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

4 u9 Q; T! w+ u  e
) o' Y! m, A: t; g( U4 J" W. y

$ p# J8 O; k1 n$ {1 s4 Q) f, k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
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（
/ k4 c" ?$ K- j9 K( f  G: FBP
6 |. E; i& n! i7 X* Y$ O; D）和径向基神经网络（
& \$ }) `0 F0 ^" `% c, ?8 KRBF
）构造出待反演参
/ H% m% ]8 i# p9 \- L1 \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（
& y; J. l# {  bRMSE
），平均绝对百分比误差（
MAPE
/ B! D4 V: y$ V- b+ R: M3 |$ I2 V）和
+ v9 y% ]0 I# V2 W4 e* ^线性回归决定系数（
R
2
+ V' r3 Y! I4 W+ D）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
6 ~- H" P1 L# q& P& T1 q4 i确率。结果表明，
RBF
神经网络响应面的评估指标均优于
1 y* _. o; C2 @& s( N1 G  `% EBP
' r. b: Z  t$ h8 J: Y; i; @# ~神经网络响应面。利用
/ U" W' c" L( V, RRBF
" H" t/ ?( Z  {& n神经网络响应面和多种
% B7 A/ L' C+ a) U( R群遗传算法（
MPGA
8 j, w/ ]) O/ [$ h6 f6 ?  R）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
- u! p, D( b: f/ ?5 V7 i+ w! a3 O  H和分布上与实测值有显著的一致性。


( U% U1 n& A! Y+ [9 r6 Q1 r