神经网络响应面在堆石坝流变反演中的应用

杨利霞

神经网络响应面在堆石坝流变反演中的应用

# J# n( y& a, _( b; W* G: F" [
0 |  o4 r2 |" y4 K9 A' y* S. z堆石体的流变参数对高面板堆石坝的长期安全性分析具有重要意义。参数反演可以准确获得符合坝体实
+ b1 M/ U6 H. v9 l7 ^5 G" p际长期变形规律的流变参数。本文分别采用反向传播神经网络（
BP
3 h. Y6 v& |- B6 V* \9 |）和径向基神经网络（
" ^  I7 ~1 S' e5 iRBF
. N! q, c' U5 w9 P* l3 L）构造出待反演参
数与位移值之间的响应，引入统计学回归预测模型中的均方根误差（
RMSE
- [  R# G8 k. x' }0 ?( |; w4 Y6 B），平均绝对百分比误差（
$ o+ P7 G* C8 y0 K) X* vMAPE
. S$ e, v8 G- B8 F; @, R）和
9 P; y7 J8 ?: X" k; [线性回归决定系数（
R
2
2 P  W8 ?( T" `$ W/ L7 a）等指标来全面评估不同神经网络响应面映射能力的优劣，从而提高参数反演的效率和准
5 L8 M" r8 U  q: E3 u5 b( O; x: \确率。结果表明，
RBF
神经网络响应面的评估指标均优于
$ P: X; C! g! X# xBP
* l+ |5 L4 r6 g  p神经网络响应面。利用
RBF
神经网络响应面和多种
群遗传算法（
MPGA
）优化理论得到反演后的流变参数并将其用于有限元计算，得到的蓄集峡坝体沉降值在大小
+ l( [; f# X9 a2 t9 `3 ^和分布上与实测值有显著的一致性。

: Z1 W4 X! N5 x7 O# S, V