基于人工神经网络的大坝变形监测正反分析研究
近年来,人工神经网络在大坝安全监控领域的应用不断被推广和深入.人工神经网络不具备统计回归模型的显式表达形式,是一种隐式模型,因而有它的缺陷性.但由于人工神经网络具有高度的非线性全局作用、良好的容错性与联想记忆功能、很强的自适应自学习能力,因此较传统的回归分析法有更好的拟合和预报精度;如果将有限元计算的结果作为网络输入,对应的物理力学参数作为输出,经过学习训练后,将实测结果作为输入,则可反演得到实际物理力学参数.因此,该文将人工神经网络应用于大坝变形监测正反分析的研究中.该文通过对BP网络模型结构及学习规则的研究,针对经典BP算法只能对每一个样本分别进行正反向计算而导致收敛速度慢及精度低等缺点,提出了基于传统数值优化算法——L-M算法的L-M BP神经网络,并将其应用于大坝变形监测正反分析的研究中.通过将L-M BP网络与经典BP网络比较,结果显示:对应于相同的网络收敛精度,L-M BP网络比经典BP网络的预测精度高,且训练次数少得多.对比传统的参数反分析方法,应用神经网络进行参数反分析的优点就是不需要建立显式的辨识格式,且适用于多变量系统.该文以大坝变形监测中常用的统计模型和混合模型作为应用人工神经网络进行大坝变形监测正反分析研究的基础,应用L-M BP网络建立紧水滩大坝变形监测模型实例,并与统计模型相比较,结果显示对大坝变形进行预测时,L-M BP网络模型受测值系列长短的影响更小;应用L-M BP网络反分析紧水滩大坝的坝体、坝基平均弹性模量,并用混合模型进行验证,说明了应用L-M BP网络进行大坝变形参数反分析是可行和可靠的.
人工神经网络;大坝变形;变形监测;参数反分析;网络模型;域的应用;正反分析;物理力学参数;紧水滩大坝;统计模型;预测精度;混合模型;统计回归模型;优化算法;经典;有限元计算;回归分析法;多变量系统;预报精度;训练次数
武汉大学
硕士
水工结构工程
薛桂玉
2004
中文
TV64;TP183
65
2005-03-30（万方平台首次上网日期，不代表论文的发表时间）