大坝安全监测资料正反分析的智能软计算方法及其应用

论文题目: 大坝安全监测资料正反分析的智能软计算方法及其应用

论文类型: 博士论文

论文专业: 水利水电工程

作者: 郄志红

导师: 练继建

关键词: 坝工结构,安全监测,反分析,软计算,监测模型,神经网络,遗传算法,准则

文献来源: 天津大学

发表年度: 2005

论文摘要: 大坝安全监测资料分析是判断大坝运行状况、馈控坝工结构内部机制的重要手段。其中,监测资料正分析可以通过建立监测模型和监控指标对大坝的运行起到预测和控制作用;而监测资料的反分析(亦称坝工结构反分析)是坝工设计、施工和运行管理中必不可少的重要环节,对优化设计、施工过程中的信息反馈以及反馈设计、诊断坝工安全状况等具有十分重要的意义。本文将智能软计算方法与大坝安全监测资料的正反分析相结合,在以下几个方面进行了研究。(1)提出了“改进的层次型神经网络+均匀设计+结构有限元分析”的三位一体的以及以Hopfield网络与模拟退火(SA)为基础的坝工结构反分析新方法。(2)将基于最大熵原理的赤池信息量准则(AIC)及赤池贝叶斯信息量准则(ABIC)引入坝工结构反分析领域,提出了模型优选准则和先验信息的采用准则,推导了先验信息比重系数β的计算公式。(3)提出了刻画反演量对观测量影响程度大小的“敏度”概念,以弹性平面问题为例推导了敏度计算公式。进而给出了基于“敏度”的测点优化目标函数并提出了基于遗传算法的观测优化方法。(4)利用大型商业化结构分析软件ANSYS内部的优化工具,编写了重力坝弹性模量反分析程序。并不失一般性地示出了基于此类工具的坝工结构反分析方法。此外,还开发了基于外部调用的智能反分析程序。(5)提出了基于AIC准则和遗传算法的且综合考虑拟合误差与预测误差的环境量因子优选新方法。(6)针对观测数据中存在异常值及反分析中常遇到的不稳定的问题,应用鲁棒控制理论,给出了能自动去除或削弱异常值影响的坝工结构反分析的鲁棒控制方法,特别是提出了基于人工神经网络模型的智能鲁棒控制方法。(7)分别采用遗传算法+径向基神经网络以及分层GA解决了测压管滞后时间及初始漏测量的计算问题。

论文目录:

第一章 绪论

1.1 引言

1.2 研究现状及问题点

1.3 智能软计算与大坝监测资料正反分析研究的关系

1.4 主要工作及创新点

1.4.1 主要工作

1.4.2 主要创新点

第二章 坝工结构(安全监测资料)反分析的理论基础

2.1 坝工结构反分析的定义与分类

2.2 反问题的不适定性及其求解策略

2.2.1 反问题的不适定性

2.2.2 不适定性问题的求解策略

2.3 坝工结构反分析的基本方法

2.3.1 坝工结构反分析方法分类

2.3.2 基于加权线性最小二乘的反分析

2.3.3 基于非线性最小二乘的反分析

2.3.4 基于极大似然估计的反分析法

2.3.5 基于贝叶斯法的反分析法

2.3.6 基于卡尔曼滤波的反分析方法

2.4 关于优化方法

2.5 关于数值微分问题

2.6 本章小结

第三章 新的坝工结构反分析方法—基于软计算的坝工结构智能反分析方法..

3.1 基于人工神经网络的反分析方法

3.1.1 神经网络基础

3.1.2 基于无反馈的层次型神经网络的坝工结构反分析方法

3.1.3 基于反馈型神经网络的坝工结构反分析方法

3.2 基于遗传算法的坝工结构反分析方法

3.2.1 遗传算法基础

3.2.1.1 遗传算法基本原理

3.2.1.2 遗传算法的基本操作

3.2.1.3 遗传算法的特点和优点

3.2.2 基于遗传算法的反分析

3.3 基于商品化结构分析软件的坝工结构反分析

3.3.1 基于ANSYS 内部优化工具的反分析

3.3.2 基于外部优化(反分析)程序(USEROP)调用的反分析方法

3.4 方法评述

3.5 本章小结

第四章 反分析中的信息量与模型的选择问题

4.1 基于信息量准则的最优反分析模型选择

4.1.1 K-L((Kullback—Leibler)信息量、似然函数和AIC 准则

4.1.2 基于AIC 准则的坝工结构反分析模型选择

4.2 关于先验信息的利用问题

4.2.1 先验信息的必要性与扩张贝叶斯法

4.2.2 基于赤池贝叶斯信息量准则(ABIC)的先验信息利用

4.3 本章小结

第五章 关于观测的优化布置及反分析中的鲁棒控制问题

5.1 观测量对于反演参数的敏度

5.2 观测点及观测项目的优化

5.3 关于反分析中的鲁棒控制问题

5.3.1 监测数据中的异常值与坝工结构反分析的鲁棒性

5.3.2 能剔除或消弱监测数据中的异常值的智能鲁棒反分析方法

5.3.3 智能鲁棒反分析的简单示例

5.4 本章小结

第六章 基于软计算的坝工结构智能反分析实例

6.1 基于有限元与多层前馈神经网络的均质土坝渗透参数反分析与渗透安全评价

6.1.1 工程概况

6.1.2 方法与步骤

6.1.2.1 对神经网络反传算法(BP)的改进

6.1.2.2 训练实例的选取

6.1.3 西大洋水库主坝渗透系数的反演

6.1.3.1 计算水位确定和计算假定

6.1.3.2 正分析生成训练实例

6.1.3.3 基于人工神经网络的渗透参数反演及观测量对反分析结果的影响

6.1.4 渗透安全评价

6.1.4.1 稳定渗流情况下的安全评价

6.1.4.2 非稳定渗流情况下的安全评价

6.1.5 实例结论

6.2 基于遗传算法的心墙坝渗透参数反分析实例

6.3 基于ANSYS 参数化设计语言(APDL)的重力坝弹性模量反分析实例

6.3.1 问题描述

6.3.2 反分析结果及评价

6.3.3 实例结论

6.4 本章小结

第七章 大坝安全监测资料正分析的软计算方法及其应用

7.1 基于GA 和AIC 的大坝安全监测统计模型优选

7.1.1 模型优选的必要性

7.1.2 用于多元回归模型优选的AIC 准则

7.1.3 基于GA-AIC 的多元回归模型优选

7.1.4 应用实例

7.2 基于GA 和RBF 神经网的测压管滞后时间计算方法

7.2.1 测压管水位滞后成因分析

7.2.2 基于遗传神经网络(GA-RBF)的测压管水位滞后时间计算方法

7.2.3 应用实例

7.3 基于分层遗传算法的初始漏测量计算方法

7.3.1 土石坝初始漏测沉降计算的常规方法中的问题

7.3.2 直接求取漏测沉降量的方法

7.3.3 分层遗传算法原理

7.3.4 计算土石坝漏测沉降的分层遗传算法(HGA)

7.3.5 应用实例

7.4 本章小结

第八章 结论与展望

8.1 本文主要结论

8.2 问题与展望

参考文献

博士期间发表论文和参加科研情况

致谢

发布时间: 2006-05-24

参考文献

• [1].基于智能计算的大坝安全监测方法研究[D]. 宋志宇.大连理工大学2007
• [2].大坝安全监测与损伤识别的新型计算智能方法[D]. 康飞.大连理工大学2009
• [3].大坝安全监测及厂房动力反演分析模型研究[D]. 陈维江.大连理工大学2002
• [4].大坝安全监测数据分析方法研究[D]. 李富强.浙江大学2012
• [5].大坝安全监控的人工智能技术研究[D]. 何勇军.河海大学2002

相关论文

• [1].大坝安全监测数据分析方法研究[D]. 李富强.浙江大学2012
• [2].大坝安全监测与损伤识别的新型计算智能方法[D]. 康飞.大连理工大学2009
• [3].大坝安全监控系统可靠性研究[D]. 岳建平.河海大学2002
• [4].大坝安全监控的人工智能技术研究[D]. 何勇军.河海大学2002
• [5].大坝安全监测及厂房动力反演分析模型研究[D]. 陈维江.大连理工大学2002
• [6].土石坝安全测控理论与技术的研究及应用[D]. 黄红女.河海大学2005
• [7].大坝安全监控统计模型研究[D]. 李智录.西安理工大学2006
• [8].大坝安全监控及评价的智能神经网络模型研究[D]. 闫滨.大连理工大学2007

标签：坝工结构论文;  安全监测论文;  反分析论文;  软计算论文;  监测模型论文;  神经网络论文;  遗传算法论文;  准则论文;