一、基于神经网络的土石坝沉降组合模型（论文文献综述）
侯超新,李向峰[1]（2021）在《基于ACO-BP神经网络的土石坝垂直变形监测模型研究》文中指出为准确预测垂直沉降变形位移数据,确保大坝安全稳定服役,文章引入蚁群算法（ACO）在全局范围内搜索BP神经网络连接权值和阈值的最优参数组合,并构建ACO-BP土石坝沉降变形位移预测模型。在样本数据中选取具有代表性的10个测点数据作为样本数据,对BP和ACO-BP模型分别进行学习训练。预测结果表明:两种模型对大坝垂直变形数据的预测均具有有效性,但ACO-BP模型相对BP模型收敛性好、精度高且具备全局稳定性,可在大坝安全检测中发挥良好应用效果。
张瑜潇[2]（2021）在《基于POT和改进D-S证据理论的土石坝健康诊断方法研究》文中研究指明在我国近10万座已建水库大坝中,大量工程处于不同程度的病险工作状态,其中土石坝所占比例最大。采用健康诊断方法定量评估土石坝健康状况,能够对影响土石坝安全的各种不确定性因素进行有效准确的辨识,及时诊断土石坝的病险程度,确保大坝长效安全运行。土石坝健康诊断信息类型多样、诊断过程复杂,健康诊断方法是实现土石坝健康诊断信息融合与安全性态分析的关键问题。因此,本文综合利用数值计算、安全监测、检查巡查、试验检测等多类健康诊断信息,构建基于模糊最优最劣法（the Fuzzy Best-Worst Method,FBWM）和熵权法（Entropy Weight Method,EWM）的土石坝健康影响因素重要性分析模型,建立基于超阈值（Peaks over Threshold,POT）模型的土石坝健康诊断指标拟定方法,在此基础上,提出改进的Dempster-Shafer证据理论（D-S证据理论）及基于该理论的土石坝健康综合诊断方法,为土石坝专项及综合健康诊断提供科学的定量评估方法。具体的研究内容如下:（1）基于土石坝的运行环境与结构特点,依据土石坝溃坝及风险分析理论,对土石坝健康影响因素进行挖掘,总结了土石坝健康的影响因素集,并构建了定性、定量相结合的土石坝健康诊断体系,为后续土石坝健康诊断过程提供了结构基础。（2）运用模糊最优最劣法和熵权法分别确定健康诊断体系中各影响因素的主、客观权重,利用级差最大化法（Level Difference Maximization,LDM）优化求解最佳组合权重,建立了FBWM-EWM-LDM组合赋权模型,定量评估土石坝健康影响因素的重要性,为土石坝健康影响因素重要性研究提供了科学有效的新方法。（3）综合水利规范要求以及水利土木领域健康状态评定标准研究成果,提出了土石坝健康评价等级的五级划分原则。并针对诊断体系中的非监测资料和监测资料信息,分别采取等区间划分法和POT模型构建土石坝健康诊断指标的综合拟定方法,建立五级健康评语量化区间的划分标准,为土石坝健康诊断提供合理准确的评价依据。（4）针对土石坝健康诊断存在的模糊性及随机性问题,利用可拓云理论的定性定量转化能力对D-S证据理论进行改进,同时对信息融合准则进行改进,将影响因素重要性与诊断信息支持度作为合成规则,提出了基于改进D-S证据理论的土石坝健康诊断方法,解决了模糊、随机的多证据体融合问题,提高了土石坝健康诊断的准确性。
李成宇[3]（2021）在《基于高斯过程回归模型的土石坝沉降预测研究》文中进行了进一步梳理在水利事业飞速发展的今天,安全监测在水工建筑物从施工开始到竣工,以及运行期间都必不可少。只有在掌握了建筑物的变形情况以后,才能了解其真实的运行状态,确保水工建筑物的安全。因此对大型水工建筑物进行变形监测并且对其数据进行分析处理就尤为重要。通过国内外学者多年来的不断研究与不懈努力,有关大坝安全监测方向的理论模型以及计算方法取得了长足的进步与发展,为大坝安全运行提供了可靠的理论支持,但是客观来看,在某些方面依然存在不足,有待改进。高斯过程作为新兴的机器学习方法,提高了预测模型的可解释性,并且提供了对于预测模型的选取和学习框架的结构。近年来,高斯过程的理论不断进步发展并在众多领域中得到广泛应用。本文以土石坝沉降位移为研究对象并引入了高斯过程回归模型,主要研究内容如下:（1）介绍了多元回归分析法与人工神经网络法这两种较为传统的建模方法的计算原理以及操作流程,并结合工程实例,根据2005～2012年的水位、温度、时间等观测资料,对工程中某测点2005～2012年的沉降值进行拟合,并对2013～2014年的沉降变形进行预测。将预测结果与实际沉降量进行对比,发现多元线性回归模型与人工神经网络模型的预测精度不够理想。（2）针对传统模型预测精度不足的问题引入高斯过程回归,并详细介绍高斯过程回归的计算原理、高斯过程回归模型的建立过程。根据观测资料对实际工程2013～2014年的沉降变形进行预测,并将预测计算结果与多元线性回归模型及人工神经网络模型的预测结果进行对比,验证高斯过程回归模型预测的准确性。（3）为进一步提升模型精度,降低复杂环境中系统噪声和观测噪声对观测数据造成的不良影响,引入了小波理论并详细介绍了小波去噪的计算原理及操作流程。通过采用小波分析对实际工程的观测数据进行去噪处理,建立高斯过程回归模型进行拟合与预测,从而使得模型精度得到提升,证明了基于小波去噪的高斯过程回归模型在实际工程运用中具有可行性与实用性。高斯过程回归模型不仅在精度上优于传统模型,而且在进行较为精确的拟合与预测的同时,能够给出具有较高可解释性的置信度,有利于判断依靠预测结果的决策风险,为工程中大坝的安全运行提供科学依据。
宋福彬[4]（2021）在《基于随机介质算法的土石坝病害模拟及特征识别方法研究》文中研究指明土石坝具有造价低廉、结构简单的优点,在我国的水利工程中占比较高,但由于其失事概率较高,针对土石坝安全性和可靠性的研究意义重大。随着我国病险水库除险加固现场无损检测工作的开展和大量土石坝工程的兴建,应用地质雷达方法及时、快速、精准发现土石坝工程中的病害位置并判断其类型,对于土石坝安全检测具有重要意义。目前,地质雷达在土石坝检测中的应用主要存在两方面的问题。其一,地质雷达图像识别经验性较强;现阶段土石坝病害的地质雷达图像识别需要长期的经验积累,而且辅助识别的正演模拟地电模型大多参考均匀介质或者层状介质而建立,没有考虑土石坝这种离散体材料的非均匀性和离散性。其二,土石坝病害的地质雷达图像识别时效性较差;现有的依赖人工的识别方式,其识别周期较长,无法满足及时、快速检测的要求,同时,人工识别结果漏检、误检的概率较高。针对上述问题,本文以实现土石材料准确模拟、土石坝病害类型快速识别为目的,对土石混合料模拟问题、土石坝典型病害特征及土石坝病害识别模型展开了研究,主要研究内容如下:（1）基于随机介质理论,根据土石混合料不同组分的粒径特征和电性特征,构建了一种三相离散随机介质模型,针对构建的三相离散随机介质模型,研究了在不同含水率下的模型介电特性,并将其与均匀介质模型进行了对比,分析了电磁波在两种模型中的传播特点。（2）针对不同类型的土石坝病害,分析了其成因和特点,构建了相应的三相离散随机介质地电模型,进行了地质雷达正演模拟,采用复信号分析技术研究了相应的正演模拟结果,从振幅、相位、频率角度分析了每种病害类型各自的特点。（3）基于Faster R-CNN算法,构建了土石坝病害目标检测模型,在自制的土石坝病害地质雷达图像数据集中完成了模型的训练与测试,分析了模型的检测效果,在工程实例中检验了模型的应用效果。
闵恺艺[5]（2021）在《基于多测点模型的面板堆石坝沉降变形预测研究》文中认为沉降变形监测是面板堆石坝全生命周期安全管理的重点项目。通过对大坝结构性态的系统监控与数据预测,有益于管理人员及时了解与准确评估大坝运行状态,有助于提供异常预警与实施维护措施。随着自动化监测系统的发展,大坝变形监测传感器数量大大增加,利用变形数据进行大坝结构健康预测的方法从单测点统计模型逐步转变为多测点模型与机器学习模型的组合模型。因此,开展面板堆石坝沉降的多测点预测模型相关研究,对于宏观掌控大坝整体变形趋势具有十分重要的科学意义。本文的主要研究内容如下:（1）通过引入空间位置的方式构建多测点统计模型,根据测点坐标位置、外界环境量与沉降对应关系进行预测。结合改进的粒子群优化支持向量机的非线性映射能力,提高模型拟合与预测精度。针对多测点模型测点样本和影响因子选取范围的界定问题,设计了5种测试方案,通过实例分析验证了测点选取对模型预测性能产生的影响。结果表明,多测点模型预测能力受测点相关程度的影响较大,合理选择相似度高的测点数据作为训练样本对变形监控模型有效预测尤为重要。（2）采用时空序列数据分析方法,建立多测点模型来预测失效测点的沉降变形。以达到长时序数据缺失修复的目标。针对传统多测点模型训练集内数据混杂的情况,采用面板数据聚类分析作为监测点变形相似性的度量方法来筛选合适的测点数据。以积石峡面板堆石坝的坝内沉降监测数据为例,比较不同预测模型、不同聚类分组和不同监测数据数目对模型预测结果的影响,对模型的有效性和可靠性进行了验证评估。结果表明,多测点模型适用于监测资料不足情况下的失效点沉降值长期预测,并且经面板数据聚类筛选后,模型效率与预测精度得到了明显改善,为修复长期失效点变形数据提供了新的途径。（3）基于面板堆石坝沉降变形物理成因分析和空间分量拓展的思路,构建多测点时空预测模型。综合分析了蓄水运行期的水位荷载传递、堆石体流变以及土料特性对沉降的影响作用,建立了多因素作用下堆石坝运行期的时空分布模型。利用XGBoost模型进行了拟合预测和特征值贡献性分析,根据各项性能指标对模型进行了评估。结果表明上方填筑高程、堆石厚度、测点至面板距离和土体材料等空间参数符合堆石坝变形特性,与空间参量耦合后的新影响因子形式对模型预测有更高的增益贡献。以梨园面板堆石坝沉降监测数据为例,多因素作用下新多测点模型对全断面测点的变形预测精度较高,对大坝沉降变形监测项目具有一定的应用和推广价值。
靳聪聪[6]（2020）在《基于性能的高土石坝地震易损性分析与地震风险评估方法研究》文中进行了进一步梳理随着我国对能源结构优化和清洁能源发展需求的不断增加,一批以高土石坝为代表的高坝大库在国家水电战略开发推动下得到快速发展。我国是当今世界上高土石坝数量最多的国家,并在水力资源丰富的西部地区规划建设一批200m、300m级的高土石坝。这些大坝位于我国地震地质环境复杂的西部地区,加之该地区强震频发且抗震设防烈度相对其它地区要高。因此,开展高土石坝抗震安全研究关乎国家水资源安全和社会公共安全,具有十分重要的意义。科学合理地分析高土石坝在地震作用下的动力反应和地震风险,是确保高坝抗震安全的关键。高土石坝地震反应分析是大坝抗震安全的基础,采用弹塑性模型对高土石坝动力分析是发展的趋势。基于性能的抗震设计能够全面、有效地分析结构在地震作用下的性态水平。因此,有必要将基于性能的抗震理念引入到高土石坝的抗震安全评价中。基于性能的混凝土高坝抗震安全评价在国内已经起步,而基于性能的高土石坝抗震安全分析尚未有系统深入的研究,尤其是对于高土石坝动力弹塑性分析、地震动记录选取、性能水准和性能参数指标量化方法、考虑地震动和筑坝料参数不确定性的高土石坝地震易损性分析方法、高土石坝地震损失估计以及基于性能的高土石坝地震风险评估方法等方面。因此,结合筑坝料弹塑性模型和高土石坝动力弹塑性地震响应分析结果,深入研究基于性能的高土石坝地震易损性与地震风险评估方法。本文主要研究内容总结如下:（1）基于广义塑性理论的框架,结合筑坝土石料试验成果,引入反映筑坝土石料非线性弹性关系的模量公式和能够反映循环硬化和滞回特性的塑性模量因子,并对PZC模型的弹性和塑性模量表达式改进,提出了一个可以统一考虑循环硬化、滞回特性以及塑性应变积累特性的改进PZC弹塑性模型。采用人工蜂群算法（ABC）和土体模型参数标定程序SM2D对改进模型参数进行标定。通过对糯扎渡堆石料与心墙掺砾土料的静动力三轴试验模拟,改进PZC弹塑性模型可以较好的反映筑坝料的主要静动力特性,从而验证了该模型的有效性。将改进PZC弹塑性模型编入到SWANDYNE Ⅱ有限元程序中,并对糯扎渡高土石坝进行动力弹塑性反应分析。该方法能够较全面分析高土石坝加速度反应规律分析和频域特性。通过对坝体内典型点的变形时程分析和大坝震害网格变形研究,能够深入分析高土石坝变形特性。结合动力固结理论得到高土石坝的超静孔压分布,计算结果能较好反映高土石坝震动响应规律。通过进一步研究改进PZC弹塑性模型参数对高土石坝动力计算结果的影响,分析得出Mg、Mf、γD、γden、γu、Hu0、H0等7个模型参数对大坝动力计算结果影响敏感度较高。（2）建立了一种基于场地谱和坝址区地震参数的高土石坝地震动记录选择方法,设定选取地震动记录筛选条件和地震动数量,通过PEER选取60条符合场地条件地震波,所选取的地震动记录的均值谱与场地谱的吻合较好,体现选取地震动的不确定性。结合有限元程序SWANDYNE Ⅱ对糯扎渡高土石坝进行动力弹塑性有限元分析以及统计国内外土石坝变形震害结果,提出了高土石坝的可定量化性能指标和多级性能水准的确定方法。采用基于多条带分法（MSA）的高土石坝地震易损性方法分析坝体结构在不同地震强度作用下产生各个等级破坏的概率。通过讨论两个性能参数平均值变异系数和标准差变异系数随着随着地震波数量的变化规律,结果表明:当地震波数量大于30条,地震动数量对于性能参数影响基本不再变化。通过引入了幂指数的地震危险性模型,结合高土石坝地震易损性分析结果,建立了基于性能的高土石坝抗震安全评估方法,并对高土石坝在设计基准期期内达到不同性能等级的概率进行评估。结果表明,大坝处于基本完好概率达到98%以上,说明糯扎渡高土石坝在设计基准期内的抗震性能良好。（3）选取改进PZC模型中的7个敏感性较大的模型参数作为高土石坝的随机变量来考虑筑坝料材料参数的不确定性,并采用拉丁超立方体抽样方法（LHS）建立60个随机生成的高土石坝地震-结构样本对。计算结果表明,仅考虑地震动不确定性在一定程度上低估了高土石坝各级性能水准对应的超越概率。引入具有强大映射能力的人工神经网络（ANN）方法,以高土石坝动力弹塑性分析的计算结果进行训练和仿真,建立ANN模型代替有限元分析计算,并与MSA方法相结合,提出了基于ANN-MSA的高土石坝地震易损性分析方法。根据糯扎渡高土石坝地震危险性资料,推导坝址处地震加速度概率密度函数,采用蒙特卡罗（MC）方法对高土石坝震害风险进行分析。结合地震发生在时间、空间和强度上的不确定性,对设计基准期内的糯扎渡高土石坝在10、50和100年的震害风险概率进行评估。通过对蒙特卡罗和数值积分方法计算高土石坝震害风险值的对比发现,蒙特卡罗法计算结果略小于数值积分方法的结果,造成对高土石坝震害风险的低估。最后,结合高土石坝地震损失和震害风险分析结果,建立基于性能的高土石坝地震风险评估方法,并分析在设计准期内的糯扎渡高土石坝地震风险值。结果表明:高土石坝在100年设计基准期内坝顶相对震陷率和坝顶水平位移最大值对应的严重破坏的地震风险评估值为1.2049和1.5674亿元,处于高土石坝地震损失灾难状态。
马春辉[7]（2020）在《基于离散元的堆石料宏细观参数智能反分析及其工程应用研究》文中研究说明作为重要的工程建筑材料,堆石料是具有高压实性、强透水性、高抗剪强度等工程特性的散粒堆积体材料,已被广泛应用于坝工、堤防、道路、机场、港口以及海洋等工程中。与此同时,随着我国乃至世界范围内水资源开发水平的进一步提升,水利工程建设面临着“四高一深”（高寒、高海拔、高陡边坡、高地震烈度、深厚覆盖层）的全新挑战。作为水利工程中堆石坝、堆石边坡等堆石工程的主要建筑材料,迫切需要更进一步掌握堆石料物理力学特性及其堆石工程安全性态。因此,本文建立了堆石料多个尺度变量间的强非线性关系,通过改进、串联和优化机器学习等智能算法,使反分析计算确定的堆石料力学参数更符合工程实际,并将其应用于堆石料细观变形机理研究与堆石工程实际问题解决中。本文主要研究内容和成果如下:（1）构建了基于结构监测数据的堆石料宏观本构模型参数自适应反分析模型,应用和声搜索与多输出混合核相关向量机等算法,快速、精确地实现了对不同工程、不同监测项目的自适应反分析,进一步提高了材料参数反分析的计算精度与适用性。此外,提出了基于相关向量机与随机有限元的不确定性反分析模型,以量化堆石坝在设计、施工、建设中存在诸多不确定性因素,模型综合考虑了结构数值仿真计算以及算法模型输入-输出间的不确定性,能够对堆石料参数的变异系数进行不确定性反分析计算,使反分析后的随机有限元正算值与沉降值的平均绝对误差为1.930。（2）建立了精细化的堆石料离散元三轴试验模型,以准确反映堆石料的材料特性,并深入分析了离散元细观参数对堆石料变形特性的影响规律和机理。通过总结堆石料细观接触模拟研究进展,构建了基于应力应变曲线的堆石料细观参数标定模型,应用量子遗传算法和支持向量机解决以往堆石料细观参数标定中影响因素多、耗时严重的问题。此外,提出了基于宏观本构模型参数的堆石料细观参数标定模型,使标定后的多围压应力应变曲线误差均小于0.21MPa,进一步拓展了细观参数标定模型的适用性,据此定性、定量地分析了三轴试验中堆石料的细观变形演化过程。（3）提出了基于结构监测数据的堆石料细观参数标定模型,根据堆石坝运行期的实测变形值对堆石料细观接触模型参数进行标定,促使堆石料细观参数值更符合工程实际运行情况。随后,为进一步发挥离散元数值仿真方法在堆石工程结构模拟中的明显理论优势,尝试采用离散元对堆石坝进行数值仿真,并对比分析了堆石坝离散元与有限元仿真的变形、应力计算结果。最后,开发了堆石料宏细观参数反分析平台,将上述多个参数反分析模型集成于平台中,实现堆石料不同尺度参数间的快速、准确转换。（4）在应用上述堆石料参数反分析方法的基础上,建立了工程尺度的堆石边坡离散元模型,以模拟施工、运行、滚石、地震和防护措施等工况下的堆石边坡失稳演变过程,从而解决了堆石边坡的挡墙高度确定问题。其中,为解决地震波在人工边界处发生反射、叠加等问题,建立了离散元的粘性边界,并对比了不同边界下离散元模型的响应情况,后将其应用于堆石边坡地震工况分析中。通过多个工况的分析明确了堆石边坡的失稳过程及影响范围,并建议该堆石边坡的混凝土挡墙加高到11m,为类似堆石工程的防护措施设计方法提供了参考。
梁彬彬[8]（2019）在《高心墙堆石坝施工期沉降监控模型研究》文中提出高心墙堆石坝施工期具有环境复杂性以及变形不确定性,其监测数据表现为一系列包含噪声且波动性较大的短序列数据。由于高心墙堆石坝施工期坝体变形较大,且变形是最能直观可靠地反映大坝运行状况的重要观测量之一。因此,对变形原始观测资料进行处理分析是近年来国内外研究大坝工作状况的主要方法之一。本文在国家自然基金“混凝土坝长期变形特性数值分析及安全监控方法”（NO.51769017）的资助下,开展了“高心墙堆石坝施工期沉降监控模型研究”。通过对高心墙堆石坝施工期沉降监测数据的分析,考虑施工期沉降变形受多种因素影响,加入对残差的分析,综合运用数学和力学方法,构建高心墙堆石坝施工期沉降监控模型及多测点模型,探索高心墙堆石坝沉降的演变规律,为高心墙堆石坝的设计与施工提供指导和决策。主要内容如下:（1）考虑高心墙堆石坝施工期工作环境和受荷条件复杂多变的特点,分析了高心墙堆石坝施工期监测数据,探究了填筑高度、温度、降雨、坝体及坝基岩体蠕变对大坝沉降变形的影响特性,基于高心墙堆石坝施工期沉降实测数据,综合运用灰色理论和马尔可夫链理论,构建高心墙堆石坝施工期灰色马尔可夫链预测模型。（2）研究了大坝沉降因子的选择,探究了填筑历史对坝体蠕变的影响规律,在考虑填筑高度、降雨、坝体和坝基岩体蠕变的基础上,基于Duncan-Chang模型和流变模型理论,建立了高心墙堆石坝施工期沉降非线性时变统计模型。并采用ARIMA理论进一步对残差进行分析预测,将残差预测结果添加到未考虑的常规监控模型中,构建了高心墙堆石坝施工期沉降非线性时变模型。（3）考虑传统单测点模型不能从整体上反映高心墙堆石坝施工期沉降变形的特点,基于BP神经网络,构建了高心墙堆石坝施工期多测点模型,该模型兼顾监测仪器的位置信息,从而更好的反映出不同测点之间的相互关系,计算结果表明,该模型具有较高的拟合及预测精度。
吕鹏[9]（2019）在《基于不确定性分析的土石坝渗流性态研究》文中进行了进一步梳理渗流是影响土石坝工程安全稳定的重要因素,科学地进行土石坝渗流性态研究为保障土石坝安全稳定提供理论与技术支持。目前常用的确定性分析方法难以考虑土石坝渗流性态研究过程中存在的随机性、模糊性、灰色性和未确知性等不确定性特征。在现有渗流性态研究理论基础上采用不确定性分析方法,对于提高渗流性态研究的准确性和可靠性具有十分重要的理论意义和工程价值。针对现有研究的不足,提出基于不确定性分析的土石坝渗流性态研究理论与方法,综合运用概率统计理论、随机场理论、模糊数学理论与可靠性理论,分别针对土石坝坝体渗透系数预测、渗透系数反演、渗流性态数值模拟和渗流安全综合评价等方面存在的不确定性问题开展深入研究。主要研究内容及成果如下:（1）针对目前渗透系数预测研究中缺乏考虑坝体填筑碾压参数的影响,且未能对预测结果进行可靠性分析的问题,提出考虑碾压实时监控参数影响的土石坝坝体耦合渗透系数及其可靠度的二元分析方法。依据碾压质量实时监控系统获得试验点的碾压参数数据以及料源参数数据,建立基于精英选择策略遗传算法改进神经网络的坝体渗透系数预测模型;基于可靠性理论定量分析预测模型中随机性的影响,提出坝体耦合渗透系数及其可靠度的二元分析方法。分析结果表明,考虑碾压参数影响的渗透预测模型预测结果变异性降低了17.2%,相比BP神经网络,精英选择策略遗传算法改进的神经网络将预测模型的预测能力（相对分析误差）提高了79.47%,该方法提高了坝体渗透系数分析的准确性和可靠性。（2）针对渗透系数反演方法未能综合考虑灰色、未确知、随机等不确定性对反演参数影响的问题,提出基于熵-盲数理论和DREAM算法的渗透系数反演分析方法。通过极大熵准则改进盲数理论处理和分析渗透系数的随机性、灰色性和未确知性等不确性特征;采用自适应差分演化Metropolis（DREAM）算法对渗透系数的后验分布进行推导,利用响应面模型替代数值模拟正演模型,提高渗透系数反演的准确性和计算效率。分析结果表明,将渗透系数反演值代入数值模型后,渗流量和扬压力的模拟误差分别由11.39%和12.25%降为3.08%和3.98%。（3）针对缺乏深入考虑渗透系数空间变异性的渗流性态数值模拟以及混合不确定条件下渗透破坏概率分析的研究的问题,提出基于约束随机场的渗流性态数值模拟方法及模糊随机混合条件下的渗透破坏概率分析方法。建立反映渗透系数空间变异性的约束随机场,并基于有限体积法和VOF法建立水气两相流渗流数值模型;提出随机模糊混合条件下渗透破坏概率分析方法,定量考虑土石坝渗流场中不确定性因素的影响。通过对某一土坝算例进行约束随机场的渗流性态数值模拟以及渗透破坏概率计算,分析渗透系数的空间结构对土石坝渗流场分布特征的影响规律。（4）针对缺乏考虑连续性、动态性和模糊性的土石坝渗流安全综合评价模型研究的问题,提出基于函数型数据分析理论的土石坝渗流安全模糊可评价方法。建立包含基础指标、衍生指标、数值模拟指标在内的土石坝渗流安全综合指标体系;通过函数型数据分析理论分析评价指标数据的连续性和时变性,提出适用于函数型数据的模糊可拓评价模型,并基于层次分析法与多尺度模糊熵相结合的主客观综合赋权法确定指标权重。分析结果表明,该方法与模糊评价法、集对分析法结果基本一致,并且在评价过程中可以考虑指标的变化趋势和评价得分的连续性。（5）结合我国西南某土石坝工程,开展基于不确定性分析的土石坝渗流性态研究工程应用。实践表明,本文提出的基于不确定性分析的土石坝渗流性态研究理论与方法科学、有效、可靠,能够为土石坝工程的渗流性态分析提供理论基础与技术支持。
倪沙沙[10]（2019）在《高土石坝砾石土心墙孔隙水压力分析与渗流系数反演》文中研究指明渗流是土石坝失事的主要原因之一,利用土石坝渗流监测资料不仅可直接分析土石坝的渗流安全,而且可反演坝体的渗流系数,提高土石坝渗流场分析的可靠性。但对高土石坝,心墙在填筑施工中会形成超静孔隙水压力。监测资料显示,高坝心墙内的测压管水位有的会超过上游水位,甚至高于坝顶,而且心墙超静孔隙水压力的消散很慢,一般会维持多年。这将直接影响高心墙坝前期的渗流安全,甚至引起心墙的水力劈裂,严重干扰渗流场计算、分析与渗流安全性评价。因此,进行高土石坝心墙超静孔隙水压力研究有重要的理论价值和工程实际意义。高心墙坝内的超静孔隙水压力至今没有有效的分析方法。本文以糯扎渡砾石土心墙堆石坝为研究对象,深入分析了心墙坝孔隙水压力的原型监测资料,采用基于比奥固结理论的有限元法对该坝进行了固结计算与分析,提出了心墙孔隙水压力消散的简化计算方法并用于剔除心墙测点的超静孔隙水压力,通过建立的粒子群算法（PSO）优化径向基函数（RBF）神经网络模型反演了大坝的渗流系数。主要研究内容和结论如下:1.分析了糯扎渡大坝心墙孔隙水压力监测资料。发现心墙内孔隙水压力的增长速率与填筑速率有良好的正相关性;心墙内测点高程越低孔隙水压力越大,心墙填筑完成时,底部最大孔隙水压力占其上覆土重的55.9%,其相应的测压管水位已高于坝顶高程;水库蓄水时,心墙孔隙水压力上升。因为心墙的渗流系数很小,渗流的形成滞后,渗流对心墙内孔隙水压力的影响有限。蓄水期间孔隙水压力上升主要由蓄水作用力和上游坝壳的湿化变形引起。具体讲蓄水水压力作用于心墙上游面,其中竖向分力对心墙上游部分区域有压缩作用,上游坝壳堆石料的浸水湿化下沉带动心墙有向上游的弯曲效应,以及水压力的水平分量形成的指向下游的弯曲效应,三种效应组合使心墙压应力增加,从而导致心墙孔隙水压力上升。在大坝填筑及运行前期,与填筑相比,水库蓄水对孔隙水压力的影响属次要因素。2.基于比奥理论,采用有限元法对糯扎渡大坝进行了固结计算。结果显示,填筑期孔压计算值小于实测值,计算得到的孔压消散速度也快于实测消散速度。这是因为当前有限元计算体积应变预测精度不高,高坝心墙在不同高程处应力条件相差较大,使得有限元计算中心墙的固结参数无法准确确定所致。为降低拱效应,适当松置反滤料,可减弱坝壳与心墙之间的应力传递。再加上坝体填筑期间坝体轮廓基本保持以心墙为中心的对称,致使竣工期心墙内的大主应力等值线基本水平,小主应力等值线在心墙附近几乎水平。因此,心墙固结可视为成层土的固结问题。由于碾压心墙的水平渗流系数较竖直方向大若干倍,故固结过程中的渗流沿水平方向进行,并通过上、下游反滤料排出。据此,推导了心墙竖向承压、水平排水的孔压消散控制方程,并进行了求解。但心墙各部位的应力条件迥异,研究中考虑不同高程固结系数的变化,对大坝超静孔压消散进行了计算,得到的测点水头与实测值吻合较好。该方法计算简便,无需进行复杂的固结有限元分析,涉及参数少,计算成本低,计算精度可满足工程要求,对分析高土石坝心墙的孔压消散有重要的工程实际意义。3.提出了粒子群算法（PSO）优化径向基函数（RBF）神经网络的土石坝渗流系数反演方法。该方法通过PSO优化RBF神经网络的结构参数,包括隐含层的中心、宽度和输出层的连接权值,借助RBF神经网络通过隐层的多个高斯径向基函数和输出层的线性函数实现从测点水头到渗流系数的映射,以近似替代由水头求解渗流系数的隐式表达式。对实测孔压剔除超静孔隙水压力（考虑了孔压消散修正）,采用本文提出的孔压消散的简化方法剔除心墙内的超静孔隙水压力,反演了糯扎渡大坝心墙的水平、竖向渗流系数及反滤料Ⅰ区与粗堆石料Ⅱ区的渗流系数。采用反演获得的渗流系数进行稳定渗流场的计算,并与观测值进行比较,吻合效果较好,说明提出的反演渗流系数的方法及剔除超静孔隙水压力水头的方法是合理的。
二、基于神经网络的土石坝沉降组合模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络的土石坝沉降组合模型（论文提纲范文）
（1）基于ACO-BP神经网络的土石坝垂直变形监测模型研究（论文提纲范文）
| 1 研究背景 |
| 2 土石坝位移监测因子 |
| (1)库水压力因子δH |
| (2)温度因子δT |
| (3)时效因子δθ |
| 3 ACO-BP神经网络变形预测模型 |
| 3.1 ACO-BP神经网络模型 |
| 3.2 ACO-BP神经网络算法流程 |
| (1)参数初始化。 |
| (2)连接权值和阈值迭代调整。 |
| (3)蚁群随机方向寻优。 |
| (4)信息素调节。 |
| (5)全域迭代寻优。 |
| 4 工程应用实例分析 |
| 4.1 工程概况 |
| 4.2 沉降变形位移监测分析 |
| 5 结论 |
（2）基于POT和改进D-S证据理论的土石坝健康诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 大坝健康影响因素与诊断体系研究进展 |
| 1.2.2 大坝健康诊断指标拟定研究进展 |
| 1.2.3 大坝健康综合诊断方法研究进展 |
| 1.3 问题的提出 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 2.土石坝健康影响因素与诊断体系 |
| 2.1 引言 |
| 2.2 土石坝健康影响因素挖掘 |
| 2.3 土石坝健康诊断体系构建 |
| 2.3.1 诊断元素选择原则 |
| 2.3.2 诊断体系构建 |
| 2.4 本章小结 |
| 3.土石坝健康影响因素重要性分析方法 |
| 3.1 引言 |
| 3.2 理论方法 |
| 3.2.1 模糊最优最劣法 |
| 3.2.2 熵权法 |
| 3.2.3 级差最大化法 |
| 3.3 模型构建 |
| 3.4 实例应用 |
| 3.4.1 工程概况 |
| 3.4.2 健康诊断元素重要性评价体系构建 |
| 3.4.3 健康影响因素赋权 |
| 3.4.4 比较与分析 |
| 3.5 本章小结 |
| 4.基于POT模型的土石坝健康诊断指标拟定方法 |
| 4.1 引言 |
| 4.2 健康评语集设计 |
| 4.3 理论方法 |
| 4.3.1 POT模型 |
| 4.3.2 等区间划分法 |
| 4.4 模型构建 |
| 4.5 实例应用 |
| 4.5.1 工程概况 |
| 4.5.2 监测数据的厚尾性分析 |
| 4.5.3 基于POT模型的诊断指标拟定 |
| 4.5.4 比对分析 |
| 4.6 本章小结 |
| 5.基于改进D-S证据理论的土石坝健康综合诊断方法 |
| 5.1 引言 |
| 5.2 理论方法 |
| 5.2.1 D-S证据理论 |
| 5.2.2 可拓云理论 |
| 5.3 模型构建 |
| 5.4 实例应用 |
| 5.4.1 工程概况 |
| 5.4.2 健康综合诊断 |
| 5.4.3 对比分析 |
| 5.5 本章小结 |
| 6.总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（3）基于高斯过程回归模型的土石坝沉降预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 大坝安全监测概述 |
| 1.1.1 大坝安全监测的目的和意义 |
| 1.1.2 大坝安全监测模型在国内外的研究现状 |
| 1.2 常用的变形预测模型方法 |
| 1.3 现有模型存在的问题 |
| 1.4 本文的研究内容与技术路线图 |
| 1.4.1 本文的研究内容 |
| 1.4.2 技术路线图 |
| 2 多元回归分析法与人工神经网络法 |
| 2.1 多元回归分析法 |
| 2.1.1 回归方程 |
| 2.1.2 法方程式 |
| 2.1.3 回归方程的有效性和精度 |
| 2.1.4 预报因子的重要性考察 |
| 2.1.5 工程概况 |
| 2.1.6 多元回归模型主要操作流程与计算结果分析 |
| 2.2 神经网络法 |
| 2.2.1 神经网络的基本概念及特点 |
| 2.2.2 误差反向传播(BP)神经网络及其特点 |
| 2.2.3 BP神经网络的优缺点 |
| 2.2.4 神经网络结构及其工程应用难点 |
| 2.2.5 BP神经网络模型主要操作流程与计算结果分析 |
| 2.3 本章小结 |
| 3 高斯过程回归模型 |
| 3.1 模型因子的选择 |
| 3.2 随机过程与高斯过程 |
| 3.2.1 随机过程 |
| 3.2.2 高斯过程 |
| 3.3 高斯过程回归 |
| 3.4 高斯过程回归的核函数 |
| 3.5 高斯过程回归的超参数 |
| 3.6 高斯过程回归模型的建立 |
| 3.6.1 变形监测数据预处理 |
| 3.6.2 建立高斯过程回归模型的主要步骤 |
| 3.6.3 模型预测表现评价指标 |
| 3.7 高斯过程回归模型主要操作流程与计算结果分析 |
| 3.7.1 高斯过程回归模型主要操作流程 |
| 3.7.2 高斯过程回归模型计算结果及分析 |
| 3.8 本章小结 |
| 4 基于小波去噪的高斯过程回归模型 |
| 4.1 小波基本理论 |
| 4.1.1 小波变换的概念 |
| 4.1.2 连续小波变换概念 |
| 4.1.3 离散小波变换概念 |
| 4.2 常用的小波函数 |
| 4.3 小波去噪 |
| 4.3.1 小波阈值去噪原理 |
| 4.3.2 小波阈值去噪方式 |
| 4.4 小波去噪的精度指标 |
| 4.5 基于小波去噪的高斯过程回归模型的主要操作流程与计算结果分析 |
| 4.5.1 小波去噪主要操作流程 |
| 4.5.2 基于小波去噪的高斯过程回归模型计算结果及分析 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 硕士期间主要研究成果 |
（4）基于随机介质算法的土石坝病害模拟及特征识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 土石坝检测技术现状 |
| 1.2.2 基于随机介质算法的模型构建方法研究现状 |
| 1.2.3 地质雷达正演模拟方法研究现状 |
| 1.2.4 深度学习算法在地质雷达中的应用现状 |
| 1.3 本文的主要研究内容及技术路线图 |
| 1.4 创新点 |
| 2 基于三相离散随机介质算法的土石混合料模拟方法研究 |
| 2.1 引言 |
| 2.2 随机介质理论 |
| 2.3 三相离散随机介质模型 |
| 2.3.1 随机介质模型参数影响分析 |
| 2.3.2 土石坝组成材料特性及其介电常数 |
| 2.3.3 土石坝三相离散随机介质模型 |
| 2.4 不同含水率的三相离散随机介质模型的地质雷达响应特性研究 |
| 2.4.1 土石混合料含水率与介电常数关系 |
| 2.4.2 三相离散随机介质含水率模型 |
| 2.4.3 三相离散随机介质波场分析 |
| 2.4.4 三相离散随机介质模型与均匀介质模型的对比 |
| 2.5 本章小结 |
| 3 基于复信号分析的土石坝典型病害的正演模拟 |
| 3.1 引言 |
| 3.2 地质雷达原理 |
| 3.2.1 麦克斯韦方程组 |
| 3.2.2 本构方程 |
| 3.2.3 地质雷达工作方式 |
| 3.2.4 地质雷达电磁波在介质交界面上的特性 |
| 3.2.5 时域有限差分法 |
| 3.3 复信号分析原理 |
| 3.4 坝内裂缝特征及其正演模拟 |
| 3.4.1 坝内裂缝类型及成因分析 |
| 3.4.2 坝内裂缝正演模拟 |
| 3.5 坝体渗漏特征及其正演模拟 |
| 3.5.1 坝体渗漏类型及成因分析 |
| 3.5.2 坝体渗漏正演模拟 |
| 3.6 坝体滑坡特征及其正演模拟 |
| 3.6.1 坝体滑坡类型及成因分析 |
| 3.6.2 坝体滑坡正演模拟 |
| 3.7 组合病害正演模拟 |
| 3.7.1 裂缝、滑坡组合病害 |
| 3.7.2 散浸、集中渗漏组合病害 |
| 3.7.3 裂缝、集中渗漏组合病害 |
| 3.8 本章小结 |
| 4 基于Faster R-CNN土石坝病害地质雷达图像目标检测模型研究 |
| 4.1 引言 |
| 4.2 前馈神经网络 |
| 4.3 卷积神经网络 |
| 4.3.1 卷积神经网络特点 |
| 4.3.2 卷积神经网络结构 |
| 4.4 基于卷积神经网络的目标检测算法简介 |
| 4.4.1 R-CNN |
| 4.4.2 SPP-Net |
| 4.4.3 Fast R CNN |
| 4.4.4 Faster R-CNN |
| 4.5 检测效果评价标准 |
| 4.6 目标检测模型研究 |
| 4.6.1 数据集制作与扩增 |
| 4.6.2 模型的训练与测试 |
| 4.6.3 模型检测效果分析 |
| 4.7 工程实例 |
| 4.7.1 工程背景 |
| 4.7.2 地质雷达设备及参数设置 |
| 4.7.3 地质雷达图像病害检测分析 |
| 4.8 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（5）基于多测点模型的面板堆石坝沉降变形预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 常规模型 |
| 1.2.2 机器学习模型 |
| 1.2.3 多测点模型 |
| 1.3 本文研究的主要内容及技术路线图 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线图 |
| 2 大坝沉降变形统计模型及机器学习模型 |
| 2.1 大坝沉降变形统计模型 |
| 2.2 基于改进PSO-SVM算法的面板堆石坝沉降预测模型 |
| 2.2.1 支持向量机原理 |
| 2.2.2 PSO算法原理 |
| 2.2.3 常见粒子群算法改进方法 |
| 2.3 基于XGBoost算法的面板堆石坝沉降预测模型 |
| 2.3.1 XGBoost算法预测模型原理 |
| 2.3.2 基于XGBoost方法的变量重要性估计 |
| 2.4 本章小结 |
| 3 不同测点和影响因子选取方案下多测点模型性能分析 |
| 3.1 多测点模型简介 |
| 3.2 多测点模型影响因子筛选 |
| 3.2.1 多测点模型影响因子 |
| 3.2.2 逐步线性回归法 |
| 3.3 多测点模型测点选取 |
| 3.3.1 工程概况 |
| 3.3.2 实验方案设计 |
| 3.3.3 多测点机器学习模型构建 |
| 3.3.4 方案结果对比分析 |
| 3.4 本章小结 |
| 4 基于面板数据聚类分析和多测点模型的失效点数据预测 |
| 4.1 监测数据的面板数据聚类分析 |
| 4.1.1 面板数据定义 |
| 4.1.2 沉降监测数据的标准化分析 |
| 4.2 面板数据聚类分析 |
| 4.2.1 聚类分析含义 |
| 4.2.2 相似性度量方法 |
| 4.2.3 Ward聚类方法 |
| 4.3 工程实例分析 |
| 4.3.1 工程概况 |
| 4.3.2 聚类时段划分 |
| 4.3.3 聚类结果分析 |
| 4.3.4 多测点预测模型构建 |
| 4.4 模型性能测试 |
| 4.4.1 不同的预测模型 |
| 4.4.2 不同的聚类分组 |
| 4.4.3 不同的监测数据数 |
| 4.5 本章小结 |
| 5 面板堆石坝运行期多测点预测模型研究 |
| 5.1 多因素作用下堆石坝运行期的多测点模型 |
| 5.2 模型性能测试 |
| 5.2.1 工程概况 |
| 5.2.2 新多测点XGBoost模型构建 |
| 5.2.3 全断面测点变形预测 |
| 5.3 特征贡献性分析 |
| 5.3.1 基于XGBoost算法的特征重要性排序 |
| 5.3.2 基于SHAP函数的特征重要性可视化分析 |
| 5.3.3 新多测点模型的特征重要性分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（6）基于性能的高土石坝地震易损性分析与地震风险评估方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 1. 绪论 |
| 1.1 研究背景与意义 |
| 1.2 高土石坝震害综述 |
| 1.3 土石坝抗震的研究进展 |
| 1.3.1 土的动力本构模型 |
| 1.3.2 高土石坝动力分析方法 |
| 1.3.3 基于性能的地震易损性分析 |
| 1.3.4 基于性能的大坝地震风险研究 |
| 1.4 本文主要研究思路与内容 |
| 2. 筑坝土石料改进PZC弹塑性模型研究 |
| 2.1 引言 |
| 2.2 基于广义塑性理论的PZC弹塑性模型 |
| 2.2.1 广义塑性理论 |
| 2.2.2 PZC模型的弹性部分 |
| 2.2.3 PZC模型的加载和塑性流动方向 |
| 2.2.4 PZC模型的塑性模量 |
| 2.3 改进的土石料PZC弹塑性模型 |
| 2.3.1 弹性部分的改进 |
| 2.3.2 塑性部分的改进 |
| 2.3.3 模型参数确定方法 |
| 2.4 本构模型的试验验证 |
| 2.4.1 糯扎渡高土石坝堆石料试验模拟 |
| 2.4.2 糯扎渡高土石坝掺砾土试验模拟 |
| 2.5 本章小结 |
| 3. 高土石坝地震动力弹塑性反应分析 |
| 3.1 引言 |
| 3.2 动力固结理论 |
| 3.2.1 动力固结理论 |
| 3.2.2 动力固结方程有限元格式 |
| 3.3 糯扎渡高土石坝有限元计算模型 |
| 3.3.1 工程概况 |
| 3.3.2 有限元模型和地震动输入 |
| 3.4 糯扎渡高土石坝弹塑性分析 |
| 3.4.1 静力结果 |
| 3.4.2 加速度响应分析 |
| 3.4.3 永久变形分析 |
| 3.4.4 孔压分析 |
| 3.4.5 地震动力影响因素分析 |
| 3.5 本章小节 |
| 4. 基于性能的高土石坝地震易损性分析和抗震安全评估 |
| 4.1 引言 |
| 4.2 地震易损性分析方法 |
| 4.2.1 易损性函数 |
| 4.2.2 地震易损性方法 |
| 4.3 高土石坝地震动选取方法 |
| 4.3.1 地震动记录选取 |
| 4.3.2 高土石坝地震动选取方法 |
| 4.4 基于变形的高土石坝性能参数和性能水准 |
| 4.4.1 基于坝顶相对震陷率的性能水准 |
| 4.4.2 基于坝顶水平位移的性能水准 |
| 4.5 基于地震变形易损性的糯扎渡高土石坝抗震安全分析 |
| 4.5.1 基于多条带分法的高土石坝地震变形易损性分析 |
| 4.5.2 基于地震变形易损性的高土石坝抗震安全分析 |
| 4.6 本章小节 |
| 5. 基于性能的高土石坝服役期地震风险评估方法研究 |
| 5.1 引言 |
| 5.2 地震危险性分析方法 |
| 5.2.1 区域地震区带 |
| 5.2.2 地震活动性参数 |
| 5.2.3 地震危险性评价 |
| 5.3 考虑不确定性的高土石坝地震易损性分析 |
| 5.3.1 地震动-结构样本对 |
| 5.3.2 考虑不确定性的高土石坝地震易损性分析 |
| 5.4 基于性能的高土石坝震害风险分析 |
| 5.4.1 基于ANN-MSA的高土石坝易损性分析 |
| 5.4.2 基于性能的糯扎渡高土石坝震害风险分析 |
| 5.4.3 糯扎渡高土石坝不同使用期内震害风险分析 |
| 5.5 基于性能的糯扎渡高土石坝地震风险分析 |
| 5.5.1 高土石坝地震损失评估方法 |
| 5.5.2 基于性能的糯扎渡高土石坝地震风险评估 |
| 5.6 本章小节 |
| 6. 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 附录1 区域范围内M5级以上历史地震目录 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（7）基于离散元的堆石料宏细观参数智能反分析及其工程应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 工程中反分析问题及其适定性研究进展 |
| 1.2.2 堆石料宏观本构模型参数反分析研究进展 |
| 1.2.3 堆石料细观接触模型参数标定研究进展 |
| 1.2.4 工程尺度的离散元方法应用研究进展 |
| 1.2.5 人工智能算法研究进展 |
| 1.3 研究问题的提出 |
| 1.4 研究内容和技术路线 |
| 1.5 主要创新点 |
| 2 基于结构监测数据的堆石料宏观本构模型参数反分析 |
| 2.1 堆石料材料特性 |
| 2.2 堆石料材料的多尺度描述 |
| 2.3 堆石料宏观本构模型参数自适应反分析 |
| 2.3.1 堆石料本构模型 |
| 2.3.2 HS-MMRVM算法基本原理 |
| 2.3.3 堆石料宏观参数自适应反分析模型构建 |
| 2.3.4 堆石料宏观参数自适应反分析模型应用实例 |
| 2.4 堆石料宏观本构模型参数不确定性反分析 |
| 2.4.1 蒙特卡洛随机有限元基本原理 |
| 2.4.2 基于RVM和随机有限元的不确定性反分析模型构建 |
| 2.4.3 不确定性反分析模型应用实例 |
| 2.5 本章小结 |
| 3 基于室内三轴试验数据的堆石料细观接触模型参数标定 |
| 3.1 堆石料离散元模拟 |
| 3.1.1 离散元模拟的关键技术 |
| 3.1.2 堆石料细观接触模型 |
| 3.1.3 堆石料离散元三轴试样生成 |
| 3.2 堆石料细观参数对其变形特性影响分析 |
| 3.2.1 堆石料变形特性影响因素分析 |
| 3.2.2 堆石料细观参数的影响机理分析 |
| 3.2.3 堆石料变形特性曲线关联分析 |
| 3.3 单围压下基于应力应变曲线的堆石料细观接触模型参数标定 |
| 3.3.1 QGA-SVM算法基本原理 |
| 3.3.2 基于应力应变曲线的细观参数标定模型构建 |
| 3.3.3 基于应力应变曲线的细观参数标定模型应用实例 |
| 3.4 多围压下基于宏观本构模型参数的堆石料细观接触模型参数标定 |
| 3.4.1 基于宏观参数的细观参数标定模型构建 |
| 3.4.2 基于宏观参数的细观参数标定模型应用实例 |
| 3.5 堆石料三轴试验细观机理分析 |
| 3.5.1 堆石料破裂特性分析 |
| 3.5.2 堆石料细观组构特性的定性与定量分析 |
| 3.6 本章小结 |
| 4 基于结构监测数据的堆石料细观接触模型参数标定 |
| 4.1 基于结构监测数据的细观参数标定模型 |
| 4.1.1 基于结构监测数据的标定模型可行性 |
| 4.1.2 基于结构监测数据的标定模型目标函数 |
| 4.1.3 基于结构监测数据的标定模型构造 |
| 4.2 基于结构监测数据的细观参数标定模型应用实例 |
| 4.2.1 堆石料宏细观数值模型构建 |
| 4.2.2 堆石料细观参数标定结果分析 |
| 4.3 基于细观参数标定的堆石坝离散元数值仿真研究初探 |
| 4.3.1 堆石坝离散元模拟的关键问题及其解决方案 |
| 4.3.2 堆石坝离散元与有限元模拟结果分析 |
| 4.4 堆石料宏细观参数反分析软件开发 |
| 4.4.1 反分析软件结构设计 |
| 4.4.2 反分析软件功能设计 |
| 4.5 本章小结 |
| 5 基于细观参数标定结果的堆石边坡失稳演变过程离散元分析 |
| 5.1 堆石边坡工程案例背景 |
| 5.2 堆石边坡细观接触模型及其参数标定 |
| 5.3 堆石边坡施工工况分析 |
| 5.3.1 施工工况离散元模型构建 |
| 5.3.2 施工工况失稳演变过程分析 |
| 5.4 堆石边坡运行工况分析 |
| 5.4.1 运行工况离散元模型构建 |
| 5.4.2 运行工况失稳演变过程分析 |
| 5.5 堆石边坡滚石工况分析 |
| 5.5.1 滚石工况离散元模型构建 |
| 5.5.2 滚石工况运动分析 |
| 5.6 堆石边坡地震工况分析 |
| 5.6.1 离散元粘性边界基本原理及其构建 |
| 5.6.2 不同边界条件下的离散元模型动力响应分析 |
| 5.6.3 堆石边坡工程地震时程分析 |
| 5.7 堆石边坡工程措施实施效果分析 |
| 5.7.1 工程措施的离散元模型构建 |
| 5.7.2 不同混凝土挡墙高度下运行工况分析 |
| 5.7.3 不同混凝土挡墙高度下滚石工况分析 |
| 5.8 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要研究成果 |
（8）高心墙堆石坝施工期沉降监控模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 心墙堆石坝变形分析研究现状 |
| 1.2.1 监控模型的研究现状 |
| 1.2.2 安全监控模型在堆石坝中的应用 |
| 1.3 本文的主要研究内容 |
| 1.4 技术路线图 |
| 第二章 某高心墙堆石坝施工期监测布置及资料分析 |
| 2.1 某高心墙堆石坝工程概况 |
| 2.2 监测资料整理分析 |
| 2.2.1 监测布置 |
| 2.2.2 环境量分析 |
| 2.2.3 施工因素分析 |
| 2.2.4 效应量监测分析 |
| 2.3 本章小结 |
| 第三章 高心墙堆石坝施工期沉降灰色马尔可夫链预测模型 |
| 3.1 概述 |
| 3.2 高心墙堆石坝GM(1,1)灰色预测模型 |
| 3.2.1 GM(1,1)建模原理 |
| 3.2.2 GM(1,1)模型的精度检验 |
| 3.3 马尔可夫链理论 |
| 3.3.1 马尔可夫过程 |
| 3.3.2 沉降变形的状态划分 |
| 3.3.3 沉降变形状态转移概率矩阵的估计 |
| 3.4 灰色马尔可夫链预测模型构建 |
| 3.5 灰色马尔可夫链模型在高心墙堆石坝施工期沉降预测中的应用 |
| 3.6 本章小结 |
| 第四章 高心墙堆石坝施工期沉降非线性时变模型 |
| 4.1 概述 |
| 4.2 高心墙堆石坝施工期沉降因子分析 |
| 4.2.1 填筑高度因子 |
| 4.2.2 降雨因子 |
| 4.2.3 时效因子 |
| 4.3 高心墙堆石坝施工期非线性时变统计模型构建 |
| 4.4 考虑残差效应的高心墙堆石坝施工期沉降监测组合模型 |
| 4.5 时间序列的预处理 |
| 4.5.1 时间序列的平稳性检验 |
| 4.5.2 时间序列的白噪声检验 |
| 4.5.3 时间序列的平稳性处理 |
| 4.6 时间序列的四种常用模型 |
| 4.6.1 移动平均MA模型 |
| 4.6.2 自回归AR模型 |
| 4.6.3 自回归移动平均ARMA模型 |
| 4.6.4 差分自回归移动平均ARIMA模型 |
| 4.7 考虑残差效应的高心墙堆石坝施工期沉降监测组合模型构建 |
| 4.8 考虑残差效应的组合模型在高心墙堆石坝施工期沉降预测中的应用 |
| 4.9 本章小结 |
| 第五章 基于BP神经网络的大坝多测点模型 |
| 5.1 概述 |
| 5.2 多测点模型构建原理 |
| 5.2.1 BP神经网络算法原理 |
| 5.2.2 样本的归一化处理 |
| 5.2.3 输入层、隐含层、输出层的设计 |
| 5.3 基于BP神经网络的大坝多测点模型构建 |
| 5.4 基于BP神经网络的大坝多测点模型的应用 |
| 5.4.1 模型说明 |
| 5.4.2 基本流程 |
| 5.4.3 沉降预测 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间研究成果 |
（9）基于不确定性分析的土石坝渗流性态研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 渗透系数预测模型研究现状 |
| 1.2.2 渗透系数反演模型研究现状 |
| 1.2.3 渗流性态数值模拟研究现状 |
| 1.2.4 渗流安全综合评价研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 考虑碾压实时监控参数影响的土石坝坝体耦合渗透系数与可靠度的二元分析方法 |
| 2.1 引言 |
| 2.2 研究框架 |
| 2.3 基于土石坝碾压质量实时监控系统的碾压参数获取 |
| 2.4 基于精英选择策略遗传算法优化神经网络的渗透系数预测模型 |
| 2.4.1 精英选择策略遗传算法改进神经网络模型 |
| 2.4.2 基于精英选择策略遗传算法改进神经网络的渗透系数预测模型 |
| 2.5 渗透系数影响因子的敏感性分析 |
| 2.6 耦合渗透系数和可靠度的坝体渗透系数二元分析方法 |
| 2.6.1 耦合渗透系数和可靠度的二元分析数学模型 |
| 2.6.2 渗透系数变异性分析 |
| 2.6.3 耦合渗透系数和可靠度的坝体渗透系数二元分析流程 |
| 2.7 算例研究 |
| 2.7.1 耦合渗透系数和可靠度的坝体渗透系数二元分析 |
| 2.7.2 对比分析与讨论 |
| 2.8 本章小结 |
| 第3章 基于熵-盲数理论与DREAM算法的渗透系数反演分析方法 |
| 3.1 引言 |
| 3.2 研究框架 |
| 3.3 基于多项式响应面模型的渗流量计算方法 |
| 3.3.1 渗流量响应面模型试验设计方法 |
| 3.3.2 渗流量响应面模型的求解 |
| 3.4 基于DREAM算法的贝叶斯渗透系数反演模型 |
| 3.4.1 贝叶斯参数反演方法 |
| 3.4.2 DREAM算法 |
| 3.4.3 基于DREAM算法的贝叶斯渗透系数反演方法 |
| 3.5 基于熵-盲数理论的渗透系数不确定性分析 |
| 3.5.1 盲数基本理论 |
| 3.5.2 基于极大熵准则确定渗透系数可信度 |
| 3.6 基于熵-盲数理论和DREAM算法的贝叶斯参数反演分析流程 |
| 3.7 算例研究 |
| 3.7.1 算例分析 |
| 3.7.2 工程应用 |
| 3.8 本章小结 |
| 第4章 基于约束随机场的渗流性态数值模拟与渗透破坏概率分析方法 |
| 4.1 引言 |
| 4.2 研究框架 |
| 4.3 基于有限体积法和VOF法的水气两相流渗流数值模型 |
| 4.3.1 基本控制方程 |
| 4.3.2 动量源项 |
| 4.3.3 计算条件 |
| 4.3.4 有限体积法 |
| 4.3.5 基于VOF法的渗流自由面求解 |
| 4.4 基于约束随机场的渗透系数空间赋值方法 |
| 4.4.1 随机场理论 |
| 4.4.2 基于地质统计学理论的随机场模拟 |
| 4.4.3 基于Kriging法的渗透系数约束随机场空间赋值 |
| 4.5 随机模糊混合条件下渗透破坏概率分析方法 |
| 4.5.1 土石坝渗透破坏破坏形式 |
| 4.5.2 基于可靠性理论的渗透破坏概率分析 |
| 4.5.3 临界水力梯度的模糊变量随机化 |
| 4.5.4 随机模糊混合条件下渗透破坏概率分析步骤 |
| 4.6 算例研究 |
| 4.6.1 模型及参数 |
| 4.6.2 渗流数值计算过程及确定性分析 |
| 4.6.3 约束随机场模拟 |
| 4.6.4 渗透破坏概率分析 |
| 4.7 本章小结 |
| 第5章 基于函数型数据分析的渗流安全模糊可拓评价方法 |
| 5.1 引言 |
| 5.2 研究框架 |
| 5.3 土石坝渗流安全综合评价指标体系 |
| 5.4 基于函数型数据分析的土石坝渗流安全模糊可拓评价模型 |
| 5.4.1 土石坝渗流安全综合评价数学模型 |
| 5.4.2 函数型数据可拓物元模型 |
| 5.4.3 函数型数据关联函数 |
| 5.5 土石坝渗流安全综合评价指标权重计算 |
| 5.5.1 基于层次分析法的主观权重确定 |
| 5.5.2 基于多尺度模糊熵的客观权重确定 |
| 5.5.3 组合权重的确定 |
| 5.6 算例研究 |
| 5.6.1 算例概况 |
| 5.6.2 指标数据的选取 |
| 5.6.3 指标数据的处理 |
| 5.6.4 指标权重计算 |
| 5.6.5 评价结果分析与讨论 |
| 5.6.6 对比分析与讨论 |
| 5.7 本章小结 |
| 第6章 基于不确定性分析的土石坝渗流性态研究工程应用 |
| 6.1 工程概况 |
| 6.2 坝体和坝基渗透系数分析 |
| 6.2.1 坝体心墙区渗透系数预测 |
| 6.2.2 坝基及坝体其他区域渗透系数反演 |
| 6.3 基于约束随机场的渗流性态数值模拟 |
| 6.3.1 参数的选取 |
| 6.3.2 坝基空间变异性分析及约束随机场模拟 |
| 6.3.3 模型计算及成果分析 |
| 6.4 基于函数型数据分析的渗流安全模糊可拓评价 |
| 6.4.1 参数选取及数据处理 |
| 6.4.2 指标权重计算 |
| 6.4.3 评价结果 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 附录A 主要术语符号说明 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）高土石坝砾石土心墙孔隙水压力分析与渗流系数反演（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 土石坝孔隙水压力观测与分析 |
| 1.2.2 土的固结理论 |
| 1.2.3 渗流系数反分析研究现状 |
| 1.3 本文主要研究内容 |
| 2 高土石坝砾石土心墙孔隙水压力分析 |
| 2.1 引言 |
| 2.2 工程概况与监测布置 |
| 2.2.1 工程概况 |
| 2.2.2 心墙砾石土简介 |
| 2.2.3 监测布置 |
| 2.3 砾石土心墙孔隙水压力分析 |
| 2.3.1 心墙填筑与蓄水 |
| 2.3.2 心墙孔隙水压力分析 |
| 2.4 本章小结 |
| 3 高土石坝砾石土心墙固结计算与分析 |
| 3.1 引言 |
| 3.2 基于比奥固结理论的有限元计算方法 |
| 3.2.1 比奥固结理论及其有限元解 |
| 3.2.2 Duncan-Chang本构模型 |
| 3.2.3 固结有限元计算流程 |
| 3.3 砾石土心墙堆石坝有限元固结计算 |
| 3.3.1 有限元模型与计算方案 |
| 3.3.2 材料与参数 |
| 3.3.3 输入文件及子程序调用 |
| 3.3.4 计算结果与分析 |
| 3.4 心墙竖向承压水平排水的固结微分方程及求解 |
| 3.4.1 基本假定 |
| 3.4.2 固结微分方程的建立 |
| 3.4.3 固结微分方程的解析解 |
| 3.5 竖向承压水平排水解答的应用 |
| 3.5.1 心墙孔隙水压力的消散计算 |
| 3.5.2 固结度的计算 |
| 3.6 本章小结 |
| 4 土石坝饱和-非饱和渗流理论与有限元解法 |
| 4.1 引言 |
| 4.2 非饱和土的特性 |
| 4.2.1 非饱和土中的基质吸力 |
| 4.2.2 非饱和土中的土水特征曲线 |
| 4.2.3 非饱和土中的渗流特性 |
| 4.3 非饱和土中水的流动定律 |
| 4.3.1 达西定律 |
| 4.3.2 渗流微分方程的建立 |
| 4.3.3 定解条件 |
| 4.4 饱和-非饱和渗流有限元解法 |
| 4.4.1 饱和-非饱和渗流问题的Galerkin解 |
| 4.4.2 渗流系数矩阵 |
| 4.4.3 质量矩阵 |
| 4.4.4 SEEP/W求解渗流微分方程 |
| 4.5 糯扎渡大坝稳定及非稳定渗流场计算 |
| 4.5.1 渗流有限元计算模型 |
| 4.5.2 饱和-非饱和渗流计算参数 |
| 4.5.3 糯扎渡大坝稳定及非稳定渗流场计算 |
| 4.6 本章小结 |
| 5 基于PSO优化RBF神经网络的心墙堆石坝渗流系数反演 |
| 5.1 引言 |
| 5.2 PSO优化RBF神经网络模型 |
| 5.2.1 RBF神经网络的理论基础 |
| 5.2.2 PSO的理论基础和流程 |
| 5.2.3 PSO优化RBF神经网络模型 |
| 5.3 基于PSO优化的RBF神经网络的糯扎渡大坝渗流系数反演 |
| 5.3.1 待反演参数的确定及相关测点的孔压实测曲线 |
| 5.3.2 心墙测点超静孔隙水压力的剔除 |
| 5.3.3 糯扎渡心墙堆石坝渗流系数反演及验证 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点摘要 |
| 6.3 展望 |
| 参考文献 |
| 附录A 固结有限元计算程序代码 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
四、基于神经网络的土石坝沉降组合模型（论文参考文献）
- [1]基于ACO-BP神经网络的土石坝垂直变形监测模型研究[J]. 侯超新,李向峰. 水利技术监督, 2021(11)
- [2]基于POT和改进D-S证据理论的土石坝健康诊断方法研究[D]. 张瑜潇. 西安理工大学, 2021(01)
- [3]基于高斯过程回归模型的土石坝沉降预测研究[D]. 李成宇. 西安理工大学, 2021(01)
- [4]基于随机介质算法的土石坝病害模拟及特征识别方法研究[D]. 宋福彬. 西安理工大学, 2021(01)
- [5]基于多测点模型的面板堆石坝沉降变形预测研究[D]. 闵恺艺. 西安理工大学, 2021(01)
- [6]基于性能的高土石坝地震易损性分析与地震风险评估方法研究[D]. 靳聪聪. 大连理工大学, 2020(01)
- [7]基于离散元的堆石料宏细观参数智能反分析及其工程应用研究[D]. 马春辉. 西安理工大学, 2020
- [8]高心墙堆石坝施工期沉降监控模型研究[D]. 梁彬彬. 南昌工程学院, 2019(07)
- [9]基于不确定性分析的土石坝渗流性态研究[D]. 吕鹏. 天津大学, 2019(01)
- [10]高土石坝砾石土心墙孔隙水压力分析与渗流系数反演[D]. 倪沙沙. 大连理工大学, 2019(06)
标签：土石坝论文; 回归模型论文; 神经网络模型论文; 预测模型论文; 混凝土面板堆石坝论文;