基于微粒群算法的海堤渗压RBF神经网络监测模型.pdfVIP

第 42卷第 5期 2016年5月 水 力 发 电 基于微粒群算法的海堤渗压 RBF神经网络监测模型 闰彭彭 ，黄 铭 (1．合肥工业大学土木与水利工程学院，安徽 合肥 230009； 2．三峡库区地质灾害教育部重点实验室(三峡大学)，湖北 宜昌 443000) 摘 要 ：为提高海堤安全监控能力 ，从渗压实测数据以及潮位因子和降雨因子人手，使用影响因子的合理形式 ，利 用径向基函数 (RBF)神经网络建立渗压监测模型，推导微分进化微粒群优化算法 (DPSO)速度和位移进化的数值计 算方程，以此确定渗压 RBF神经网络模型的聚类中心，并由此对渗压进行拟合和预测。以120组实测样本对模型进 行训练拟合，并对后期 60组渗压进行预测，得到拟合段平均相对误差为 0．83％，相应预测段为 1．71％。实际应用 表 明，经微分进化微粒群算法优化后 ，渗压 RBF神经网络模型可以有效反映及预测渗压变化 。 关键词 ：海堤；渗压监控 ；径向基函数 ；微分进化 ；微粒群优化 SeawallSeepagePressureRBFNeuralNetworkMonitoringModelBasedonParticleSwarm Optim ization YAN Pengpeng一 ，HUANG Ming’‘ (1．SchoolofCivilandHydraulicEngineering，HefeiUniversityofTechnology，Hefei230009，Anhui，China； 2．KeyLaboratoryofGeologicalHazardsonThreeGorgesReservoirArea(ChinaThreeGorgesUniversity)， Ministry ofEducation，Yichang443000，Hubei，China) Abstract：In ordertoimprovethemonitoring capacity ofseawall，a seepagepressuremonitoringmodelbasedonradialbasis function(RBF)neuralnetworkwithreasonableformsofinfluencingfactorsisestablishedbasedonobservedseepagepressure dataaswellastidalleveldataandrainfallfactordatathatinfluenceseepagepressure．Thenumericalcalculationequationsof differentialequationsforspeedanddisplacementevolutionarederived， andthe RBF centersareconformed bydifferential evolutionaryparticleswarmoptimization(DPSO)tofitandforecastseepagepressure．120measuredsamplesareusedofrfitting andtrainingthemonitoringmodelwithaveragerelativeerrorof0．83％ ．andthelater60seepagepressurevaluesarepredicted withaveragerelativeerrorof1．71％ ．Theactualapplicationshowsthat。afteroptimizedbydifferentialevolutionaryPSO，the seepagepressuremonitoringmodelcaneffectivelyreflectandpredictthegenerallawofseepagepressure． KeyW ords：seawall；seepagepressuremo