渗透系数反演.pptVIP

由图表可以看出，实测值与计算值比较接近，误差均在5%以内，说明反演所得到的参数比较符合实际情况。 渗透系数的反演问题比较复杂，其模型一般不能用显函数表示。针对此类隐式非线性优化问题，利用神经网络中的CHNN模型，构建了岩土体渗透系数的反演模型。 在结合实测资料及有限元计算的基础上，直接通过该系统进行有效的分析，不需要做进一步的理论假设和经验推断，可以边学习边将函数关系隐含在网络结构中，形成了函数映射结构。 该模型收敛较快，精度较高，不失为一种值得进一步研究和完善的方法。 5、智能反演方法 利用连续型Hopfield神经网络（Continuous Hopfield Neural Network，简称CHNN）的反馈特性，结合实测资料和数值计算，来构建岩土体渗透系数的人工神经网络反演模型 即先假设一组渗透系数作为初值，结合有限元计算，应用上述CHNN模型通过网络神经元状态的变迁而最终稳定于平衡状态，从而优化反演得到土石坝体及其岩基渗透系数。 反馈网络，又称自联想记忆网络，其目的是为了设计一个网络，储存一组平衡点，使得当给网络一组初始值时，网络通过自行运行而最终收敛到该设计的平衡点上。 Hopfield网络就是一种全连接反馈网络模型，其基本结构如图1所示。 5.1 网络模型的基本方程 Hopfield网络有连续型和离散型之分。连续型Hopfield网络激活函数的输入与输出之间的关系