改进BP神经网络模型在扬压力监控中应用.pdfVIP

改进BP神经网络模型在扬压力 监控中的应用 梅一韬郑东健 (河海大学水利水电学院，江苏 南京210098) 摘要：针对标准BP神经网络的过拟合和收敛速度慢等问题，对网络结构和初始权值、 阀值进行优化，结合混凝土坝基础渗流特点，应用实测资料建立了坝基扬压力监控模型，通 过对模型实例的比较，验证了改进BP神经网络模型的优越性，这对于实际工程的应用有着 积极的意义。 关键词：BP神经网络；网络结构；初始参数；优化；扬压力监控 neural of BP networkmodelin Applicationimproved upliftpressuremonitoring MeiYi—tao ZhengDong-jian (WaterconservancyandHydropowercolge，HohaiUniversity,Nanjing210098,China) Abstract：Thenetworkstructure．initialandinitialthresholdwere tosolve weights optimized some andslow instandardBPneural problems，likeoverfitting convergencespeed actualdataofaconcrete establisheda dam，this network．Combining paper upliftpressure model．The ofthe modelistestedandvalidatedactual monitoring advantagepresented by has intheactual positivesignificance examples．It application． words：BPNeural Key Network；Networkstructure；Initial Pressure Monitoring 引 言 建国以来，我国共修建约8．5万座堤坝，其中15m以上的大坝约有1．9万座【l】，这些水 利工程在防洪、发电和灌溉等方面发挥了巨大的社会经济效益。然而，相当一部分大坝存在 安全问题，一些水库大坝的病险情况较为严重，影响了这些水利工程综合效益的发挥，也严 重威胁着人民的生命财产安全。坝基扬压力监控是大坝安全监控的重要环节之一，而合理的 监控模型与分析方法直接影响着监控预报的准确程度。 现阶段扬压力监控的模型主要有逐步回归模型、人工神经网络模型、时间序列模型等。 逐步回归模型是常用模型，当效应量和影响因素(即自变量)关系较为明确且资料较全情况， 用逐步回归模型效果一般较好；人工神经网络具有自学习和自适应的能力，可以通过预先提 供的一批相互对应的输入．——输出数据，分析掌握两者之间潜在的规律，最终根据这些规律， 用新的输入数据来推算输出结果：当影响因素的监测量资料不全时，时间序列模型则是常用 模型。 在实际的工程中，坝基扬压力(即效应量)和水位、降雨、温度、时效等影响因素(即 自变量)之间的关系往往很复杂，难以用数学方法准确建模，无法用一个显函数来表达。此 时，采用人工神经网络模型进行大坝安全监控往往是较好的选择，其中BP神经网路模型是