土石坝渗流安全监测的遗传支持向量机方法.pdfVIP

水 利 学 报 2007年11月 SHUⅡXUEBAO 第38卷第ll期 立章编号：0559—9350(2007)11．134l-06 土石坝渗流安全监测的遗传支持向量机方法 司春棣，练继建，郑杨 (天津大学建筑工程学院．天律姗2) 摘要：为了有效地根据土石坝地原型观测资料来分析坝体和坝基中存在的渗流问题．本文在对建模因子进行分析 的基础上，充分利用支持向量机的结构风险最小化原则和遗传算法快速全局优化的特点，通过支持向量机模型对 非线性监测数据进行拟合，并利用遗传算法优化支持向星机的模型参数，建立了基于GA．svM的土石坝渗流监测模 型。宴例分析表明，该模型与传统的多元线性回归模型和神经网络模型相比，具有预测精度高、泛化能力强等优 点，对土石坝安全监控具有实用价值。 关键词：土石坝；渗流安全监测；支持向星机；遗传算法 中围分类号：Tv223．4 文献标识码：A I研究背景 土石坝竣工蓄水后，其渗流性态是决定大坝安全的重要因素之一。在土石坝坝体和坝基适当部位， 有计划地设置一些测压管或渗压计，可及时了解坝体的浸润线位置和各点渗透压力的大小．这对大坝的 渗流和稳定分析都具有重要的实际意义。对土石坝各部位的测压管水位和渗流量，选用合理的监测模 型进行资料分析是对土石坝运行安全进行监控的重要内容”。1。 土石坝渗流监测模型一般采用统计学模型、确定性模型、混合模型以及灰色系统理论建立的预测模 型等。近年来，以人工神经网络“1(ANN)为代表的一些智能化方法被广泛地应用于复杂系统的建模中， 较好地解决了系统模型应用传统方法难以解决的问题。但是，人工神经网络方法没有完备的理论基础， 网络拓扑结构的选择以及连接权初值的确定主要是凭经验选取，并且神经网络的学习算法都是基于经 验风险最小化(EmpiicaI碰sk 能。 Machine，svM)是基于统计学习理论发展起来的一种新的通用机器 支持向量机”。o(supp矾vecfor 学习技术，它以坚实的理论基础、优越的学习能力和良好的推广泛化性能，正在成为继神经网络之后机 器学习领域新的研究热点。由于支持向量机采用结构风险最小化(slnIcture斑sk 替代经验风险最小化原则。可根据有限的样本信息，在模型的复杂性和学习能力之间寻求最佳折衷，最 终将问题转化为求解凸二次规划(OP)问题．同时引入核函数思想，能很好地解决小样本、非线性以及高 维数等问题，已经成为机器学习技术中最实用的方法之一，并成功地应用于分类、逼近和预测等众多领 域。本文将遗传算法和支持向量机进行有机结合，利用遗传算法实现支持向量机的参数优化选取，提出 了一种用于土石坝渗流安全监测资料分析的智能新方法一遗传支持向量机方法。 2支持向量机原理 支持向量机是统计学习理论的一种通用学习方法，是一种新的、很有潜力的数据分类和回归工具。 收祷日期：2呷7—町．3I 作者筒舟：司春糠(19∞一)，女，河北邯郸人，博士．主蛋从事大坝安生监测方面研究。Emjl：咖hul-di@y岫嘲cn ～1341— 万方数据 万方数据 万方数据 异概率p．从对应基因的取值范围内取一随机数来代替原有基因值。 另外，在遗传操作过程中，还要对于代成员按精英保留策略执行保留最优个体操作以保证算法的收 敛性，终止条件为限制最大遗传代数。 4 GA．svM土石坝渗流安全监测模型 4．1模型影响因子选取众所周知，测压管水位是由上下游水位差(或坝前库水库)、降雨等因索引起 的，而测压管水位与上下游水位的变化幅度，降雨强度大小和筑坝材料的渗透性能等因素有关““1。在 渗透过程中，渗流水流克服土颗粒之间的阻力，从上游渗透倒测压管位置需要一定的时间，所以测压管 水位还与前期库水位有关。此外，土体圃结，使土体颗粒结构排列形式发生改变，以及上游坝前淤积对 渗流状态的影响等都是测压管水位发生变化的可能因素，综合以上分析．选择以下4类模型因子““： 库水位，以及上述库水位的平方，共12个因子；(2)下游水位因子。即观测日当天的下游水位，共1个因 (4)时效因子。取口，酽，ln(1+目)共3个因子，口为观测