Page 132 - 2023年第54卷第6期
P. 132

列,实现了神经网络的多目标映射,进一步提升了模型的反演精度。
                  ( 2)采用 EMD - CPSO - RBF模型反演了紫坪铺大坝基岩输入加速度,并进行动力分析。计算结果
              表明,以反演值进行计算的大坝整体动力响应与工程实际动力响应更为吻合,且误差较地办值和人工
              波输入计算均有不同程度的降低,表明反演的基岩加速度更加符合大坝的实际震时情况,验证了本反
              演模型在实际工程中的适用性。
                  ( 3)由于本文所采用的本构模型参数为室内试验参数,没有考虑实际工程中的材料特性变化等问
              题,且有限元地震动输入也可能存在误差,导致计算结果与实测值具有一定的差异性。因此,有必要
              进一步研究工程中材料参数变化及有限元地震动输入等问题,以减小计算误差。

              参 考 文 献:


                [ 1] 孔宪京,周扬,邹德高,等.汶川地震紫坪铺面板堆石坝地震波输入研究[J].岩土力学,2012,33(7):
                      2110 - 2116.
                [ 2] 余红玲,王晓玲,王成,等.贝叶斯框架下大坝渗流参数反演组合代理模型研究[J].水利学报,2022,53
                       (3):306 - 315,324.
                [ 3] 朱晟,路德任.基于改进粒子群 算 法 的 面 板 堆 石 坝 流 变 反 演 分 析 [J].岩 石 力 学 与 工 程 学 报,2022,41
                       (S1):2971 - 2978.
                [ 4] 王茂华,迟世春,相彪,等.弱震情况下高土石坝坝料动力参数反演分析 [J].岩土工程学报,2020,42
                       (2):289 - 298.
                [ 5] 李火坤,王刚,魏博文,等.基于敏感性分析与粒子群算法的拱坝原型动弹性模量反演方法[J].水利学
                       报,2020,51(11):1401 - 1411.
                [ 6] 梁浩,黄生志,孟二浩,等.基于多种混合模型的径流预测研究[J].水利学报,2020,51(1):112 - 125.
                [ 7] ZHANGH Y,ZHANGW X,DINGZL,etal.ParameteroptimizationmethodforthePastor - Zienkiewiczmodel
                       basedonempiricalmodeldecompositionandcloudtheory[J].JournalofEngineeringScienceandTechnologyRe
                       view ,2019,12(6):44 - 53.
                [ 8] 张饶,金峰,黄杜若,等.地震波频率非平稳对土石坝非线性结构响应影响研 究 [J].水 利 学 报,2022,
                      53(8):926 - 938.
                [ 9] NIUW J,FENG Z K, CHEN Y B, etal.Annualstreamflow timeseriesprediction usingextremelearning
                       machinebasedongravitationalsearchalgorithmandvariationalmodedecomposition[J].JournalofHydrologicEngi
                       neering ,2020,35(5):75 - 83.
                [10] 熊怡,周建中,孙娜,等.基 于 自 适 应 变 分 模 态 分 解 和 长 短 期 记 忆 网 络 的 月 径 流 预 报 [J].水 利 学 报,
                      2023,54(2):172 - 183,198.
                [11] 姜瑶,徐宗学,王静.基于年径流序列的五种趋势检测方法性能对比[J].水利学报,2020,51(7):845 - 857.
                [12] HUANGW C,LIUH Y,ZHANG Y,etal.Railwaydangerousgoodstransportationsystem riskidentification:
                       Comparisonsamong SVM, PSO-SVM, GA-SVM and GS-SVM [J].Applied SoftComputing, 2021,
                      109:107541.
                [13] MAHMOODZADENA,NEJATIHR,MOHAMMADIM,etal.Meta - heuristicoptimizationalgorithmsforpredictionof
                       fly - rockintheblastingoperationofopen - pitmines [J].GeomechanicsandEngineering,2022.30(6):489 - 502.
                [14] 高学平,朱洪涛,闫晨丹,等.基于 RBF代理模型的调水过程优化研究[J].水利学报,2019,50(4):439 - 447.
                [15] 郭田丽,宋松柏,张特,等.基于两阶段粒子群优化算法的新型逐步分解集成径流预测模型[J].水利学
                       报,2022,53(12):1456 - 1466.
                [16] ZHANGH Y,WANGTT,DINGZL,etal.Uncertaintyanalysisofimpactfactorsofeco - environmentalvulnera
                       bilitybasedoncloudtheory [J].EcologicalIndicators,2020,110:105864.
                [17] ZHANGH Y,SUNYD,ZHANGW X,etal.Comprehensiveevaluationoftheeco - environmentalvulnerability
                       intheYellowRiverDeltawetland[J].EcologicalIndicators,2021,125:107514.
                [18] ZHANGW B,XUL,SHEN ZZ,etal.A new approachformechanicalparameterinversionanalysisofroller
                       compactedconcretedamsusingmodifiedPSOandRBFNN [J].ClusterComputing,2022,25(6):4633 - 4652.

                     0
                —  7 6  —
   127   128   129   130   131   132   133   134   135