乐昌峡水利枢纽工程右岸坝肩边坡渗流场边界反演分析-论文.pdf

乐昌峡水利枢纽工程右岸坝肩边坡渗流场边界反演分析-论文.pdf

ID:54923756

大小:674.38 KB

页数:7页

时间:2020-05-04

乐昌峡水利枢纽工程右岸坝肩边坡渗流场边界反演分析-论文.pdf_第1页
乐昌峡水利枢纽工程右岸坝肩边坡渗流场边界反演分析-论文.pdf_第2页
乐昌峡水利枢纽工程右岸坝肩边坡渗流场边界反演分析-论文.pdf_第3页
乐昌峡水利枢纽工程右岸坝肩边坡渗流场边界反演分析-论文.pdf_第4页
乐昌峡水利枢纽工程右岸坝肩边坡渗流场边界反演分析-论文.pdf_第5页
资源描述:

《乐昌峡水利枢纽工程右岸坝肩边坡渗流场边界反演分析-论文.pdf》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、第7期广东水利水电No.72014年7月GUANGD0NGWATERRES0URCESANDHYDROPOWERJu1.2014乐昌峡水利枢纽工程右岸坝肩边坡渗流场边界反演分析李成,李毅2(1.广东省7g-f1电力勘测设计研究院,广东广州510635;2.长沙理工大学7g-g1工程学院,湖南长沙410076)摘要:以确定乐昌峡水电站右岸坝肩边坡地下水位边界为目的,首先以现场监测资料为基础,通过非线性方法拟合各类地下水位边界条件,其次建立三维有限元边坡模型并结合遗传神经网络对地下水边界条件进行反演,

2、最后通过有限元方法计算得到边坡渗流场。计算结果与实测水头较为接近,表明构造的非线性地下水位边界与遗传神经网络反演相结合的方法能够解决复杂渗流场边界水头的确定问题,研究成果对乐昌峡工程的渗流分析以及类似工程具有一定的指导意义。关键词:渗流;有限元;反演分析;遗传神经网络;边坡中图分类号:TV139.14文献标志码:B文章编号:1008—0112(2014)07—0008—06随着岩土力学数值分析理论和方法的日益成熟,1基于遗传算法的神经网络的优化算法以及岩体测量技术的不断进步,基于位移、应力、应遗传

3、算法作为一种新型的全局优化搜索算法,将变、水头及流量等实测信息的反演分析逐渐发展成为其用于神经网络权值和阀值的训练学习,能得到较好获取岩体力学参数的重要手段¨J。陈昌彦等应用人工的结果,它能克服BP网络算法中学习效率低、收敛神经网络方法预测边坡岩体的稳定状况;刘先珊等速度慢、容易陷入局部最优等缺点,是神经网络权值、采用模拟退火的交替迭代算法的神经网络反演了水闸阀值训练学习的有效方法。它适合于处理规模较大的地基的渗透系数J。目前运用反分析来研究岩土工程并行问题,因此,当网络的结构较庞大时,只要选择的

4、渗流场时,多数的工作都是通过实测水头和流量资合适的控制参数,就能够更充分地发挥出其收敛速度料来反演各种岩土材料的渗透系数,而对于反演边坡快、不至于陷入局部最小的优点。地下边界水头的研究甚少。乐昌峡水利枢纽工程右岸构造遗传神经网络主要步骤如下:①BP网络初坝肩边坡超过300ITI,风化层深厚,开挖后将形成始化;②确定BP网络权值与阈值的范围和编码长度;215m左右的开挖边坡,边坡的稳定对于大坝的施工③初始化种群;④设定相应的参数,执行遗传算法;和运行极其重要,且边坡的渗流场对其稳定的影响显其中包括对

5、群体中的个体的适应度评价、选择、交叉、著。由于边坡中渗流边界未知,用钻孑L探测分水岭处变异遗传操作,进化生成新一代的群体;反复进行直的地下水分布相当困难且工作量大,但边坡的中心位至进化到设定的代数;并由此得到进化解(最佳染色置有3个钻孑L,勘探出了地下水位,这为反演来得到体个体);⑤将进化解编码分解为BP网络所对应的权边界水头分布提供依据。本文通过分析可能的边界水值、阈值;⑥将初步得到的权值、阈值赋给BP网络;头形式,运用渗流有限元程序,进行计算各边界水头进一步设置BP训练参数,再进行BP训练,然

6、后仿形式下的渗流场分布,根据渗流原理,选出合理的边真。详细过程可参考相关文献J。界形式,并根据这些边界形式,分别将均匀设计方法2乐昌峡右岸边坡渗流场边界反分析及局部加密方法引进遗传神经网络,反演得到各类边2.1待反演的稳定渗流场边界条件分析及有限元计算界水头形式的参数,再计算出初始渗流场,并与勘探实际中,边坡内的渗流场受降雨、河道水位变化点实际水头进行比较,说明了反演正确性。也说明能的影响,随时间的不同是一个极其复杂的非稳定渗流够通过遗传神经网络反演分析来解决渗流场边界场,若对该非稳定渗流场做反演

7、分析是特别困难的,问题这里将边坡内的渗流场作稳定渗流场考虑,来反映多收稿日期:2014—04—03;修回日期:2014—06—23作者简介:李成(1986),男,硕士,主要从事水工结构及岩土工程方面研究。·8·2014年7月第7期广东水利水电No.7Ju1.2014(a)a,a。,a取值偏大时图3边坡背面坐标(b)n,a,a取值合理时图5不同。,a,a:值下游侧边界上的压力水头分布表2第①类函数形式局部加密样本图4有限兀网格2.2遗传神经网络算法反演边界水头样本的选择对神经网络反演结果的影响不能忽

8、视,常用的做法是采用均匀设计样本的分布,这里采用2种设计方案:①均匀设计样本;②局部加密样本,通过简单均匀设计(表2中第1—11组样本)估计出参数大致范围,然后在此范围内均匀加密样本(表2中第1l一20组样本)。其中均匀设计样本如表3、表4所示,各待反演参数的范围由初步计算及工程经验确定,其中,若n,a。,o等参数取值偏大,会出现如图5(a)所示的情形,压力水头在边坡背面向河床方向开始位置先向上突起再下降,这种情况与实际相悖;若取值过小,则背面的水头等值线与水平线相当;较为合理的情

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。