基于計算智能的巖土力學模型參數(shù)反演方法及其工程應用.pdf

1、最優(yōu)估計的巖土力學模型參數(shù)是通過比較現(xiàn)場觀測到的信息數(shù)據(jù)與理論模型得到的模型數(shù)據(jù)的差異而得到的.通過定義目標函數(shù),將參數(shù)識別反問題轉(zhuǎn)化為優(yōu)化問題處理.隨著計算機智能計算方法的不斷進步和現(xiàn)場觀測手段以及觀測精度的不斷提高,根據(jù)現(xiàn)場觀測數(shù)據(jù)進行巖土力學模型參數(shù)反演具有良好的應用前景,根據(jù)反演的巖土力學模型參數(shù)進行反饋設(shè)計,可以不斷完善和修正原來的工程設(shè)計參數(shù).基于梯度搜索方法的參數(shù)反演方法缺陷在于無法保證搜索到全局最優(yōu)解,其主要原因在于觀測

2、誤差的存在和模型誤差的存在.Tihonov(1963)證明,如果正問題(ForwardProblem)是線性的,那么,反問題的解存在、唯一并且連續(xù)地依賴于觀測數(shù)據(jù)(穩(wěn)定).關(guān)于地下水反問題和熱傳導反問題以及位移反分析的數(shù)值試驗發(fā)現(xiàn),當正問題是線性時,如果當不考慮觀測數(shù)據(jù)的觀測誤差時,反問題的解是唯一的,也就是說,目標函數(shù)是凸函數(shù),正如Tihonov所指出的那樣;但是,當考慮到觀測數(shù)據(jù)的觀測誤差時,即使正問題是線性的,反問題的目標函數(shù)是非

3、凸的,反問題解是不惟一的.觀測誤差越大,目標函數(shù)的局部極小值數(shù)目越多.遺傳算法是一種基于達爾文"自然選擇、適者生存"生物進化思想的全局搜索算法,其致命的缺陷在于早熟(Premature)特性.通過將模擬退火算法嵌入到遺傳算法中,建立了一種新的錦標賽選擇策略.該選擇策略使得在種群進化初期,各個個體被選擇的概率基本相等,保證了進化過程中種群的多樣性,有效解決遺傳算法的早熟問題.而隨著種群的進化,模擬退火算法中的退火溫度逐步降低,使得適應度高

4、(目標函數(shù)小)的個體被選擇的概率增加,加快了算法的收斂速度;當接近種群進化結(jié)束時,只有適應度高的個體被選中.人工神經(jīng)網(wǎng)絡(luò)具有自適應、自組織和學習能力.在網(wǎng)絡(luò)訓練過程中采用改進的BP算法,通過對學習算子的優(yōu)化搜索,大大提高了網(wǎng)絡(luò)的收斂速度,解決了BP算法迭代過程中目標函數(shù)振蕩問題.與傳統(tǒng)的基于梯度搜索的優(yōu)化方法相比,模擬退火算法具有良好的全局收斂特性.巖土模型參數(shù)識別反問題轉(zhuǎn)化為組合優(yōu)化問題,提出了模擬退火算法識別未知的熱傳導系數(shù)和邊界條

5、件問題,算法具有良好的抗觀測噪音能力.根據(jù)自然界中不同類型螞蟻的分工特性,在蟻群算法中增加了"偵察"螞蟻,該偵察螞蟻負責搜索信息素非常低的路徑(反問題的解),使得算法具有快速搜索到新的更優(yōu)解的能力,同時有效地避免蟻群算法的"趨同"特性.同時,將遺傳算法中的最優(yōu)個體保留策略應用到蟻群算法,增強了蟻群算法的全局收斂特性和解的精度.由于蟻群算法采用"地毯式"搜索,收斂速度十分有限,特別是對于需要多次求解正問題的巖土力學參數(shù)反演問題,其計算速度

6、尤其突出.通過對蟻群算法的改進,將模擬退火算法與蟻群算法相結(jié)合,建立了模擬退火-蟻群算法,該混合優(yōu)化方法能夠充分利用蟻群算法的信息素蒸發(fā)和全局修正特性以及模擬退火算法的快速"鄰域"搜索特性,加快了蟻群算法的收斂速度和全局收斂特性.該方法可以用來識別二維或三維、穩(wěn)態(tài)或非穩(wěn)態(tài)地下水流動模型的滲透系數(shù)和儲水系數(shù)問題,以及地下水滲流污染源辨識問題.結(jié)合豐滿發(fā)電廠、白山發(fā)電廠和云峰發(fā)電廠的改進和擴建工程,根據(jù)現(xiàn)場觀測數(shù)據(jù),包括壩基揚壓力、漏水量和