下载掌阅APP，畅读海量书库
立即打开
在水利水电工程中，大坝的安全和电站的正常运转受到普遍的关注，水库的渗漏常造成水库不能蓄水到正常设计水位而影响电站的正常运转，更严重的是引起坝基扬压力的增加，甚至威胁到大坝的安全运行。因此，库区渗流问题，特别是坝区天然基岩的渗流问题，是水利水电技术中一个重要的研究课题。
准确确定坝基岩体的渗透系数是对坝基渗流问题进行数值分析的前提。传统上常采用野外几何测量、野外单孔压水试验、野外三段压水试验及室内模拟试验等方法来确定岩体的渗透系数，这些方法的优点是所确定的岩体渗透系数相对准确，能够比较准确地反映试验点附近的局部岩体水力学特性；其缺点是耗费量大，难以推广到整个岩体系统中去，且试验结果容易受到试验的精度、试验人员的素质及对试验数据的处理方法等的影响。本节采用遗传神经网络的方法对渗透系数进行识别。
根据图3-4所示的将渗流区域进行有限元剖分，随机取 15 组渗透系数值，计算出各点的水头值，可得到15组原始训练样本，K 1 ～K 3 为渗透系数理论值，S 1 ～S 5 为各观测点的水头观测值及边界（5）上的流量观测值，具体数据见表3-2。
图3-4 某混凝土重力坝结构及测点布置示意图
表3-2 神经网络训练样本
（1）基岩体渗透系数遗传神经网络识别方法的主程序如下。
Step 1： 生成样本数据。
Step 2： 初始化遗传算法与神经网络参数。
Step 3： 计算适应度值，然后根据适应度值进行选择、重组、变异及重插入等运算，直至达到最大迭代步数。
Step 4： 利用梯度下降法对神经网络权值与阈值再进行一次优化，并输出优化结果。
Step 5： 输出最优解、平均解随迭代次数变化的关系、神经网络输出与期望输出的比较、程序的运行时间等。
（2）主程序所调用的子函数主要用于计算神经网络输出的适应度值、网络输出值和网络权值。代码如下。
运行遗传神经网络程序可得到图3-5～图3-7，它们分别记录了目标函数值的收敛过程，显示了神经网络输出渗透率对期望输出渗透率的识别精度。
图3-5 最优解对应目标函数值随迭代次数的变化情况
图3-6 种群均值所对应目标函数值随迭代次数的变化情况
图3-7 神经网络输出与期望输出的比较
遗传神经网络是一种非线性动力学系统，具有记忆、联想、自适应及良好的鲁棒性等一系列优点。从程序运行的情况来看，遗传算法具有全局收敛性和初值无关性，并具有较快的收敛速度。在神经网络的训练过程中采用遗传算法来调整网络的权值和阈值，能有效地提高网络的训练速度，从而提高网络的识别能力，是一种具有实用价值的工程方法，具有较高的预报精度。