译文修改版预案.docx

高面板堆石坝长期变形控制理论及应用摘要在本文中，高混凝土面板堆石坝长期变形控制理论（CRFD）被提出。一种改进的粒子群优化算法基于粒子迁移和径向基函数神经网络用于参数反演。基于测量的位移数据,静态本构模型和蠕变模型参数敏感的选择堆石坝变形反演。倒生的参数用来预测面板堆石坝的长期变形。水布垭CRFD的数值模拟结果表明,该预测定居点与实测数据吻合较好,和大坝变形在合理范围和趋于稳定。此外,设置保护区控制的工程措施进行了讨论。关键词：双屈服表面模型蠕变模型参数反演变形控制1前言填石的变形是一个长期、复杂的过程,包括瞬时变形和与时间有关的变形将持续好几个月,甚至几年。一般来说,碎石的力学参数是来自实验室或现场测试。然而,也有一些差异和测量值之间的“真实”的机械性能基于某些原因,规模效应和碎石的离散特征本身。堆石坝变形的计算与实验参数是大大不同的测量数据。例如,蠕变测试是在几个月内完成,而变形的混凝土面板堆石坝面板堆石坝通常持续数年。因此,有必要使用高面板堆石坝的实测位移进行参数反演,然后对大坝的长期变形进行预测。由于堆石坝的施工过程和变形机理复杂，很难对其进行瞬时变形和变形时间的分离，因此有必要进行静力本构模型和蠕变模型的综合参数反演。本文选择了对堆石坝变形的静态本构模型和蠕变模型参数敏感性进行反演。此外，采用基于粒子迁移和径向基函数神经网络的改进粒子群优化算法。反演参数的数值模拟结果表明，预测的沉降与实测数据吻合较好，对预结算与工程控制措施进行了探讨。2碎石静态本构和蠕变模型2.1双屈服面模型提出的双屈服面模型最初是沈竹江[1],它克服了缺点,邓肯电子模型不能考虑碎石扩张,它可以反映和碎石的各向异性。双屈服面模型假定有两个屈服表面存在应力空间中,使用椭圆和幂函数为:p，q分别是是静水压力和八面体剪应力2.2九参数蠕变模型目前,长期高堆石坝变形预测,九参数蠕变模型是常用的[2],并且可以描述如下:，分别是最后一个轴向蠕变和最终体积在一定应力水平下的蠕变;，分别是轴向蠕变累积和体积蠕变，表示蠕变速度最后一个轴向蠕变的关系是，应力水平，和围压如下：=η（2）最终体积蠕变,应力水平, 围压可以安装使用一个线性函数,如下：+方程(1)~(3)和九个参数 c , d , η , m ,，，，和充分表达碎石的蠕变特性。2.3参数敏感性分析如果选择所有参数反演,工作负载沉重和耗费时间。所以有必要对参数敏感性进行分析。修改莫里斯方法采用敏感指标反映参数的敏感性[3]:S=其中，S是敏感指标；是的模型计算产值i的次数；是初始参数中计算出的输出值；是第i次参数；是初始参数；n是计算的数量。参考文献[3]分析了双屈服面模型参数的敏感性，并涉及到一个结论，使得k，?，，，，和是对大坝的结算更敏感。本文分析了九参数蠕变模型参数的敏感性，采用均质坝，并得出结论，c，η，，，对大坝的结算更敏感，其结果示于图（1）。图1.参数灵敏度蠕变模型的分析3变形监测反演分析3.1基于粒子迁移粒子群算法在粒子群算法[4]，每一个粒子代表优化问题在多维空间中的潜在的解决方案。每个粒子都有两个特点，位置和速度。粒子位置对应于目标函数值，它可被用作粒子的适合度。一种新的改进粒子群算法采用了本文。在新的算法，粒子群中随机从可行空间采样，则人口中随机划分成若干子群，其中的每一个作出独立地进化，线性递减惯性重量，线性加速因子和自适变异操作被认为是。在周期阶段的演变，一些粒子从一个复杂的移民到另一个维护整个群体的多样性。另一方面，粒子的迁移建立信息交换的桥梁。3.2径向基函数神经网络径向基函数网络是一个两层前馈神经网络，其中包括径向基函数的隐藏层和线性的神经元的输出层。它可以近似任意函数以任意精度，这是特别适合于解决函数逼近的问题。选择高斯函数作为径向基函数：(5)其中，σ决定的径向基函数的形状，σ越大，基础功能越光滑。3.3预选反演参数为了减少工作量，并确保该反演结果收敛到“正确”值，反演参数的数目应减少。摩擦角φ测试方法更加成熟，的定义有丰富的工程经验[5,6]，因此它们从反转参数列表中删除。基于九个参数蠕变模型和先前结论敏感性分析，反演参数的数量减少到13个，分别是，，，，,,,, η,,,。下标1和2指的是主堆石区和子堆石区，分别与这两个具有相同蠕变参数。3.4目标函数堆石坝参数反演是找到一组参数，以确保计算的位移最好近似的测量数据。目标函数可以被选择为计算的位移和测量的数据之间的差值矢量的L2范数。由于每个监测点所测量的数据是一个时间系列，目标函数可表示如下：f=，…对应于一组的反演参数；m是监测断面数；是权重系数对于第i个部分；是监测点中的第i个部分的数量；是第j个点中的第i个段的第k次计算结算值的时间点；是对应的测量数据。4水布垭混凝土面板堆石坝的长期变形预测233米高