基于水库路径信息驱动的软岩基础重力坝黏弹性参数识别反演框架
《Advances in Engineering Software》:A reservoir-path-informed inverse framework for viscoelastic parameter identification in gravity dam on soft-rock foundation
【字体:
大
中
小
】
时间:2026年10月21日
来源:Advances in Engineering Software 6.3
编辑推荐:
• 提出了一种用于粘弹性反演的库区路径知情框架。
• 库区路径编码将测试集 RMSE 降低了 0.013–0.022 mm。
• PG-ATCN 集成了输入分区、因子注意力和多点耦合。
• 与最佳基准相比,PG-ATCN 将测试集 RMSE 降低了 22.8–35.5%。
•
• 提出了一种用于粘弹性反演的库区路径知情框架。
• 库区路径编码将测试集 RMSE 降低了 0.013–0.022 mm。
• PG-ATCN 集成了输入分区、因子注意力和多点耦合。
• 与最佳基准相比,PG-ATCN 将测试集 RMSE 降低了 22.8–35.5%。
• A-MOGWO 改善了帕累托收敛性、前沿覆盖率和目标平衡性。
引言
长期位移监测为评估重力坝及其地基的结构状况提供了依据 [1,2]。对于建在软岩上的重力坝,位移反映了水力荷载、地基蠕变以及在反复蓄水消落过程中的延迟恢复 [3,4]。因此,必须将水库运行效应与地基固有蠕变区分开来。否则,循环变形可能会被归因于地基的粘弹性响应,从而导致识别参数产生偏差并降低长期位移预测的可靠性 [5]。
静水 - 季节 - 时间(HST)和静水 - 温度 - 时间(HTT)模型通常将大坝位移分解为水力、热或季节以及随时间变化的项 [6,7]。它们的水力项通常是当前水库水位的函数,因此意味着水位 - 位移关系是单值的。对于软岩地基和弱夹层,这种假设是可疑的:蓄水和消落遵循不同的应力路径,并可能产生延迟恢复、不对称刚度、累积变形和滞后现象 [8,9]。因此,相同的水位可能对应不同的变形状态。对于反分析而言,这是一个状态规格问题,而不仅仅是残差拟合问题。通用的滞后输入可能会提高预测精度 [10],但它们并没有明确识别出有效的加载方向或该阶段内遵循的轨迹。省略的路径依赖性可能会被吸收到经验时间项或估计的粘弹性参数中,从而引入偏差 [11,12]。改变优化器无法补偿前向模型中省略的状态信息。
如表 1 所示,监测数据已被用于通过确定性、正则化、元启发式和学习辅助方法识别大坝的力学、热力和渗流特性。近期研究进一步将长期监测数据与有限元分析、代理辅助优化和分阶段参数反演相结合,以表征高芯堆石坝材料属性的演化 [13]。然而,随时间变化的地基属性的识别仍相对缺乏探索 [14]。除了缺失的路径信息外,多点粘弹性反演还面临两个计算挑战。
首先,每个 Burgers 参数候选值都需要对整个加载历史进行有限元分析,包括蠕变积分、时变水库荷载和坝 - 基相互作用。代理模型可以降低重复评估的成本 [[36], [37], [38]]。然而,传统的单流架构将具有不同物理含义的变量编码在共享表示中,这可能会掩盖它们的独特作用并导致异构特征之间的干扰 [39,40]。许多机器学习代理模型也作为黑箱运行,对个人输入的贡献提供有限的洞察,降低了模型的透明度和可信度 [[41], [42], [43]]。多点预测引入了进一步的要求:独立训练的模型可能无法捕获点间依赖性,而完全共享的输出可能会抑制点特异性响应 [44,45]。因此,合适的代理模型应保留物理上不同的输入表示,量化因子贡献,并捕获共享和点特异性的位移行为。
其次,目标函数公式和搜索策略影响多点参数识别的可靠性。单点反演容易受到局部测量异常的影响 [46]。然而,多个误差的加权聚合需要预定义的传感器权重,并且可能偏好选定的监测点或具有较大幅值的响应 [47,48]。帕累托公式通过将点拟合误差视为独立目标来避免规定此类权重 [49]。然而,相关的 Burgers 参数景观仍然难以探索。固定的搜索策略可能无法在整个优化过程中维持有效的探索 - 利用平衡。档案拥挤和种群停滞也会损害帕累托多样性和收敛性 [50]。因此,需要一种自适应搜索机制来生成分布良好的非支配集,并实现对折衷解的系统选择。
本研究提出了一种用于高效多点识别 Burgers 粘弹性参数的库区路径知情框架(图 1)。该框架集成了库区路径表示、物理引导的代理建模和自适应帕累托优化。首先,自适应窗口描述符利用局部水位变化、阶段持续时间和加载或卸载趋势来编码最近的水库运行历史。其次,PG-ATCN 结合了物理分区输入分支、膨胀因果卷积、因子注意力和基于相关性的输出约束。这些组件在保持点间依赖性和点特异性响应的同时提高了可解释性。第三,A-MOGWO 将点拟合误差视为独立目标。它使用档案反馈算子选择(AFOS)和密度感知档案维护(DAM)。局部细化使用带禁忌搜索的可变邻域搜索(VNS-TS)。然后,归一化折衷准则在不限定传感器权重的情况下选择一个参数向量。
主要贡献是在统一的反演工作流中协调状态表示、物理引导的代理建模和帕累托搜索。该框架解决了三个相互关联的局限性:水库运行历史表示不完整、传统代理模型中物理可解释性和多点耦合有限,以及在保持搜索进展的同时平衡点误差的困难。通过注意力和消融分析检查了库区路径描述符和 PG-ATCN,同时将 A-MOGWO 与 MOGWO 和 NSGA-II 进行基准测试,并通过组件级消融进行评估。随后,完整框架应用于建在软岩上的碾压混凝土重力坝的监测数据。该计算架构适用于涉及多个传感器和路径依赖响应的反问题;转移到另一个工程系统主要需要一个系统特定的路径描述符和基于物理的输入分区。
本文其余部分组织如下。第 2 节描述该框架及其组件。第 3 节评估路径表示、代理模型和多目标优化器。第 4 节利用现场监测数据将完整工作流应用于粘弹性参数识别,第 5 节总结发现及其范围。
章节片段
粘弹性变形的前向有限元分析
采用 Burgers 模型来表示软岩地基的随时间变化的变形。它由一个麦克斯韦元件与一个开尔文元件串联组成,其偏应力 - 偏应变关系表示为:
{deij,Mdt=12GMdsijdt+sij2ηMsij=2GKeij,K+2ηKdeij,Kdteij=eij,M+eij,KGM=EM2(1+ν),GK=EK2(1+ν)
其中 sij 和 eij 分别是偏应力和偏应变分量;EM 和 EK 是瞬时和延迟弹性模量;ηM 和 ηK 是
代理模型训练和样本量评估
为了平衡参数空间覆盖范围和离线有限元成本,使用拉丁超立方抽样(LHS)生成了六个大小的数据集。每个数据集都在规定的参数范围内独立生成。样本量评估旨在作为初步筛选步骤。因此,为每个数据集大小进行了一次训练运行。在所有情况下都使用了相同的模型设置和评估程序。使用 RMSE、MAE 和 R2 评估预测精度。
工程背景
案例研究专注于一座最大高度为 112 米的碾压混凝土重力坝(RCCGD),如图 9 所示。2011 年 4 月初次蓄水后,记录的水库水位范围为 50.80 米至 150.25 米。大坝区域年温差范围较窄(月平均:25.0–28.4 °C,平均 26.9 °C),且地基岩——主要为石英砂岩、细砂岩和粉质泥岩——被分类为 III-IV 类,表明相对刚度较低且
结论
与仅使用当前水库水位的传统反演方法不同,提出的框架明确包含了水库加载 - 卸载路径。它结合了自适应窗口路径描述符、物理引导的多输出时间卷积网络(PG-ATCN)和自适应多目标灰狼优化器(A-MOGWO),从多个监测点的位移中识别 Burgers 粘弹性参数。主要结论如下。
(1) 位移在 CRediT 作者贡献声明
Luying Fu:写作 – 初稿,可视化,软件,方法论,形式分析。
Chaoning Lin:写作 – 审阅与编辑,资源,资金获取,概念化,监督,方法论,调查,软件。
Tongchun Li:验证,数据管理,资金获取,资源,调查。
Huijun Qi:写作 – 审阅与编辑,监督。
Siyu Chen:写作 – 审阅与编辑,验证。
傅路英|林朝宁|李通春|祁会军|陈思雨
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号