基于神经算子的多目标优化方法用于时空数据驱动的渗流参数识别:以大坝基础中的深厚覆盖层为例
《Journal of Hydrology》:Neural operator-based multi-objective optimization for spatiotemporal data-informed seepage parameter identification: a case study on deep overburden in a dam foundation
【字体:
大
中
小
】
时间:2026年05月16日
来源:Journal of Hydrology 6.3
编辑推荐:
王丽波|岑伟军|刘波|钱佳豪|郑长海摘要准确识别大坝基础中深厚覆盖层的渗流参数对于可靠的渗流分析和安全评估至关重要。传统的识别方法受到单时间点条件、工程信息空间覆盖不完整以及二维域的限制,这可能导致参数估计出现偏差。本研究提出了一种基于时空数据的渗流参数识别框架,该框架将深度操作
王丽波|岑伟军|刘波|钱佳豪|郑长海
摘要
准确识别大坝基础中深厚覆盖层的渗流参数对于可靠的渗流分析和安全评估至关重要。传统的识别方法受到单时间点条件、工程信息空间覆盖不完整以及二维域的限制,这可能导致参数估计出现偏差。本研究提出了一种基于时空数据的渗流参数识别框架,该框架将深度操作网络(DeepONet)与改进的多目标协同优化算法(IMOCOA)相结合。来自多个渗流压力点的时变水位和空间分布数据(左岸、河床和右岸)被融合到一个统一的多目标模型中。DeepONet基于物理信息的空间描述符进行训练,使操作网络能够学习渗流参数与时空压力响应之间的映射关系,并实现了高预测精度(R2 = 0.994–0.999)。通过Sobol初始化、动态β-η学习和基于ε-优势的截断方法,提高了IMOCOA的优化效率,从而实现了较低的逆生成距离(0.109)和较高的超体积(0.539)。提出了一种考虑工程优先级的可靠性加权策略,从帕累托替代方案中提取出具有代表性的折中解。该框架在厚度为148米的深厚覆盖层上的堆石坝上进行了验证,所识别的参数能够再现观测到的渗流压力变化,并表现出与物理规律一致的行为。对比分析表明,该框架通过明确整合特定领域的物理信息,在渗流参数识别方面实现了更高的计算效率和鲁棒性,展示了其在复杂岩土和水力工程问题中的广泛应用潜力。
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