基于神经网络的岩体渗透系数反演方法及其工程应用

《基于神经网络的岩体渗透系数反演方法及其工程应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第21卷第4期岩石力学与工程学报21(4)：479～4832002年4月ChineseJournalofRockMechanicsandEngineeringApril，2002基于神经网络的岩体渗透系数反演方法*及其工程应用11233李守巨刘迎曦王登刚李华吴凤吉12(大连理工大学工业装备结构分析国家重点实验室大连116024)(同济大学建筑工程系上海200092)3(白山发电厂吉林132400)摘要基于人工神经网络方法，根据岩体渗流场的水头观测数据和注水试验先验信息，建立了一种含水层参数识别数值方法。介绍了采用神经网络方法反演混凝土大坝岩石基础和混

2、凝土帷幕渗透系数的工程实例。工程实际应用表明，所提出的反演方法得到的渗透系数代入到有限元模型，水头预报值具有比较高的精度。关键词人工神经网络，参数反演，优化，渗流，岩体渗透系数分类号TV223.4文献标识码A文章编号1000-6915(2002)04-0479-05网络的岩体渗透系数反演方法应用到工程实际，为1引言解决由于渗流边界条件的改变引起的大坝渗流场和坝基扬压力变化的计算问题提供参数，为进行大坝岩体渗流反问题的研究在岩土工程实践和理论的稳定性分析提供了依据。分析中具有重要的意义，并且已经引起人们的广泛关注。由于在岩体中含有大量的节理和裂隙，采用

3、2岩体渗透系数反演的神经网络方法现场取样实验室试验确定岩石试件渗透系数的方法往往具有某些局限性，并且试验结果往往受到试件2.1经典BP神经网络尺寸的影响，即所谓的尺寸效应。现场试验方法大人工神经网络模型是基于生物中的神经网络的多采用注水试验，然后根据单位吸水率换算出渗透基本原理而建立的。这些模型是由基本处理单元所系数，但是现场试验方法普遍存在数据离散和代表组成的，称之为神经。在这些神经之间有大量的相性不强以及费用高等问题。根据岩体内水头和渗流互连接，它具有从数据中进行学习的能力。因此，量观测数据反演渗透系数的方法为解决这一问题提神经网络方法被广泛用来

4、解决不同种类数据之间的供了强有力的技术手段，并且在工程实践中解决了复杂关系。一个神经网络在用来进行参数识别之前，[1～3]一系列实际问题。在渗流反问题的求解方法上，首先需要进行训练。在训练神经网络时，可以采用[4，5]出现了很多的数值解法。近年来，随着人工神几种不同的方法训练神经网络。由于反向传播网络经网络的发展，将神经网络模型应用于反问题的求(BP网络)对于多层神经网络提供了最有效的学习[6～10]解上成为了新的研究领域。传统的BP神经网方法，因此，它得到了广泛应用。如图1所示，BP络方法是建立在梯度下降方法基础上的，研究发现神经网络由一个输入层、

5、一个或几个隐含层、一个此方法常常出现收敛速度慢，有时迭代过程中目标输出层组成。函数发生振荡等问题。为此，本文采用优化方法对2.1.1正向传播网络的权值进行修正，提高其收敛速度，并解决了设含有L层和n个处理单元的一任意网络，目标函数振荡等问题。最后，将所建立的基于神经各个单元的传递函数为S型的。假设给定N个样本2000年7月24日收到初稿，2000年9月25日收到修改稿。*国家自然科学基金资助项目(10072014)和工业装备结构分析国家重点实验室开放基金资助项目(GZ9908)。作者李守巨简介：男，42岁，硕士，1982年毕业于阜新矿业学院采矿系矿山

6、建设专业，现任副教授，主要从事岩土力学及其反问题的研究工作。•480•岩石力学与工程学报2002年∂E(x，y)，(k=1，2，L，N)。任一个节点i的输出为lkkk式中：δ为送到下一层(1l+层)的输入，计算jkl∂OO，对某一个输入xk，网络的输出为y，节点i的jkik输出为Oik，现在讨论第l层的第j个单元，当输入要从(1l+)层算回来。在(1l+)层第m个单元时，有第k个样本时，节点j的输入为∂E∂E∂netl+1kkmk=∑=netl=∑wlOl−1(1)∂Olm∂netl+1∂Oljkijjkjkmkjkj式中：Ol−1为l−1层输入第k

7、个样本时，第j个单∑∂Ekwl+1=∑δl+1wl+1(9)jkl+1mkmkmkm∂netm元的输出。mkll则有O=f(net)(2)jkjkδl=∑δl+1wl+1f'(netl)(10)f(netl)=1/{1+exp(−net+θ)}(3)jkmkmjjkjkjkkm综上所述，基于梯度下降方法的经典BP算法式中：θk为阈值。权值迭代公式如下：调整权值∂E(t)w(t+1)=w(t)−μμ＞0(11)计ijij∂w(t)ij算目∂EN∂Ek标式中：μ为步长，=∑，t为迭代次数。∂wk=1∂w函ijij数2.2基于Levenberg-Marqu

8、ardt优化算法的BP算法由非线性优化理论可知，误差下降方向不采用梯度负方向，而是采用Newton下降方向，