《渗透系数反》PPT课件.ppt

岩土数值分析 岩土工程参数反分析方法,四、渗透参数反演分析,我国大坝数量众多，土石坝尤其应用广泛 而不少大坝由于运行多年，其综合防渗能力有所调整和改变，其主要防渗结构的实际渗透参数与原设计值不同，因此有必要对大坝各部分的综合渗透系数进行反演分析，为进一步深入分析坝体、坝基和两岸绕坝渗流状况，提供较为符合实际的渗透参数。,渗流参数反演的方法亦可分为直接法和间接法两大类 前者从联系水头和待定参数的偏微分方程或其离散形式出发，把水头实际观测值作为已知条件代入方程，直接解出待定参数 这种方法的计算稳定性较差，对观测资料的要求太高，因而实际应用较少。,后者利用正问题解的适定性性质，把解逆问题转化为解一系列的正问题，即首先假设一组渗透参数作为初始值，用有限元法计算出渗流场的水头分布，根据计算值与观测值之间的误差，按某种规则不断修正所拟定的渗透参数，反复计算水头分布，直到水头计算值与观测值的拟合达到最优，此时的渗透参数即为该岩土体的水文地质参数。 该法的数值稳定性较好，对观测资料的要求也较低，因而实际应用较广。 由于渗流场的水头分布是介质渗透参数的非线性隐函数，因此，一般只能采用直接搜索法（单、复、）来寻求最优参数。,1、目标函数 已知渗流场中某些点的测压管水位。 首先，假设一组渗透参数作为初始值，用有限元法计算渗流场的水头分布，根据其计算值与实测值之间的误差，修正所拟定的渗透参数，并不断地重复这一过程，直到水头的计算值与实测值之间的误差达到最小为止，这时的渗透参数即为所求的渗透参数。,这样，渗透参数的反演优化问题可以这样提出： 求待定设计变量X，使其在满足约束条件式(3)的前提下，目标函数式(2)取极小值。 由于测压管水头是设计变量的非线性隐函数，因此，式(2)是非线性最小二乘问题，一般采用直接搜索法求解。,2、渗流场的计算,3、可变容差法,从上述优化过程可以看出，在计算目标函数后，可变容差法的搜索过程多于单纯形法。由于在计算目标函数时，必需首先要用有限元计算渗流场的水头分布，因此，渗透参数反演的收敛速度主要取决于有限元计算渗流场的次数。 可变容差法对目标函数的使用效率明显高于单纯形法，因此，该法的收敛速度快于单纯形法。,4、算例,该方法在某平原地区水库的增容扩建工程应用中获得了成功。 该水库的增容方案主要是加高坝体，增大水深。根据试验资料，该水库坝体及坝基各层的渗透系数如表1所示，其中坝体()和坝基(-1、-2)的渗透系数只给出了可能范围，需要反演确定。,该水库坝基渗透系数的反演用6+000断面上的测压管CK-1、CK-2、CK-3、CK-4的水位作为边界约束条件，并补充渗流量控制条件。 根据水库的年平均渗漏损失，经推测，该水库的平均单宽渗漏量约为1.56m3/d/m。有限元计算模型采用单位宽度坝段，其网格如图1所示。,反演结果如表2所示，相应的测压管水位的计算值与实测值的比较如表3。可见，反演得到的渗透系数均在给定的范围以内。 该断面渗流场的流网如图2所示，其中，单宽渗流量约为1.60m3/d/m，截渗沟附近的最大平均渗透坡降约为0.04，均与实际情况吻合。上述反演成果已被用于坝体加高方案的渗流计算分析中。,应用最优化理论，采用适合岩土体渗透参数反演的可变容差法。该法可同时反演坝体和坝基等多种材料的渗透参数，包括渗透系数和渗透张量。 算例计算表明，可变容差法适用性强，迭代计算的收敛速度较快，可望解决大型三维渗流场的参数反演问题。,5、智能反演方法,利用连续型Hopfield神经网络（Continuous Hopfield Neural Network，简称CHNN）的反馈特性，结合实测资料和数值计算，来构建岩土体渗透系数的人工神经网络反演模型 即先假设一组渗透系数作为初值，结合有限元计算，应用上述CHNN模型通过网络神经元状态的变迁而最终稳定于平衡状态，从而优化反演得到土石坝体及其岩基渗透系数。,反馈网络，又称自联想记忆网络，其目的是为了设计一个网络，储存一组平衡点，使得当给网络一组初始值时，网络通过自行运行而最终收敛到该设计的平衡点上。 Hopfield网络就是一种全连接反馈网络模型，其基本结构如图1所示。,5.1 网络模型的基本方程,Hopfield网络有连续型和离散型之分。连续型Hopfield网络激活函数的输入与输出之间的关系为连续可微的单调上升函数，适用于优化计算。 针对水头与渗透系数的连续函数关系，本文选用了该模型建模进行渗透系数的反演分析。,5.2 能量函数概念的引用,能量函数是Hopfield网络中的重要概念。Hopfield能量函数是一个反映多维神经元状态的标量函数，可以用简单的电路形成人工神经网络，它们的互联形成了并联计算的机制。,5.2 能量函数概念的引用,当各参数设计合理时，由电路组成的系统状态可随时间变化并最终收敛到渐近稳定点上，并在此稳定点上使能量函数达到极小值。 据此，可以设计出与神经网络相对应的电路参数，把优化问题中的目标函数、约束条件与Hopfield能量函数联系起来。,当电路运行后达到的平衡点即能量函数的极小点时，其系统状态满足了约束条件下的目标函数的极小值。 由于神经网络是并行计算，其计算量不随维数的增加而发生指数性质的爆炸，特别适合于解决相关的优化问题。,以下就是将反演问题的目标函数作为Hopfield网络中的能量函数，构造了渗透系数反演的CHNN模型，将反演问题映射到CHNN上，通过网络状态的动态演化逐步趋向稳态而自动搜索出优化解。,5.3 反演变量、目标函数及反演原理,5.4 算例,以某堆石坝为例，应用上述原理进行渗透系数的反演分析。该坝为定向爆破堆石粘土斜墙坝，最大坝高81.3m，大坝正常蓄水位220.0m，死水位197.0m，总库容12.805109m3。 大坝左岸设有1#、2#测压孔，右岸设有3#、4#和5#测压孔来观测绕坝渗流。,有限元计算网格如下图所示。 渗透系数粘土防渗斜墙取为1.010-7cm/s，反滤层5.010-5cm/s，坝后堆石1.010-2cm/s，两岸及基础防渗帷幕为1.0410-5cm/s，地表覆盖层为3.4710-3cm/s，上、下渗漏层各为1.7410-3cm/s和5.7810-4cm/s。,观测资料系列选取了1994年10月1日至11月30日（对应上游库水位216.34m218.56m），和1995年10月20日至12月15日（对应上游库水位为215.58m217.19m）两个时段，时段内降雨较少、库水位变化相对较稳定。,考虑到坝后渗漏量主要由坝体、坝基和两岸渗漏量组成，以下取坝体、坝基和两岸岩体的平均渗透系数作为反演变量，即将反演区域分成坝体、坝基和两岸三大部分。 取上述5测点的计算水位与实测测压管水位作为拟合点，进行上述典型时段的渗透系数反演计算，其结果如表1所示。,为验证反演成果的合理性，可用反演得到的参数进行大坝渗流场的正分析，并将计算值与实测值作一比较。 表2给出了在上游水位为215.0m时各测压孔水位实测值与计算值对比情况，表3给出了在六种上游水位情况下，坝后渗漏量实测值与计算值的对比情况，图3为各特征水位下大坝沿河谷剖面的等势线图。,由图表可以看出，实测值与计算值比较接近，误差均在5%以内，说明反演所得到的参数比较符合实际情况。,渗透系数的反演问题比较复杂，其模型一般不能用显函数表示。针