数,有明显的实际作用。本文从该角度出发,针对监测资料中的测压管水头与渗透系数之间的非线性关系,引入BP神经网络法、遗传算法,用于反演土石坝渗透系数,对比参照实际设计渗透系数。 (1)利用渗透系数与测压管水头之间的非线性关系,结合BP神经网络算法的特性反演3个土坝工程算例,将大坝安全监测得来的不同水位下的测压管水头,以及实际设计渗透系数,通过训练学习网络得到相应的预测渗透系数值,并将其与原实际设计渗透系数相互比较,应证BP神经网络算法反演土坝渗流场的可行性。 (2)针对BP算法容易陷入局部最优值,收敛时间长的弊端,我们利用遗传算法对其进行优化,由于BP神经网络对网络初始权值和阈值相当敏感,因此如何确定初始权值和阈值是全局最优值就成为了关键所在。我们对网络权值和阈值进行优化,将优化后的权值和阈值反代入之前训练好的BP神经网络,得到新的预测渗透系数值。经过本文工程实例证明,优化后的预测渗透系数值要比BP算法反演得到的预测值更接近原设计参数。这说明用遗传算法优化后的BP神经网络反演土坝渗流场是可行的。