论文部分内容阅读
大坝是承受巨大荷载的结构复杂的建筑物,随着坝体的增高增大,大坝的安全已引起坝工界的普遍关注。大坝变形预报是大坝安全监测系统中重要的组成,对于确保大坝安全运行具有极其重要的作用。大坝安全监控模型是建筑物结构安全性分析和综合评价的基础,传统的监控模型通常采用统计模型、确定性模型和混合模型等。毫无疑问,几十年来,这些经典的预报方法对于解决大坝变形预报起到了相当重要的作用,但是大坝工作条件复杂影响因素繁多,而且各座大坝又有各自的特点,还有许多不确定性的影响因素,各种因素对大坝位移影响无法用确切的定量关系描述,因此,传统的原型观测数学模型无法完全描述大坝安全监测量之间的非线性映射关系,从而影响模型的拟合和预报精度。同时,模型的抗干扰能力差,当缺乏观测资料或观测误差较大时,往往得不到理想的结果。人工神经网络作为一种人工智能技术经历了半个多世纪的发展,取得了令人瞩目的进展,其主要应用领域有模式识辨和图像处理、控制和优化、预报和智能信息管理及通讯等。它所表现出的自组织性、自适应性、联想能力、模糊推理能力和自学习能力等优势非常适合解决非线性映射问题,因此许多水利工作者将其引入到大坝安全监测领域,利用人工神经网络模型的函数逼近能力拟合大坝安全监测效应量与相关环境量之间的复杂函数关系,实现环境量值对效应量值的预测功能,取得了良好的效果,有效地提高了监测模型的拟合成果和预测精度。本文对传统的BP神经网络进行了研究,结合以往的研究成果,将数值方法中的L-M算法用于经典BP网络的改进,同时针对BP网络初始化的随机性、收敛速度慢、易陷入局部最小等缺点,采用自适应遗传算法对BP网络模型的权值阈值进行全局优化搜索,以提高大坝安全监测人工神经网络模型的拟合成果和预测精度。利用本文提出的GA-LMBP算法模型,以吉林丰满大坝坝顶水平位移的多年监测资料为例,对模型进行检验,运用MATLAB软件进行仿真,并与常用的统计回归模型和经典的BP模型和的仿真结果进行比较,结果显示本文提出的GA-LMBP算法稳定性更好、预报精度更高,是值得采用的一种模型。