软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自...软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自适应惯性权重粒子群(genetic algorithm-adaptive particle swarm optimization,GA-APSO)混合优化算法的水闸底板脱空动力学反演方法,用于检测软基水闸底板脱空。首先,构建表征软基水闸底板脱空参数和水闸结构模态参数之间非线性关系的GPR代理模型;其次,基于GPR代理模型与水闸实测模态参数建立脱空反演的最优化数学模型,将反演问题转化为目标函数最优化求解问题;最后,为提高算法寻优计算的精度,提出一种GA-APSO混合优化算法对目标函数进行脱空反演计算,并提出一种更合理判断反演脱空区域面积和实际脱空区域面积相对误差的指标—面积不重合度。为验证所提方法性能,以一室内软基水闸物理模型为例,对两种不同脱空工况开展研究分析,结果表明,反演脱空区域面积和模型实际设置脱空区域面积的相对误差分别为8.47%和10.77%,相对误差值较小,证明所提方法能有效反演出水闸底板脱空情况,可成为软基水闸底板脱空反演检测的一种新方法。展开更多
软基水闸在水流侵蚀等因素作用下易发生底板脱空现象,极大地威胁水闸的安全运行.针对软基水闸底板脱空检测问题,提出一种基于门控循环单元(Gate Recurrent Unit, GRU)神经网络代理模型和多目标灰狼算法(Multi-Objective Grey Wolf Optim...软基水闸在水流侵蚀等因素作用下易发生底板脱空现象,极大地威胁水闸的安全运行.针对软基水闸底板脱空检测问题,提出一种基于门控循环单元(Gate Recurrent Unit, GRU)神经网络代理模型和多目标灰狼算法(Multi-Objective Grey Wolf Optimizer, MOGWO)的软基水闸底板脱空动力学反演方法.基于GRU神经网络构建表征软基水闸结构模态参数与脱空参数间非线性关系的数学代理模型,基于水闸结构固有频率、归一化振型建立软基水闸脱空参数反演的多目标优化函数,并采用MOGWO优化算法求解多目标优化问题的Pareto最优解.将所提方法应用于室内软基水闸物理模型两种脱空工况的反演计算.GRU神经网络代理模型精度优于多层前馈(Back Propagation, BP)神经网络代理模型及三阶多项式响应面模型,且反演脱空面积和模型实际脱空面积的相对误差分别为6.76%、5.58%,反演效果明显优于单目标反演方法.展开更多
文摘软基水闸在水流侵蚀等因素作用下易发生底板脱空现象,极大地威胁水闸的安全运行.针对软基水闸底板脱空检测问题,提出一种基于门控循环单元(Gate Recurrent Unit, GRU)神经网络代理模型和多目标灰狼算法(Multi-Objective Grey Wolf Optimizer, MOGWO)的软基水闸底板脱空动力学反演方法.基于GRU神经网络构建表征软基水闸结构模态参数与脱空参数间非线性关系的数学代理模型,基于水闸结构固有频率、归一化振型建立软基水闸脱空参数反演的多目标优化函数,并采用MOGWO优化算法求解多目标优化问题的Pareto最优解.将所提方法应用于室内软基水闸物理模型两种脱空工况的反演计算.GRU神经网络代理模型精度优于多层前馈(Back Propagation, BP)神经网络代理模型及三阶多项式响应面模型,且反演脱空面积和模型实际脱空面积的相对误差分别为6.76%、5.58%,反演效果明显优于单目标反演方法.
