人工神经网络在海堤非稳定渗流参数反演中应用.docVIP

人工神经网络在海堤非稳定渗流参数反演中的应用 　　摘要：利用ANSYS进行海堤的非稳定渗流的有限元分析，并提取渗压计测点的时序渗压和对应的渗透系数分别作为神经网络的输入层和输出层，建立海堤渗压与渗透系数的非线性映射关系。在此基础上，将实测渗压序列代入训练好的BP神经网络中进行海堤渗透系数的反演，再将反演成果投入有限元正分析，结果显示，测点渗压的模拟计算值与实测渗压序列的大小及变化趋势相同，说明拟合效果理想 关键词：非稳定渗流；海堤渗压；渗透系数反演；BP神经网络 中图分类号：TV698.1 文献标志码：A 文章编号：1672-1683（2015）06-1147-04 Abstract：ANSYS was used to perform the finite element analysis of unsteady seepage of seawall.The osmotic pressure sequence and corresponding permeability parameters were collected to act as the input layer and output layer of the neural network，and the nonlinear mapping relationship between the osmotic pressure and permeability parameters of seawall was developed.Based on the results，the observed osmotic pressure sequence was put into the trained BP neural network to conduct the back analysis of the permeability parameters of seawall.The inversion results were analyzed using the finite element method，which showed that the simulated and measured osmotic pressures at the monitoring points are similar. Key words：unsteady seepage；pressure of seawall；back analysis of permeability parameters；BP neural network 海堤是为维护堤内人民的生产、生活而修建的堤防工程，它主要受到潮水位、降雨、风暴潮等外载作用。研究显示，海堤堤身渗压的变化与潮水位的涨落规律密切相关[1]，同时，渗透系数对潮位涨落过程中堤内孔隙水压力的大小与分布有重要影响[2]。因此，根据实际监测的渗压时间序列反演海堤堤身的渗透系数，对合理评价海堤的实际安全状况有重要意义 海堤在实际的运行中，由于潮位升降迅速，因此在海堤渗流分析中应考虑非稳定渗流的影响，以便更加真实地反映实际渗压状况。理论研究表明，渗压与渗透系数具有高度非线性映射关系[3-6]，而人工神经网络是一种智能的分析技术，已被广泛应用于工程参数辨识[7-10]、工程预测[11-12]等领域。本文以上海某海堤工程为研究对象，在非稳定渗流的数值模型分析基础上，结合海堤实测渗压序列，利用改进的BP神经网络模型反演海堤堤身的渗透系数 1 非稳定渗流分析原理 由于式（1）在计算方法上将整个渗流范围作为研究对象，因此不需要对自由面进行调整，自由面只是正负压的分界面，避免了给水度的补给自由面边界的麻烦[4]。式（1）与无热源的热传导微分方程相似，因此可以采用ANSYS的热分析模块求解非稳定渗流场问题[5-6] 2 BP神经网络 该函数能较好地反映生物神经元的反映特性，并且导数是连续的。BP算法采用的是误差逆传播，是一种有导师训练的多层前馈网络算法，能将一组输入输出的模拟仿真问题转化成非线性优化问题，基于梯度下降法调整网络的连接权值与阈值，使网络的输出尽可能的接近期望的输出 标准的BP算法虽然从原理上证明了可以以任意精度逼近任何非线性函数，然而大量研究表明，基于梯度下降的BP算法在峡谷区容易产生震荡，影响函数的收敛，且容易陷入极小值。为改善标准BP算法的缺陷，有关学者提出了一些有效的改进算法[11-14]。本文采用附加动量算法和修正激活函数法对标准BP算法进行改进 式中：ΔW（i）为第i次的权值调整量；η为学习速率，0 　　（3）网络学习。将N组样本对提供给改进的BP神经网络进行训练学习，以网络误差值ε小于一定