坝基扬压力是混凝土坝安全监测中的一项重要物理量,通过对它的监测分析,可以掌握坝基的渗流形态,了解防渗帷幕和排水系统的工作性能以及坝体的稳定情况。本文首先阐述两种常规坝基扬压力监控模型——逐步回归分析模型和BP神经网络模型。逐步回归分析模型原理简单,操作方便,且可进行因子分离,定量研究各因子对扬压力的影响;但无法对非线性系统进行模拟,预测精度很难保证。BP神经网络模型实现了输入到输出的高度非线性映射,预测精度一般较高;但无法展开各因子对扬压力影响的定量研究。同时,常规模型输入因子内容多样、数目多。在此基础上,本文提出一对一连接BP神经网络坝基扬压力监控模型。该模型是在BP神经网络的基础上,对网络结构和输入因子两个方面进行改变。(1)一对一连接BP神经网络坝基扬压力监控模型将BP神经网络输入层和隐藏层之间神经元的连接方式由全连接变为一对一连接,隐藏层和输出层之间仍保持全连接不变。网络结构改变后,模型输出为各因子影响效应线性累加之和的形式,这是模型能实现因子分离的根本原因。一对一连接BP神经网络模型不仅实现了输入因子与扬压力之间的非线性映射,还可进行因子分离,定量研究各因子对扬压力的影响。同时,网络结构的改变使隐藏层神经元个数等于输入因子个数,克服了BP神经网络隐藏层神经元个数难以确定的问题。(2)一对一连接BP神经网络坝基扬压力监控模型采用一种新的输入因子选择方法。考虑坝基扬压力测压孔管水位监测数据时间上的连续性,用测压孔管水位前一次监测值,前后两次管水位监测时对应的上游水位变化值、下游水位变化值、降雨变化值和气温变化值来预测后一次管水位。因子数目减少为5且内容固定,有效控制了输入因子的个数,避免了输入因子内容的多样化。本文利用丹江口大坝坝基扬压力监测资料,在R语言中建立逐步回归分析模型、BP神经网络模型和一对一连接BP神经网络模型。计算结果表明一对一连接BP神经网络模型因子分离结果可靠,预测精度最高;BP神经网络模型预测精度其次;逐步回归分析模型预测精度最低。然后对一对一连接BP神经网络模型进行分析,研究发现网络结构的改变对模型预测精度不会产生影响,输入因子的改变才是模型预测精度提高的原因。同时,网络结构和输入因子的改变均能减少模型中计算参数的个数,提高模型计算效率。因此使用一对一连接BP神经网络模型对混凝土坝坝基扬压力监测资料进行分析是有效可行的,可为大坝的安全运行提供科学依据。