扬压力是混凝土重力坝的重要荷载之一,其大小及演变对大坝安全运行具有重要的影响。分析坝基扬压力监测资料,对于校核大坝稳定,监控坝基渗流性态,了解坝基帷幕和排水系统的工作效能,认识影响大坝变形、应力的一种荷载条件,都是很有意义的。本文分别依据逐步回归分析的基本原理和方法,建立了扬压力统计模型;依据灰色系统的基本原理和方法,建立了扬压力GM(1,1)模型及改进的GM(1,1)模型;依据神经网络分析的基本原理和方法,建立了扬压力BP及径向基函数神经网络模型;并分别应用于工程实例。 实例数值计算结果表明:(1)应用扬压力统计模型可以定量分离各影响因素对坝基扬压力的影响程度。(2)由于影响坝基扬压力的因素较为复杂,所以把整个坝基扬压力系统视为一个灰色系统,可以避免难以确定的影响因素带来的困扰,应用GM(1,1)模型对扬压力进行了预测,但传统的GM(1,1)模型有时预测精度较低。本文从初值、背景值及残差修正方面进行了改进,应用改进的GM(1,1)模型对扬压力也进行了预测,计算结果表明其精度较高。(3)扬压力径向基函数神经网络模型的精度和运算速度都高于BP神经网络模型。 通过分析比较所建的不同模型,得出统计模型可以较好地量化各影响因素对坝基扬压力的影响程度;灰色模型和神经网络模型较好地避免了统计模型建模时的前提假设和确定影响因子的经验推断;另外在预测方面,灰色模型比较适合用于短序列数据的建模与预测,而神经网络模型则可用于较长时期序列数据的建模与预测。