多区拱坝的概率参数反演与状态识别:一种基于物理约束的监测-模拟反馈框架

《Advanced Engineering Informatics》:Probabilistic parameter inversion and state identification of multi-zone arch dams: A physically-constrained monitoring-simulation feedback framework

【字体: 大 中 小 】 时间:2026年05月02日 来源:Advanced Engineering Informatics 9.9

编辑推荐:

  英凡·池|鲍文·魏|东阳·袁|亚婷·胡|敏·谢|宋婷·朱 中国南昌大学基础设施工程学院,南昌330031 **摘要** 在长期服役过程中,由于复杂的环境因素,混凝土拱坝的机械参数会表现出显著的空间异质性变化。这些变化对结构安全性评估带来了严重的不确定性挑战。为了解决

  英凡·池|鲍文·魏|东阳·袁|亚婷·胡|敏·谢|宋婷·朱
中国南昌大学基础设施工程学院,南昌330031

**摘要**
在长期服役过程中,由于复杂的环境因素,混凝土拱坝的机械参数会表现出显著的空间异质性变化。这些变化对结构安全性评估带来了严重的不确定性挑战。为了解决传统反演方法的局限性(这些方法在变化载荷条件下无法提供可靠的不确定性量化),本研究提出了一种基于监测-仿真反馈机制的概率多区域参数反演框架。该框架的核心理念在于将物理约束与高保真度替代模型相结合。首先进行了全局敏感性分析,以确定关键的反演参数,从而降低问题的维度。随后引入了一种自适应智能采样策略,高效地构建了用于替代模型训练的高信息价值样本集。基于该样本集,开发了一个分层贝叶斯神经网络(Hier-BNN)模型。通过引入共享的超先验,该模型施加了物理约束,而嵌入的基于Transformer的Cross-Attention机制有效地捕捉了复杂的空间相关性和区域间耦合效应。最后,采用马尔可夫链蒙特卡洛(MCMC)算法进行后验推断,得到了参数分布的完整表征。该框架应用于一个实际的拱坝项目,结果表明该框架能够实现快速而准确的反演,基于反馈的状态识别与工程观测结果高度一致。与多种基准模型相比,所提出的方法在预测精度和不确定性量化的可靠性方面都具有显著优势。本研究为水坝结构的安全性评估提供了坚实的理论基础和高效的计算途径。

**引言**
混凝土拱坝是水力工程中的关键结构,由于其高效的材料利用、坚固的结构完整性和对复杂地形的适应性,在高坝建设中具有不可替代的优势[1]、[2]。统计数据显示,在中国,高度超过200米的坝中,拱坝占比达到了48%[3]。它们在保障国家水资源安全、公共安全和财产保护方面发挥着至关重要的作用[4]、[5]、[6]、[7]。因此,准确评估这些重要基础设施在长期服役过程中的实际运行状态是确保其安全性的基本前提[8]、[9]、[10]、[11]、[12]。然而,在静态和动态循环载荷的长期共同作用下,环境侵蚀和材料老化的影响下,拱坝的实际机械参数不可避免地会偏离初始设计值,表现出显著的空间异质性和载荷依赖的响应特性[13]、[14]、[15]、[16]。这种空间-机械耦合的不确定性使得基于确定性设计值的传统安全评估方法难以准确反映坝的实际运行状态,可能导致对结构风险的误判[17]、[18]、[19]。因此,基于现场监测数据对关键机械参数进行概率反演并准确捕捉其复杂结构状态已成为水坝安全监测领域亟需解决的核心科学与工程挑战。对于这类大型水力结构,可靠的参数识别不仅依赖于监测数据的高精度拟合,还依赖于推断出的机械行为的严格物理一致性。

基于原型监测数据的参数反演是应对上述挑战的主流方法[20]。目前,反演方法主要分为两类:确定性和概率性。确定性反演旨在找到一组最优参数值,以最小化模型预测与实测数据之间的误差[21]、[22]。例如,南等人[23]研究了土石坝的渗流参数反演问题。他们利用渗流-温度耦合模型和熵权重(EW)方法降低了多源监测数据的维度,从而构建了一个通用的克里金(UK)替代模型,并结合多岛遗传算法(MIGA)进行优化,提出了一种基于多物理场信息的新型确定性反演方法。为了解决坝变形预测模型中结构性能演变的问题,雷等人[24]首先开发了一个高效的确定性反演框架,用于快速识别多个区域的机械参数。他们通过将标准粒子群优化算法与创新的层次化替代模型辅助(HSMA)机制相结合实现了这一点。在此基础上,最终建立了一个用于准确预测坝变形的混合模型。然而,尽管这些确定性点估计方法效率较高,但它们忽略了一个重要事实:坝的材料属性在复杂环境下具有一定的不确定性,即表现出空间-机械变异性。因此,如果将参数视为固定的真实值进行反演,结果将难以全面反映结构状态的不确定性。这对于需要运行状态评估的现代水坝安全系统来说远远不够[15]。鉴于参数的时间变化特性和不确定性,一些学者开始采用概率反演范式。在这些方法中,贝叶斯框架已成为实现概率反演的主流选择,因为它能够系统地将先验知识与监测数据结合起来,并以后验概率分布的形式提供更完整的参数描述[14]、[25]。虽然贝叶斯框架在理论上是一个理想的不确定性量化工具,但其实现需要数千次甚至更多的模型调用(如与马尔可夫链蒙特卡洛(MCMC)结合使用时)。如果直接使用有限元方法(FEM)进行模拟,巨大的计算成本在工程实践中是不可接受的。为了解决这个问题,学者们广泛采用高效的替代模型来替代FEM,从而加速后验分布的推断过程。例如,谢等人[26]创新性地融合了物理信息神经网络(PINN)和贝叶斯神经网络(BNN),以解决预测建筑机械剩余使用寿命(RUL)时的不确定性量化问题。他们使用迭代积分卡尔曼反演(IEKI)算法代替了传统的MCMC等方法,实现了高效准确的RUL预测和不确定性量化。为了解决混凝土坝参数反演中的不确定性和多解问题,李等人[27]首先通过经验模态分解(EMD)改进了数据分离技术,并将其与创新的混合响应面方法(HRSM)和过渡型马尔可夫链蒙特卡洛(TMCMC)算法结合用于贝叶斯推断。这种方法提供了一种有效的坝参数识别不确定性反演方法,可以有效地融合先验知识,避免不合理值,并最终提供参数的概率分布。由此可见,基于贝叶斯框架的替代模型方法是有效且具有广泛应用性的。

然而,在将贝叶斯框架应用于大型连续结构(如水坝)时,会出现一个更深层次的挑战,即缺乏物理一致性。大多数现有研究将多区域坝的材料参数简化为独立或弱相关的随机变量,这从根本上忽略了空间连续性带来的强相关性约束。因此,当监测数据稀疏或信噪比较低时,缺乏合理物理约束的贝叶斯模型可能会使后验分布推断过程变得非常困难,甚至导致反演问题变得病态,从而导致不确定性量化结果缺乏物理可解释性和可靠性。为从根本上解决这个问题,一个具有强大实际应用性的理想反演框架应系统且合理地将物理约束整合到概率模型中。同时,要实现这样的先进框架,还需要克服计算可行性方面的挑战。具体来说,无论是训练能够表示物理约束的复杂替代模型,还是对模型进行贝叶斯推断,都依赖于具有高信息价值的仿真样本[13]、[28]。现有研究主要采用一次性采样方法,如拉丁超立方抽样(LHS)或均匀设计[29]、[30]、[31]。例如,郭等人[32]使用LHS获取初始仿真样本数据以识别坝内的损伤,从而支持构建通过空间映射方法修改的多保真度克里金替代模型,并结合遗传算法(GA)进行优化和求解,为混凝土坝的损伤识别提供了高效的解决方案。同样,对于超高压拱坝的多区域参数反演,刘等人[33]利用LHS获取样本数据,以支持基于卷积神经网络(CNN)的深度学习替代模型的构建,并结合Jaya优化算法进行求解,为超高压拱坝的参数识别提供了高精度和高效率的解决方案。尽管上述研究在推进替代模型和优化算法方面取得了显著进展,但它们通常依赖于像LHS这样的静态采样方法来构建初始样本集。虽然这些方法试图在没有先验知识的情况下均匀覆盖参数空间,但在处理像水坝这样可能在特定区域表现出高度非线性响应的复杂结构时,其采样效率往往较低。这使得难以用足够数量的样本捕捉关键响应特性[34]、[35]、[36],从而限制了最终结果的准确性和可靠性。为了解决这个问题,一些学者开始关注自适应采样策略[37]。例如,为了解决在替代模型构建过程中捕获极值的困难,王等人[38]提出了一种名为超体积迭代(HVI)的自适应采样策略。该策略通过模拟数值积分过程智能地识别和细化高度非线性区域,提供了一种新的方法,可以高效地构建能够准确捕捉关键响应特征的替代模型,而不依赖于初始模型的质量。在可靠性分析中构建替代模型时,肖等人[39]提出了一种基于新颖学习函数的自适应采样框架。通过智能评估并选择“最有可能是故障点”且“预测不确定性最大”的候选点作为每次迭代的新样本,该框架实现了对极限状态表面的高效探索。它提供了一种通用的顺序采样方法,适用于任何替代模型,可以显著降低计算成本。上述研究充分证明了自适应采样策略在数学和一般可靠性分析等领域具有高度的智能性和效率,通过引入创新函数和迭代标准。它们的核心优势在于能够根据具体研究对象动态优化采样过程。然而,对于水坝工程而言,参数反演通常是一个多输出问题,涉及多个测量点和多个物理响应,具有复杂的内部响应机制。大多数现有的自适应采样策略都是为单输出问题设计的,很少应用于水坝安全监测领域。这导致了先进采样策略与复杂水坝工程应用之间的脱节,难以满足水坝的多点、多目标反演需求。因此,仍存在一个研究空白,需要一个能够解决上述核心挑战和技术难题的集成框架。

为了解决上述挑战,特别是为了弥合纯数据驱动模型与水坝所需的严格物理一致性之间的差距,本研究提出了一种基于监测-仿真反馈机制的概率多区域参数反演框架。这项工作的主要动机是克服传统贝叶斯框架在应用于连续的大型水力结构时遇到的问题,如忽略结构的固有空间连续性和物理约束。具体来说,本研究提出了三项主要创新:(1) 物理约束的整合:开发了一种分层贝叶斯神经网络,通过共享的超先验分布对多区域参数施加物理一致性约束,确保推断出的机械行为与工程现实相符。(2) 高效的数据采集:引入了一种自适应智能采样策略,以在高度非线性的响应区域高效构建高信息价值的数据集,从而显著降低计算成本。(3) 空间-机械耦合:引入了一种基于Transformer的空间特征提取器,并结合了交叉注意力机制,能够动态捕捉在不同载荷下各区域之间的复杂空间相关性和协同效应。本文的其余部分组织如下:第2节正式概述了整个研究框架。第3节详细介绍了核心方法,包括敏感性分析、自适应采样以及Hier-BNN的构建过程。第4节使用一个实际的混凝土拱坝工程案例来验证所提出的框架。最后,第5节提出了结论。

**研究框架**
本研究提出了一个基于监测-仿真反馈的概率参数反演框架,该框架整合了参数筛选、高效采样和概率建模。整体架构如图1所示。该框架的设计核心遵循“问题定义-数据生成-概率建模-后验解”的逻辑过程,旨在从原始监测数据实现端到端的参数后验分布推断。

**通过Morris方法进行关键参数的敏感性分析和筛选**
在拱坝的多目标参数反演过程中,涉及坝-基础系统的机械参数众多且大多具有不确定性。如果将所有参数都纳入后续的深度学习模型训练和不确定性定量分析中,由于维度灾难(dimensionality disaster)的原因,将导致极高的计算成本。然而,如果仅凭工程直觉来排除某些参数(例如主观地将弹性模量视为唯一需要考虑的参数),则可以降低计算成本。

**案例研究**
所研究的碾压混凝土(RCC)双曲拱坝最大高度为99.1米,坝顶海拔高度为247.6米,基础最低开挖水平为148.5米。总库容为1.0481×10^8立方米。该坝于2012年开始蓄水,至今已安全运行超过10年。为了确保其整个使用寿命期间的安全运行,同时在坝体内设计并安装了变形监测设施。

**结论**
本研究提出了一种基于监测-仿真反馈的概率反演框架,该框架整合了全局敏感性分析、自适应采样和Hier-BNN,以应对拱坝多区域机械参数反演中的关键挑战,包括维度灾难、缺乏物理约束、高计算成本以及不确定性量化困难。通过实际案例验证,证明了所提出的框架的有效性。

**CRediT作者贡献声明**
Chi Yingfan:调查、形式分析、数据管理、概念化。
Wei Bowen:验证、资金筹集。
Yuan Dongyang:监督、调查、资金筹集。
Hu Yating:资源管理、资金筹集。
Xie Min:数据管理。
Zhu Songting:数据管理。

**利益冲突声明**
作者声明他们没有已知的财务利益冲突或个人关系可能会影响本文报告的工作。

**致谢**
本研究得到了中国国家自然科学基金(编号52379125、52509166、52469022)、中国博士后科学基金(编号2025M773171)、水利部水库大坝安全重点实验室开放研究基金(编号YK324007)、水利部水利水电研究院水利工程建设与安全重点实验室开放研究基金(编号IWHR-ENGL-202405)以及江西省的相关支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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