第41卷第5期2023年5月水电能源科学WaterResourcesandPowerVol.41No.5May2023DOI:10.20040/j.cnki.1000-7709.2023.20220912基于PSO-GRNN的混凝土面板堆石坝渗透系数反演方法及应用李皓璇1,沈振中1,张文兵1,2(1.河海大学水利水电学院,江苏南京210098;2.上海海事大学海洋科学与工程学院,上海201306)摘要:针对混凝土面板坝渗透系数反演维数高、计算复杂、耗时长的问题,采用正交试验设计构建渗透系数组合与测压点水头组成的学习样本,通过广义回归神经网络(GRNN)建立渗压监测点水头与渗透系数之间的非线性映射关系,并引入粒子群优化算法(PSO)搜寻适合特定工程的光滑因子σ值,提高模型的泛化性和收敛速度,建立了混凝土面板坝渗透系数反演的PSO-GRNN模型,并应用于工程实例。结果表明,基于该模型反演得到的渗透系数取值合理,渗流分析得到的渗压监测点水头与实测值相对误差最大为3.64%,精度满足工程需要。关键词:混凝土面板坝;渗透系数;反演分析;广义回归神经网络;粒子群算法中图分类号:TV223.4文献标志码:A文章编号:1000-7709(2023)05-0067-04收稿日期:2022-05-04,修回日期:2022-08-04基金项目:国家自然科学基金项目(52179130);中央高校基本科研业务费专项资金项目(B210203065)作者简介:李皓璇(1999-),男,硕士研究生,研究方向为水利工程渗流特性分析控制,E-mail:2785316528@qq.com通讯作者:沈振中(1968-),男,教授、博导,研究方向为工程渗流特性分析控制,E-mail:zhzhshen@hhu.edu.cn1引言采用大坝渗流监测数据反演坝体材料渗透系数是目前的研究热点,而解决渗流监测资料与渗透系数之间的复杂非线性关系一直是反演工作的难题,因此构建合适的模型来处理两者之间的非线性映射关系是反演混凝土面板坝渗透系数的关键。近年来,人工智能算法已广泛应用于大坝渗透系数反演中,如BP神经网络、支持向量机等。采用传统的BP神经网络、支持向量机等方法需要设置的参数多,且部分参数(如BP神经网络隐含层节点数)目前无标准的确定方法,参数选取不当则预测结果不精确,若优化多个参数则网络收敛速度慢。对此,引入设置参数少、收敛速度快的PSO-GRNN模型进行渗透系数反演。广义回归神经网络[1](GRNN)在计算过程中只需确定唯一的参数光滑因子σ,克服了传统学习算法结构设计复杂、参数敏感等缺点,实际工程监测中常因为仪器老化损坏等原因导致可用监测资料有限,而GRNN在样本数据较少时也具有良好的预测效果。但仅根据经验或试算选择光滑因子σ又存在人为主观影响较大且收敛速度慢的问题...
