译文修改版

高面板堆石坝长期变形控制理论及应用
摘要
在本文中，高混凝土面板堆石坝长期变形控制理论（CRFD）被提出。

一种改进的粒子群优化算法基于粒子迁移和径向基函数神经网络用于参数反演。

基于测量的位移数据,静态本构模型和蠕变模型参数敏感的选择堆石坝变形反演。

倒生的参数用来预测面板堆石坝的长期变形。

水布垭CRFD的数值模拟结果表明,该预测定居点与实测数据吻合较好,和大坝变形在合理范围和趋于稳定。

此外,设置保护区控制的工程措施进行了讨论。

关键词：双屈服表面模型蠕变模型参数反演变形控制
1前言
填石的变形是一个长期、复杂的过程,包括瞬时变形和与时间有关的变形将持续好几个月,甚至几年。

一般来说,碎石的力学参数是来自实验室或现场测试。

然而,也有一些差异和测量值之间的“真实”的机械性能基于某些原因,规模效应和碎石的离散特征本身。

堆石坝变形的计算与实验参数是大大不同的测量数据。

例如,蠕变测试是在几个月内完成,而变形的混凝土面板堆石坝面板堆石坝通常持续数年。

因此,有必要使用高面板堆石坝的实测位移进行参数反演,然后对大坝的长期变形进行预测。

由于堆石坝的施工过程和变形机理复杂，很难对其进行瞬时变形和变形时间的分离，因此有必要进行静力本构模型和蠕变模型的综合参数反演。

本文选择了对堆石坝变形的静态本构模型和蠕变模型参数敏感性进行反演。

此外，采用基于粒子迁移和径向基函数神经网络的改进粒子群优化算法。

反演参数的数值模拟结果表明，预测的沉降与实测数据吻合较好，对预结算与工程控制措施进行了探讨。

2 碎石静态本构和蠕变模型
2.1双屈服面模型
提出的双屈服面模型最初是沈竹江[1],它克服了缺点,邓肯电子模型不能考
虑碎石扩张,它可以反映和碎石的各向异性。

双屈服面模型假定有两个屈服表面存在应力空间中,使用椭圆和幂函数为:
{f 1=p 2+r 2q 2
f 2=q s p
⁄ (1) p ，q 分别是是静水压力和八面体剪应力 2.2九参数蠕变模型
目前,长期高堆石坝变形预测,九参数蠕变模型是常用的[2],并且可以描述如下: εs （τ）=εsf （1−τ−λs ） εν(τ)=ενf (1−τ−λν) （1）
εsf ，ενf 分别是最后一个轴向蠕变和最终体积在一定应力水平下的蠕变; εs （τ），εν(τ)分别是轴向蠕变累积和体积蠕变
参数λs ，λν表示蠕变速度
最后一个轴向蠕变的关系是εsf ，应力水平S L ，和围压σ3如下：
εsf =CS
L 1−S L σ3 λs =ησ3−m （2） 最终体积蠕变ενf , 应力水平S L , 围压σ3可以安装使用一个线性函数,如下： ενf =c a s L d a +c βs L d
βσ3 λν=const （3）
方程(1)~(3)和九个参数 c , d , η , m ,c a ，d a ，c β，d β和λν充分表达碎石的蠕变特性。

2.3参数敏感性分析
如果选择所有参数反演,工作负载沉重和耗费时间。

所以有必要对参数敏感性进行分析。

修改莫里斯方法采用敏感指标反映参数的敏感性[3]:
S=1n−1∑y i+1−y i y 0x i+1−x i x 0n−1i=1 (4)
其中，S 是敏感指标；y i 是的模型计算产值i 的次数；y 0是初始参数中计算出的输出值；x i 是第i 次参数；x 0是初始参数；n 是计算的数量。

参考文献[3]分析了双屈服面模型参数的敏感性，并涉及到一个结论，使得k ，ϕ，R f ，c d ，n d ，和R d 是对大坝的结算更敏感。

本文分析了九参数蠕变模型参数的敏感性，采用均质坝，并得出结论，c ，η，c α ，c β，λv 对大坝的结算更敏感，其结果示于图（1）。

图1.参数灵敏度蠕变模型的分析
3变形监测反演分析
3.1基于粒子迁移粒子群算法
在粒子群算法[4]，每一个粒子代表优化问题在多维空间中的潜在的解决方案。

每个粒子都有两个特点，位置和速度。

粒子位置对应于目标函数值，它可被用作粒子的适合度。

一种新的改进粒子群算法采用了本文。

在新的算法，粒子群中随机从可行空间采样，则人口中随机划分成若干子群，其中的每一个作出独立地进化，线性递减惯性重量，线性加速因子和自适变异操作被认为是。

在周期阶段的演变，一些粒子从一个复杂的移民到另一个维护整个群体的多样性。

另一方面，粒子的迁移建立信息交换的桥梁。

3.2径向基函数神经网络
径向基函数网络是一个两层前馈神经网络，其中包括径向基函数的隐藏层和线性的神经元的输出层。

它可以近似任意函数以任意精度，这是特别适合于解决函数逼近的问题。

选择高斯函数作为径向基函数：
）(5) R i(x)=exp （−‖x−c i‖
2σ2
其中，σ决定的径向基函数的形状，σ越大，基础功能越光滑。

3.3预选反演参数
为了减少工作量，并确保该反演结果收敛到“正确”值，反演参数的数目应减少。

摩擦角φ测试方法更加成熟，R f的定义有丰富的工程经验[5,6]，因此它们从反转参数列表中删除。

基于九个参数蠕变模型和先前结论敏感性分析，反演参数
的数量减少到13个，分别是k 1，c d1，n d1，R d1，k 2,c d2,n d2,R d2, η,c α,c β, λν 。

下标1和2指的是主堆石区和子堆石区，分别与这两个具有相同蠕变参数。

3.4目标函数
堆石坝参数反演是找到一组参数，以确保计算的位移最好近似的测量数据。

目标函数可以被选择为计算的位移和测量的数据之间的差值矢量的L2范数。

由于每个监测点所测量的数据是一个时间系列，目标函数可表示如下： f (x 1，x 2…x 13)=∑w i m i=1{1n i ∑x j 2n i j=1}0.5
x j =max 1≤k≤p |（u jk i −u jk i∗）/u jk i∗| ∑=1m i=1 （6） x 1，x 2…x 13对应于一组的反演参数；m 是监测断面数；w i 是权重系数对于
第i 个部分；n i 是监测点中的第i 个部分的数量；u jk i 是第j 个点中的第i 个段的
第k 次计算结算值的时间点；u jk i∗是对应的测量数据。

4水布垭混凝土面板堆石坝的长期变形预测
233米高的水布垭面板堆石坝是目前世界上排名最高的混凝土面板堆石坝之一，三维有限元方法来预测长期变形，有限元模型，如图（2）所示。

双屈服面模型和九参数蠕变模型采用了模拟。

经过选择训练样本，神经网络训练后，基于粒子迁移的改进粒子群算法用于水布垭面板堆石坝的参数反演，参数反演的迭代过程如图（3）所示。

实验参数和反向参数列于表（1）（2）
图2.水布垭面板堆石坝有限元模型
图3.融合参数反演过程
表（1）参数的堆石双重屈服面模型
表（2）逆参数
基于参数反演获得的参数，对水布垭面板堆石坝的长期变形进行了模拟。

图（4）显示，所计算的沉降量和所测得的数据均符合发展趋势；水布垭面板堆石坝的结算利率将下降至12mm/年，在2012年年底，大坝变形被认为达到稳定期，此时大坝的最大沉降会达到2.63米；显著蠕变变形大约是总变形的18％；混凝土面板的最大偏转将达到0.9米。

图(5)显示了预测沉降和水平位移最大的大坝的变形稳定阶段。

图(6)显示了混凝土面板的挠度和轴向变形的变形稳定阶段。

1)标高235米，上游侧
2)标高265米，上游侧
图4.测量和计算安装点的沉降比较
1）结算（向上的方向为正）
2）水平位移（沿下游方向为正）图5.预测位移最大的大坝变形稳定阶段
1）轴向变形（向右的方向为正）
2）偏转（向外方向为正）
图6.预测混凝土面板的位移变形稳定阶段
5预结算控制方法
为了降低混凝土面板的应力变形和堆石蠕变变形，高面板堆石坝应分期填筑。

也就是说，当坝被填充到一定高度，这段临时段的相应的混凝土面就会倾倒。

为了减轻混凝土面板堆石坝的蠕变变形对预浇混凝土面产生的不利影响，应采取以下几个月的工程措施。

6结论
(1）在这项研究中，选择堆石坝变形的参数敏感性进行反演。

此外，采用一种基于粒子迁移和径向基函数神经网络的改进的粒子群算法。

这种方法是高效率的。

(2）水布垭高面板堆石坝逆参数仿真结果表明，在价值和发展趋势方面，沉降计算与实测数据吻合较好；大坝混凝土面板的变形在一个合理的范围内，并趋向于一个稳定的阶段。

(3）为了减轻混凝土面板堆石坝的蠕变变形对预浇混凝土面产生的不利影响，应采取以下几个月的工程措施。