基于进化神经网络混凝土大坝变形预测

›› 2003, Vol. 24 ›› Issue (4): 634-638.

基于进化神经网络混凝土大坝变形预测

李守巨^1，刘迎曦¹, 刘玉静²

1.大连理工大学工业装备结构分析国家重点实验室, 大连 116024； 2.长春工业大学基础科学系, 长春 130012

收稿日期:2002-04-10 出版日期:2003-08-11 发布日期:2014-08-19
作者简介:李守巨, 男, 1960年生，副教授，博士生，从事岩土力学及其反问题研究工作。
基金资助:
国家自然科学基金资助项目（批准号:10072014）；高校博士点基金资助项目。

Dam deformation forecasting by evolving artificial neural network

LI Shou-ju ¹, LIU Ying-xi¹, LIU Yu-jing²

1.State Key Laboratory of Structural Analysis of Industrial Equipment, Dalian University of Technology, Dalian 116023, China; 2. Basic Science Department, Changchun University of Technology, Changchun 130012, China

Received:2002-04-10 Online:2003-08-11 Published:2014-08-19

摘要/Abstract

摘要： 根据丰满大坝多年变形观测数据，建立了基于进化神经网络混凝土大坝变形预测方法。经典的BP神经网络的缺陷在于收敛速度慢和泛化能力弱等特性。与普通的多元回归方法和传统的BP神经网络相比，采用遗传算法训练的人工神经网络预测模型预报大坝的变形具有精度高和全局收敛的特点。在丰满大坝工程实际应用表明，所建立的基于进化神经网络混凝土大坝变形预报方法与广泛采用的统计方法相比，可以显著提高大坝变形预报精度。

关键词: 人工神经网络, 变形预报, 混凝土大坝, 遗传算法

Abstract: Based on the measured data of Fengman dam deformations for many years, the artificial neural network evolved by a genetic algorithm was adopted for forecasting the dam deformation. The shortcomings of the traditional BP artificial neural network lie in the slowness in the convergence rate and the weakness in the generalization ability. Compared with the popular multi-factor regression model and BP artificial neural network, the forecasting model based on artificial neural network evolved by a genetic algorithm had the characteristics of accurately forecasting and global convergence. The practical application to Fengman concrete dam shows that, compared with a commonly used statistical method, the forecasting method proposed can obviously enhance the forecasting precision of dam deformation.

Key words: artificial neural network, deformation forecasting, concrete dam, genetic algorithm

中图分类号:

TU454

李守巨, 刘迎曦, 刘玉静， . 基于进化神经网络混凝土大坝变形预测[J]. , 2003, 24(4): 634-638.

LI Shou-ju , LIU Ying-xi, LIU Yu-jing， . Dam deformation forecasting by evolving artificial neural network[J]. , 2003, 24(4): 634-638.

参考文献

相关文章 15

[1]	马春辉, 杨杰, 程琳, 李婷, 李雅琦, . 基于量子遗传算法与多输出混合核相关向量机的堆石坝材料参数自适应反演研究[J]. 岩土力学, 2019, 40(6): 2397-2406.
[2]	温树杰，梁超，宋亮亮，刘刚,. 基于最小势能法的三维临界滑裂面搜索方法[J]. , 2018, 39(7): 2708-2714.
[3]	张社荣，胡安奎，王超，彭振辉, . 基于SLR-ANN的地应力场三维智能反演方法研究[J]. , 2017, 38(9): 2737-2745.
[4]	王伟，杨敏，上官士青，. 控制差异沉降的桩筏基础桩径优化分析方法[J]. , 2015, 36(S2): 178-184.
[5]	李忠，杨俊 , . 基于MPGA的复杂应力状态边坡稳定性分析[J]. , 2015, 36(5): 1488-1495.
[6]	李宁，王李管，贾明涛，陈建宏，谭正华,. 改进遗传算法和支持向量机的岩体结构面聚类分析[J]. , 2014, 35(S2): 405-411.
[7]	邱道宏，李术才，薛翊国，田昊，闫茂旺，. 基于数字钻进技术和量子遗传-径向基函数神经网络的围岩类别超前识别技术研究[J]. , 2014, 35(7): 2013-2018.
[8]	林永生，陈胜宏. 基于有限元计算的边坡三维滑裂面搜索[J]. , 2013, 34(4): 1191-1196.
[9]	袁文华. 人工冻土黏弹塑性本构参数反分析研究[J]. , 2013, 34(11): 3091-3095.
[10]	李南生，唐博，谈风婕，谢利辉. 基于统一强度理论的土石坝边坡稳定分析遗传算法[J]. , 2013, 34(1): 243-249.
[11]	张乐文，张德永，李术才，邱道宏. 基于粗糙集理论的遗传-RBF神经网络在岩爆预测中的应用[J]. , 2012, 33(S1): 270-276.
[12]	石露，李小春，孙冠华，白冰. 地下矿体采动下的露天采场边坡稳定性研究[J]. , 2012, 33(3): 812-820.
[13]	史永强，赵俭斌，杨军. 基于主成分分析的优化神经网络模型及静压管桩单桩极限承载力预测[J]. , 2011, 32(S2): 634-640.
[14]	康永君，杨军，宋二祥. 地震作用下边坡安全系数时程计算及参数研究[J]. , 2011, 32(1): 261-268.
[15]	张勇慧，盛谦，冷先伦，朱泽奇. 龙滩水电站左岸边坡二维位移反分析[J]. , 2010, 31(S2): 396-401.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	程涛，晏克勤. 应力路径对地表变形特性影响的数值模拟[J]. , 2010, 31(2): 661 -666 .
[2]	米海珍，高春. 生石灰膨胀特性的试验研究[J]. , 2010, 31(4): 1253 -1256 .
[3]	孙熙平，张宝华，张强，王笑难. 重力式码头基床遭水流冲刷后的稳定性分析[J]. , 2010, 31(10): 3184 -3190 .
[4]	陈敬虞，龚晓南，邓亚虹. 软黏土层一维有限应变固结的超静孔压消散研究[J]. , 2009, 30(1): 191 -195 .
[5]	孟凡兵，林从谋，蔡丽光，李博. 小净距隧道爆破开挖中夹岩累积损伤计算方法及其应用[J]. , 2011, 32(5): 1491 -1494 .
[6]	杨永香，周健，贾敏才，胡金虎. 饱和砂土液化特性的可视化试验研究[J]. , 2011, 32(6): 1643 -1648 .
[7]	崔溦，宋慧芳，张社荣，闫澍旺. 爆炸荷载作用下土中爆坑形成的数值模拟[J]. , 2011, 32(8): 2523 -2528 .
[8]	陈明，胡英国，卢文波，严鹏，周创兵. 锦屏二级水电站引水隧洞爆破开挖损伤特性研究[J]. , 2011, 32(S2): 172 -177 .
[9]	石露，李小春，王伟，白冰. 基于互补理论的扩展有限元接触问题实现[J]. , 2011, 32(12): 3805 -3811 .
[10]	刘镇，周翠英. 新旧立体交叉隧道系统力学耦合作用全过程与规律[J]. , 2012, 33(2): 494 -500 .