基于進(jìn)化神經(jīng)網(wǎng)絡(luò)模型的面板堆石壩沉降和面板撓度預(yù)測

趙新瑞,呂曉曼,黃耀英,左全裕,劉 鈺

(1.三峽大學(xué)水利與環(huán)境學(xué)院,湖北宜昌443002；2.天津標(biāo)信檢測技術(shù)發(fā)展有限公司,天津300000；3.湖南涔天河工程建設(shè)投資有限責(zé)任公司,湖南永州425500)

基于進(jìn)化神經(jīng)網(wǎng)絡(luò)模型的面板堆石壩沉降和面板撓度預(yù)測

趙新瑞1,呂曉曼2,黃耀英1,左全裕3,劉 鈺1

(1.三峽大學(xué)水利與環(huán)境學(xué)院,湖北宜昌443002；2.天津標(biāo)信檢測技術(shù)發(fā)展有限公司,天津300000；3.湖南涔天河工程建設(shè)投資有限責(zé)任公司,湖南永州425500)

堆石壩變形和面板撓度的預(yù)估對(duì)指導(dǎo)堆石壩設(shè)計(jì)和施工具有重要意義。針對(duì)堆石壩室內(nèi)試驗(yàn)參數(shù)和實(shí)際參數(shù)存在差異,而待建堆石壩缺乏實(shí)測變形進(jìn)行參數(shù)反饋,難以較準(zhǔn)確預(yù)估堆石壩沉降和面板撓度,為此較廣泛搜集了類似面板堆石壩工程的監(jiān)測數(shù)據(jù),將遺傳算法和神經(jīng)網(wǎng)絡(luò)模型相結(jié)合,建立了堆石壩工程變形預(yù)測的進(jìn)化神經(jīng)網(wǎng)絡(luò)模型。由待建面板堆石壩工程的壩高、寬高比和干密度等作為控制參數(shù),結(jié)合訓(xùn)練好的進(jìn)化神經(jīng)網(wǎng)絡(luò)模型,預(yù)測得到待建面板堆石壩的變形及面板撓度。實(shí)例分析表明,該方法可行。

遺傳算法；進(jìn)化神經(jīng)網(wǎng)絡(luò)模型；沉降變形；面板撓度；預(yù)測

0 引 言

混凝土面板堆石壩的沉降、面板撓度等變形對(duì)壩體的施工過程及穩(wěn)定運(yùn)行都有較大的影響,并且面板堆石壩的面板撓度變形、堆石體的沉降變形是復(fù)雜的非線性變化,其變形的影響因素較多,各因素的影響程度不同。在以往的實(shí)踐工程中多依據(jù)現(xiàn)場試驗(yàn)和工程經(jīng)驗(yàn)相結(jié)合的方式計(jì)算其變形,但結(jié)果多與實(shí)測變形差異較大。近年來隨著計(jì)算機(jī)技術(shù)的發(fā)展,在混凝土面板堆石壩的變形研究過程中,神經(jīng)網(wǎng)絡(luò)模型被廣泛用來預(yù)測面板堆石壩的變形,其中以BP神經(jīng)網(wǎng)絡(luò)模型使用較多。李金鳳、楊啟貴等[1]研究了神經(jīng)網(wǎng)絡(luò)模型在面板堆石壩堆石體施工期沉降變形預(yù)測中的應(yīng)用；夏富洲、王長德[2]應(yīng)用神經(jīng)網(wǎng)絡(luò)方法對(duì)堆石壩的面板撓度預(yù)測進(jìn)行了研究,結(jié)果表明該方法的預(yù)測誤差要小于伊梅祖米半經(jīng)驗(yàn)公式的誤差；岳榮花[3]基于傳統(tǒng)BP算法的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化并應(yīng)用于工程實(shí)例中,結(jié)果表明優(yōu)化效果較好；萬臣、李建峰等[4]將BP神經(jīng)網(wǎng)絡(luò)與馬爾科夫鏈相結(jié)合優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)模型,實(shí)例分析表明可以用來進(jìn)行大壩沉降預(yù)測。但在使用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測混凝土面板堆石壩的沉降、面板撓度等變形時(shí),模型計(jì)算容易陷入局部極小值,學(xué)習(xí)過程收斂速度慢,學(xué)習(xí)樣本的數(shù)量和質(zhì)量對(duì)最終結(jié)果影響較大。本文針對(duì)神經(jīng)網(wǎng)絡(luò)模型的不足,結(jié)合具有全局優(yōu)化功能的遺傳算法,優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其權(quán)值和閾值,得到了進(jìn)化神經(jīng)網(wǎng)絡(luò)模型,用以研究進(jìn)化神經(jīng)網(wǎng)絡(luò)模型對(duì)待建混凝土面板堆石壩的沉降變形和面板撓度的預(yù)測。

1 進(jìn)化神經(jīng)網(wǎng)絡(luò)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)模型原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層的前向型神經(jīng)網(wǎng)絡(luò),即信號(hào)前向傳播,而誤差反向傳播。BP神經(jīng)網(wǎng)絡(luò)一般是由輸入層、隱含層、輸出層構(gòu)成的三層網(wǎng)絡(luò)結(jié)構(gòu),根據(jù)提供的輸入向量和期望向量進(jìn)行有監(jiān)督學(xué)習(xí)、訓(xùn)練,在訓(xùn)練過程中根據(jù)網(wǎng)絡(luò)誤差性能對(duì)網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行調(diào)整[5]。在BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程中,給定了網(wǎng)絡(luò)結(jié)構(gòu)的輸入向量后,經(jīng)由網(wǎng)絡(luò)輸入層傳遞到隱含層,在隱含層經(jīng)過神經(jīng)網(wǎng)絡(luò)的綜合處理、信息變換、逐層處理后,將處理后的信息傳遞到輸出層的各個(gè)神經(jīng)元,再經(jīng)由輸出層的處理在輸出端輸出信號(hào),至此完成一次正向傳播的處理過程[6]。在信息向前傳遞的過程中,網(wǎng)絡(luò)的權(quán)值是固定不變的,每一層神經(jīng)元只影響下一層神經(jīng)元的狀態(tài)[7]。將輸出的結(jié)果與期望輸出結(jié)果進(jìn)行比較,若不滿足誤差要求,則誤差反向傳播。在誤差反向傳播的過程中,按照梯度下降的方式,不斷的調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值和閾值,并逐層向隱含層和輸入層反向傳遞,從而使BP神經(jīng)網(wǎng)絡(luò)的輸出值逐步的逼近期望輸出值。

1.2 遺傳算法原理

遺傳算法仿效基于自然選擇的生物進(jìn)化,是一種模仿生物進(jìn)化過程的隨機(jī)算法。遺傳算法是從目標(biāo)問題可能存在的一個(gè)種群開始,該種群是由一定數(shù)目的經(jīng)過基因編碼的個(gè)體組成,每個(gè)個(gè)體類似于生物進(jìn)化過程中的染色體。仿照染色體的功能,將其作為算法計(jì)算的主要載體。由于仿照基因編碼的格式進(jìn)行種群個(gè)體編碼太過復(fù)雜,一般多采用其它編碼方式進(jìn)行簡化,例如二進(jìn)制編碼。初始種群產(chǎn)生后,仿照生物進(jìn)化的適者生存和優(yōu)勝劣汰原則,逐代演化產(chǎn)生出誤差越來越小的近似解。

在每一代,根據(jù)設(shè)定的適應(yīng)度函數(shù),計(jì)算每個(gè)個(gè)體的適應(yīng)度,并依據(jù)優(yōu)化準(zhǔn)則選擇再生個(gè)體,適應(yīng)度高的個(gè)體被選中的概率高,適應(yīng)度低的個(gè)體可能被淘汰,然后按照一定的交叉和變異方法及其概率生成新的個(gè)體,最后經(jīng)由適應(yīng)度值判斷是否符合優(yōu)化準(zhǔn)則,若符合,輸出個(gè)體(最優(yōu)解),并結(jié)束計(jì)算,否則將進(jìn)行下一代的遺傳。

遺傳算法包括3個(gè)基本操作：選擇、交叉和變異[8]。遺傳算法的參數(shù)中交叉概率和變異概率的選擇是影響遺傳算法行為和性能的關(guān)鍵,根據(jù)計(jì)算經(jīng)驗(yàn)[9]遺傳算法中交叉概率的取值范圍為0.5～0.7,變異概率的范圍為0.001～0.2。

1.3 進(jìn)化神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)隱含層中神經(jīng)元的個(gè)數(shù)對(duì)網(wǎng)絡(luò)模擬效果的影響較大。隱含層神經(jīng)元數(shù)目過少時(shí),可能會(huì)導(dǎo)致訓(xùn)練的不適性,而神經(jīng)元個(gè)數(shù)過多,有可能會(huì)導(dǎo)致過適性。針對(duì)BP神經(jīng)網(wǎng)絡(luò)這一缺點(diǎn),結(jié)合遺傳算法的優(yōu)點(diǎn),優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及權(quán)值和閾值,使其網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)置更為合理。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及權(quán)值和閾值的具體步驟為

(1)通過某種編碼方法隨機(jī)組成一組初始個(gè)體構(gòu)成的初始種群。

(2)計(jì)算種群內(nèi)的每一個(gè)個(gè)體的適應(yīng)度值,根據(jù)個(gè)體得到BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)后預(yù)測系統(tǒng)輸出,把預(yù)測輸出和期望輸出之間的誤差絕對(duì)值作為個(gè)體適應(yīng)度值F,即

(1)

式中,n為網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；yi為BP神經(jīng)網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的期望輸出；oi為第i個(gè)節(jié)點(diǎn)的預(yù)測輸出；k為系數(shù)。

(3)進(jìn)行遺傳操作：選擇、交叉和變異,然后形成下一代新種群。

(4)根據(jù)適應(yīng)度函數(shù)確定是否結(jié)束遺傳算法,若不是則返回步驟(2)。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法流程如圖1所示。

圖1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程

1.4 基于進(jìn)化神經(jīng)網(wǎng)絡(luò)模型預(yù)測面板堆石壩沉降和撓度方法

首先應(yīng)進(jìn)行樣本搜集,搜集多個(gè)相似堆石壩工程的河谷寬高比、壩高、干密度、堆石體的垂直壓縮模量、壩體最大沉降值及面板撓度值等相關(guān)資料；然后針對(duì)所收集樣本進(jìn)行分析,剔除不利樣本,確定進(jìn)化神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本及輸入?yún)?shù)和輸出參數(shù),通過Matlab編程,運(yùn)行進(jìn)化神經(jīng)網(wǎng)絡(luò)模型,得到最優(yōu)網(wǎng)絡(luò)模型結(jié)構(gòu)及其權(quán)職和閾值；最后輸入待建工程的相關(guān)參數(shù)得到相應(yīng)的堆石壩沉降預(yù)測值和面板撓度預(yù)測值。

2 實(shí)例分析

2.1 工程概況

華中地區(qū)建設(shè)中的某水電站工程,該工程大壩壩型為鋼筋混凝土面板堆石壩,壩頂高程324.0 m,趾板最低高程210.0 m,最大壩高114 m。該工程是具有灌溉、防洪、下游補(bǔ)水和發(fā)電,兼顧航運(yùn)等綜合利用效益的大型水利水電樞紐工程,水庫正常蓄水位313.0 m,總庫容15.1億m3,灌溉面積7.43萬hm2,電站裝機(jī)容量200 MW。工程規(guī)模為Ⅰ等大(1)型,大壩、泄水建筑物等主要水工建筑物為1級(jí)建筑物,電站廠房及引水發(fā)電洞等發(fā)電主要建筑物級(jí)別為3級(jí)。以下采用進(jìn)化神經(jīng)網(wǎng)絡(luò)模型對(duì)該面板堆石壩沉降和面板撓度變形進(jìn)行預(yù)測。

2.2 已建面板堆石壩實(shí)測數(shù)據(jù)統(tǒng)計(jì)與處理

混凝土面板堆石壩變形的影響因素有很多,根據(jù)以往的工程經(jīng)驗(yàn)[10],選取堆石壩的壩高H、堆石壩的河谷寬高比W/H、堆石體干密度γd、堆石體垂直壓縮模量E作為堆石壩變形的控制因素。通過查閱文獻(xiàn)搜集到以下資料,見表1。

為了更好的利用所收集樣本的共性及提高模型面板變形撓度的預(yù)測精度,選取伊梅祖米半經(jīng)驗(yàn)公式作為樣本的處理標(biāo)準(zhǔn),將異常樣本刪除。伊梅祖米半經(jīng)驗(yàn)公式為

表1 壩體變形控制因素樣本

(2)

式中,δ為初期蓄滿時(shí)面板的最大撓度,cm；H為壩高,m；E為蓄水前堆石的壓縮模量,MPa。

根據(jù)表1中的數(shù)據(jù)資料統(tǒng)計(jì)結(jié)果以及由式(2)計(jì)算得到的面板撓度數(shù)據(jù)比較可得,部分工程面板撓度監(jiān)測資料與經(jīng)驗(yàn)公式計(jì)算結(jié)果相差較大,例如謝羅羅、格里拉斯等,在使用進(jìn)化神經(jīng)網(wǎng)絡(luò)模型計(jì)算時(shí),剔除這些異常樣本,以提高預(yù)測結(jié)果的精度。

由于統(tǒng)計(jì)樣本有限,若同時(shí)考慮滿足面板撓度、壩體沉降和壓縮模量的控制標(biāo)準(zhǔn),則可以用來訓(xùn)練的樣本數(shù)量過少,故在進(jìn)行變形預(yù)測分析時(shí),對(duì)3個(gè)預(yù)測量分別采用與其相對(duì)應(yīng)的3個(gè)樣本集合,并通過伊梅祖米半經(jīng)驗(yàn)公式計(jì)算各自相應(yīng)的變化范圍,然后針對(duì)不同預(yù)測量分別剔除不滿足要求的樣本,保留足夠的樣本數(shù)目,可增加各自的訓(xùn)練精度并提高進(jìn)化神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度。在撓度預(yù)測中剔除不滿足經(jīng)驗(yàn)公式的格里拉斯、謝羅羅、馬路塘二期、盤石頭和引子渡的樣本數(shù)據(jù)；在壓縮模量中剔除謝羅羅樣本數(shù)據(jù)。

圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練變化曲線

圖4 神經(jīng)網(wǎng)絡(luò)均方差誤差變化

2.3 進(jìn)化神經(jīng)網(wǎng)絡(luò)模型的建立和訓(xùn)練

為了加快網(wǎng)絡(luò)的訓(xùn)練和收斂速度,在網(wǎng)絡(luò)訓(xùn)練之前將篩選出的樣本采用mapminmax函數(shù)對(duì)樣本進(jìn)行歸一化處理,將樣本歸一化到[0.1,0.9]的范圍內(nèi)。設(shè)定遺傳算法種群規(guī)模為50,遺傳代數(shù)為100。

參考表1樣本數(shù)據(jù)及其分析結(jié)果,將壩高、堆石壩的寬高比、堆石體干密度3個(gè)控制因素作為網(wǎng)絡(luò)模型的輸入值,將面板的撓度、堆石體的沉降、堆石體垂直壓縮模量分別作為網(wǎng)絡(luò)的輸出值,采用遺傳算法優(yōu)化的進(jìn)化神經(jīng)網(wǎng)絡(luò)模型分別進(jìn)行樣本訓(xùn)練。結(jié)果表明當(dāng)網(wǎng)絡(luò)學(xué)習(xí)10 000次,經(jīng)過100代的遺傳優(yōu)化后,得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3-6-1,即BP神經(jīng)網(wǎng)絡(luò)模型中隱含層的神經(jīng)元個(gè)數(shù)為6。進(jìn)化神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示。

圖2 進(jìn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.4 待建面板堆石壩沉降和面板撓度變形預(yù)估

利用已訓(xùn)練好的進(jìn)化神經(jīng)網(wǎng)絡(luò)模型,將實(shí)例工程的控制參數(shù)壩高H=114 m、堆石壩的寬高比W/H=2.877、堆石體干密度γd=2.15 g/cm3帶入。預(yù)測得到面板的撓度δ為173.59 mm,堆石體的最大沉降Δh=721.73 mm,壓縮模量E=74.75 MPa 。堆石體沉降、面板撓度和壓縮模量各自對(duì)應(yīng)的進(jìn)化神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程見圖3。

堆石體的面板撓度、堆石體沉降及壓縮模量各自對(duì)應(yīng)的進(jìn)化神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程中的均方差變化見圖4。

由圖3可知,進(jìn)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程較好,能夠較好的表示輸入?yún)?shù)與輸出參數(shù)之間的關(guān)系。由圖4可知,進(jìn)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中均方差均較小,表明網(wǎng)絡(luò)結(jié)構(gòu)良好,能夠有效的減少誤差。綜上可知,通過遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)模型優(yōu)化效果良好。

由該工程的監(jiān)測日志可知,壩體內(nèi)部埋設(shè)的水管式沉降儀測值具有滯后性,前期位移測量存在較大誤差,導(dǎo)致了壩體實(shí)測沉降變形偏大,為此采用該模型對(duì)其沉降變形和面板撓度進(jìn)行了預(yù)測分析。由預(yù)測結(jié)果可知,壩體沉降變形預(yù)測值小于實(shí)測變形,表明模型預(yù)測沉降變形值的合理性。根據(jù)表1統(tǒng)計(jì)資料及伊梅祖米半經(jīng)驗(yàn)公式篩選后的樣本分析得到堆石體的垂直壓縮模量的范圍在35～130 MPa,由預(yù)測結(jié)果可知堆石體的垂直壓縮模量在樣本范圍之內(nèi),且預(yù)測的堆石體的沉降及面板的撓度基本滿足Montanez Cartaxo、L.E、HacelasmJ.E等人提出的面板撓度關(guān)系公式[11],即δ=0.25×Δh,通過預(yù)測值結(jié)果可得面板撓度值約為堆石體沉降值的0.24,所以該模型的面板撓度預(yù)測結(jié)果是合理的。綜上可知,該模型可以用來預(yù)測待建面板堆石壩的變形,對(duì)面板堆石壩的施工和變形控制具有一定的工程意義。

3 結(jié) 論

采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及權(quán)值和閾值,得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),即進(jìn)化神經(jīng)網(wǎng)絡(luò)模型,并針對(duì)工程實(shí)例進(jìn)行了堆石體沉降和面板撓度變形的預(yù)測,得到以下結(jié)論：

(1)在樣本參數(shù)不完整的情況下,設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸出層為固定參數(shù),對(duì)不同輸出量分別采用相應(yīng)的訓(xùn)練樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測,即可有效利用有限的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò),也可提高神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。

(2)利用有遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及權(quán)值和閾值,得到進(jìn)化神經(jīng)網(wǎng)絡(luò)模型,并據(jù)實(shí)例分析可知,該進(jìn)化神經(jīng)網(wǎng)絡(luò)模型能夠較好的預(yù)測待建面板堆石壩工程的壩體沉降變形和面板撓度變形。

[1]李金鳳, 楊啟貴, 徐衛(wèi)亞. 神經(jīng)網(wǎng)絡(luò)模型在面板壩堆石體施工期沉降變形預(yù)測中的應(yīng)用[J]. 河海大學(xué)學(xué)報(bào)： 自然科學(xué)版, 2007(5): 563- 566．

[2]夏富洲, 王長德. 應(yīng)用神經(jīng)網(wǎng)絡(luò)方法預(yù)測堆石壩的面板撓度[J]. 人民長江, 2007(2): 39- 40．

[3]岳榮花. 小波神經(jīng)網(wǎng)絡(luò)在沉降預(yù)測中的應(yīng)用研究[D]. 南京： 河海大學(xué), 2007．

[4]萬臣, 李建峰, 趙勇, 等. 基于新維BP神經(jīng)網(wǎng)絡(luò)-馬爾科夫鏈模型的大壩沉降預(yù)測[J]. 長江科學(xué)院院報(bào), 2015(10): 23-V27．

[5]陳炳瑞, 馮夏庭, 姚華彥, 等. 水化學(xué)溶液下灰?guī)r力學(xué)特性及神經(jīng)網(wǎng)絡(luò)模擬研究[J]. 巖土力學(xué), 2010(4): 1173- 1180．

[6]韓立群. 人工神經(jīng)網(wǎng)絡(luò)教程[M]. 北京: 北京郵電大學(xué)出版社, 2006．

[7]段侯峰. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[D]. 北京： 北京交通大學(xué), 2008．

[8]王德明, 王莉, 張廣明. 基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型[J]. 浙江大學(xué)學(xué)報(bào)： 工學(xué)版, 2012(5): 837- 841．

[9]王瑞. 基于遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的污水處理水質(zhì)預(yù)測研究[D]. 廣州： 華南理工大學(xué), 2012．

[10]蔣國澄, 傅志安, 鳳家驥. 混凝土面板壩工程[M]. 北京: 清華大學(xué)出版社, 1997: 134- 150．

[11]黃耀英, 田斌, 沈振中. 基于工程類比法的面板堆石壩流變變形反饋[J]. 中國科學(xué): 技術(shù)科學(xué), 2015(4): 434- 442．

(責(zé)任編輯 王 琪)

Settlement and Slab Deflection Prediction of Concrete Face Rockfill Dam Based on Evolutionary Neural Network Model

ZHAO Xinrui1, Lü Xiaoman2, HUANG Yaoying1, ZUO Quanyu3, LIU Yu1

(1. College of Hydraulic & Environmental Engineering, China Three Gorges University, Yichang 443002, Hubei, China;2. Tianjin Standard Letter Detection Technology Development Co., Ltd., Tianjin 300000, China;3. Hunan Centian River Construction Investment Co., Ltd., Yongzhou 425500, Hunan, China)

The estimation of the deformation of rockfill dam and slab deflection has vital significance to instruct the design and construction of rockfill dam. In view of the differences of rockfill dam’s parameter between indoor test and practical engineering and the rockfill dam that preparing for construction lack of measured deformation data to parameter feedback, the monitoring data of similar constructed concrete face rockfill dam are widely collected, and then the genetic algorithm and neural network model are combined to establish evolutionary neural network model for deformation prediction of rockfill dam engineering. Taking dam height, aspect ratio and dry density of concrete face rockfill dam that preparing for construction as control parameters, the deformation and slab deflection can be obtained through the evolutionary neural network model which being trained. The example analysis shows that the method is feasible．

genetic algorithm; evolutionary neural network model; settlement and deformation; slab deflection; prediction

2016- 04- 21

國家自然科學(xué)基金資助項(xiàng)目(51209124)

趙新瑞(1991—),男,河北衡水人,碩士研究生,研究方向?yàn)榇髩伟踩O(jiān)控；黃耀英(通訊作者)．

TV641.43

A

0559- 9342(2017)03- 0068- 04