最优估计的岩土力学模型参数是通过比较现场观测到的信息数据与理论模型得到的模型数据的差异而得到的。通过定义目标函数,将参数识别反问题转化为优化问题处理。随着计算机智能计算方法的不断进步和现场观测手段以及观测精度的不断提高,根据现场观测数据进行岩土力学模型参数反演具有良好的应用前景,根据反演的岩土力学模型参数进行反馈设计,可以不断完善和修正原来的工程设计参数。 基于梯度搜索方法的参数反演方法缺陷在于无法保证搜索到全局最优解,其主要原因在于观测误差的存在和模型误差的存在。Tihonov(1963)证明,如果正问题(ForwardProblem)是线性的,那么,反问题的解存在、唯一并且连续地依赖于观测数据(稳定)。关于地下水反问题和热传导反问题以及位移反分析的数值试验发现,当正问题是线性时,如果当不考虑观测数据的观测误差时,反问题的解是唯一的,也就是说,目标函数是凸函数,正如Tihonov所指出的那样;但是,当考虑到观测数据的观测误差时,即使正问题是线性的,反问题的目标函数是非凸的,反问题解是不惟一的。观测误差越大,目标函数的局部极小值数目越多。 遗传算法是一种基于达尔文“自然选择、适者生存”生物进化思想的全局搜索算法,其致命的缺陷在于早熟(Premature)特性。通过将模拟退火算法嵌入到遗传算法中,建立了一种新的锦标赛选择策略。该选择策略使得在种群进化初期,各个个体被选择的概率基本相等,保证了进化过程中种群的多样性,有效解决遗传算法的早熟问题。而随着种群的进化,模拟退火算法中的退火温度逐步降低,使得适应度高(目标函数小)的个体被选择的概率增加,加快了算法的收敛速度;当接近种群进化结束时,只有适应度高的个体被选中。 人工神经网络具有自适应、自组织和学习能力。在网络训练过程中采用改进的BP算法,通过对学习算子的优化搜索,大大提高了网络的收敛速度,解决了BP算法迭代过程中目标函数振荡问题。数值算例表明,所提出的改进的BP算法进行岩土材料参数识别收敛速度和识别精度都得到提高。将所建立的遗传—人工神经网络应用到水电站混凝土大坝和岩石基础滲透系数反演和岩土边坡稳定性分析预测工程中,表明具有很高的预测精度。 与传统的基于梯度搜索的优化方法相比,模拟退火算法具有良好的全局收敛特性。岩土模型参数识别反问题转化为组合优化问题,提出了模拟退火算法识别未知的热传导系数和边界条件问题,算法具有良好的抗观测噪音能力。反问题的不适定性由解的不唯一性和不稳定性来表征,模拟退火算法具有解决这一问题的能力。通过与梯度搜索算法相对比,数值模拟计算结果显示了所提出模拟退火反演方法的有效性和适用性。该反演方法可以用于求解线性或者非线性、稳态和瞬态材料热传导参数识别和边界条件识别问题。 根据自然界中不同类型蚂蚁的分工特性,在蚁群算法中增加了“侦察”蚂蚁,该侦察蚂蚁负责搜索信息素非常低的路径(反问题的解),使得算法具有快速搜索到新的更优解的能力,同时有效地避免蚁群算法的“趋同”特性。同时,将遗传算法中的最优个体保留策略应用到蚁群算法,增强了蚁群算法的全局收敛特性和解的精度。由于蚁群算法采用“地毯式”搜索,收敛速度十分有限,特别是对于需要多次求解正问题的岩土力学参数反演问题,其计算速度尤其突出。通过对蚁群算法的改进,将模拟退火算法与蚁人连理T人学博卜学位论文群算法相结合,建立了模拟退火一蚁群算法,该混合优化方法能够充分利用蚁群算法的信息素蒸发和全局修正特性以及模拟退火算法的快速“邻域”搜索特性,加快了蚁群算法的收敛速度和全局收敛特性。该方法可以用来识别二维或三维、稳态或非稳态地下水流动模型的渗透系数和储水系数问题,以及地下水渗流污染源辨识问题。 结合丰满发电厂、白山发电厂和云峰发电厂的改进和扩建工程,根据现场观测数据,包括坝基扬压力、漏水量和坝体变形观测数据,建立了基于计算智能的混凝土大坝和岩土力学参数反演方法。针对现有基于梯度优化反演所存在的缺陷,提出了基于遗传算法、人工神经网络、模拟退火算法和蚁群算法的参数辨识方法,编制了FORTRAN程序软件,并且应用到所涉及的不同性质问题的工程实践。数值算例和工程实际应用结果表明,所建立的参数反演方法具有良好的鲁棒性和全局收敛特性,与基于梯度搜索的反演方法相对比,大坝变形预报值与工程实际观测值对比具有较高的预测精度。将所提出的智能反演方法应用到白山水电站混凝土大坝和岩石基础渗透系数反演和消能塘渗流场计算以及参数优化,根据参数反演结果和渗流场模拟计算结果进行反馈设计,节约工程成本接近1000万元,取得了明显的社会效益和经济效益。基金资助:国家自然科学基金(基金号:10072014,59779003),高校博士点基金(基 金号2000014107)关键词:岩土工程, 蚁群算法论文类型:应用基础中图分类号:0357.3参数反演,计算智能,遗传算法,模拟退火算法,人工神经网络,TU452,TV6423