[发明专利]面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法

权利要求书

1.一种面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，包括下列步骤：

(1)利用面板堆石坝碾压质量实时监控系统和现场试坑试验获得相关参数数据；

(2)建立坝体全仓面孔隙率分布预测模型；

(3)对预测得到的孔隙率进行可靠性分析；

(4)提出仓面的耦合孔隙率-可靠性二元评价指标。

2.如权利要求1所述的面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，利用面板堆石坝碾压质量实时监控系统和现场试坑试验获得相关参数数据具体为：依托面板堆石坝填筑碾压施工质量实时监控系统得到激振力状态、碾压遍数和碾压厚度参数数据，依托现场仓面试坑试验得到试验位置处的含水率、料源级配、小粒径颗粒含量和压实质量参数数据。

3.如权利要求1所述的面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，建立坝体全仓面孔隙率分布预测模型具体为：以堆石料碾压过程中包括碾压遍数、激振力状态和压实厚度的碾压参数结合坝体施工现场试坑试验获得的坝料含水率、坝料级配和孔隙率等数据作为训练样本，利用精英保留策略的遗传算法优化人工神经网络，建立孔隙率的预测模型，实现坝体全仓面孔隙率的求解。

4.如权利要求1所述的面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，对预测得到的孔隙率进行可靠性分析具体为：采用孔隙率预测模型得到坝体孔隙率的不可靠性主要来源于含水率、细粒料含量和坝料级配参数的变异性；首先，基于含水率、曲率系数和不均匀系数的分布曲线得到三个变异性参数的概率累计曲线，选取含水率、曲率系数和不均匀系数的概率累积曲线上多个相同的累积概率点对应的参数值；其后，通过碾压孔隙率预测模型可以拟合得到相应的受影响参数变异性影响的孔隙率分布；得到的孔隙率的分布方程,其分布反映了面板堆石坝坝体孔隙率变异性情况；由孔隙率分布可以推求得到孔隙率分布的变异性，变异性反映了坝体孔隙率分布的离散性大小，基于孔隙率分布用由公式求解孔隙率参数的变异性，得到孔隙率变异性系数。

5.如权利要求1所述的面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，提出仓面的耦合孔隙率-可靠性二元评价指标具体为：仓面的孔隙率可靠性综合分析指标Q用满足坝体区域设计要求孔隙率值，即P<21％，和可靠性指标大于95％的仓面点占总仓面面积的比例方程表示：

Q=1mnΣi-1mΣj-1n{(Pij,Pij′)|Pij<21%,Pij′>95%}]]>

其中，m、n为坝体仓面的x、y方向的边界长，单位m；P_ij为对应仓面内某坐标点的孔隙率值，单位为％，P′_ij表示碾压质量满足坝体设计要求的可靠性，单位为％。

6.如权利要求3所述的面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，利用精英保留策略的遗传算法优化人工神经网络，建立孔隙率的预测模型，实现坝体全仓面孔隙率的求解具体为：

(1)人工神经网络结构的确定：人工网络为输入层、隐层、输出层3层结构；输入、输出层节点数根据输入、输出变量个数确定，隐层节点根据遗传算法自适应择优选择；

(2)对神经网络的权值和阈值编码，得到初始种群，遗传算法不能直接处理问题空间的参数，这里通过采用10位的二进制编码把要求问题的可行解表示成遗传空间的染色体或个体；

(3)解码得到权值和阈值，将权值和阈值赋给人工网络，使用样本训练、测试网络，采用Levenberg-Marquardt算法对神经网络进行训练，训练迭代次数为1000，误差目标为0.01，学习速率0.5；隐层神经元和输出神经元的激活函数分别用S型正切函数和S型对数函数：

S型正切函数x为隐含层输入元素；

S型对数函数x′为输出层输入元素；

(4)根据误差计算适应度：选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出：

适应度函数F(M)=1M]]>

M为目标函数M=(d1-o1)2+...+(di-oi)2]]>

d_i为实际输出值，O_i为期望输出值；

(5)通过选择，交叉，变异算子操作产生新种群。采用轮盘赌法以0.9的概率选择优良个体组成新种群；随机选择种群中2个个体进行单点交叉以产生新的优秀个体，交叉概率设为0.7；为了维持种群的多样性，以0.01的概率产生变异基因数；

(6)把新产生的基因和父代精英个体加入到种群中；删除种群中适应度最低的基因，恢复种群原规模；产生的新种群满足要求或者达到遗传迭代次数则解码得到最佳神经网络的权值和阈值，否则转(3)；

(7)在最优化并且稳定的神经网络基础上进行坝体孔隙率预测。