【技术实现步骤摘要】
本专利技术属于水利工程，具体涉及一种基于diffusion mcmc的土石坝本构模型参数反演方法。
技术介绍
1、土石坝作为一种在水利工程中极为常见的坝型，因其良好的适应性、较小的工程规模、施工便利性以及较高的安全性，拥有广阔的发展前景。然而，由于设计和施工的复杂性，已建成的土石坝在坝体材料的实际参数上往往与设计预设值存在显著差异。这种差异源于坝体材料及其基底覆盖层的非线性和弹塑性特性，以及设备和成本的限制、测试环境及操作的不确定性。这些因素使得通过传统的试验和经验比对方法准确获取材料参数变得极具挑战。鉴于土石材料的可变性和不确定性，以及复杂多变的工程环境，研究基于不确定性的土石坝参数反演方法显得尤为关键。
技术实现思路
1、针对现有技术的实际需求和空白，本专利技术提出了一种基于diffusion-mcmc的土石坝本构模型参数随机反演方法，有效解决了传统方法在收敛性差、计算速度慢及未充分考虑岩土材料不确定性等方面的问题。
2、其方案的构建过程包含以下步骤：1)根据大坝的现场勘测资料，建立有限元模型，根据敏感性分析选择关键的反演参数，确定待反演参数范围，构造不同参数组合进行有限元计算获得代理模型训练样本；2)运用训练样本，基于ivy-rf模型建立了本构参数和土石坝沉降值的非线性映射；3)利用初始样本训练diffusion模型，经过训练后可生成多组与输入数据相匹配的样本，避免mcmc采样陷入局部最优；4)采用工程实测的土石坝沉降数据，使用diffusion-mcmc采样方法
3、本专利技术解决其技术问题具体采用的技术方案是：
4、一种基于diffusion mcmc的土石坝本构模型参数反演方法，其特征在于：根据大坝的现场勘测资料，建立有限元模型，根据敏感性分析选择反演参数，并确定待反演参数范围，构造不同参数组合进行有限元计算获得代理模型训练样本；然后利用所述训练样本，基于ivy-rf模型建立本构参数和土石坝沉降值的非线性映射；并利用初始样本训练diffusion模型，经过训练后生成多组与输入数据相匹配的样本，以避免mcmc采样陷入局部最优；最后采用工程实测的土石坝沉降数据，使用diffusion-mcmc采样方法获取最优参数组合。
5、进一步地，所述根据大坝的现场勘测资料，建立有限元模型，根据敏感性分析选择反演参数，并确定待反演参数范围，构造不同参数组合进行有限元计算获得代理模型训练样本的方法如下：根据土石坝的设计图纸和实地测量数据，构建有限元模型并进行网格划分；在有限元模型中按照坝体材料、工期分区进行有限元计算；对于反演参考点选择：依据监测设备在坝体截面的分布，从坝体截面上设置监测设备且与有限元网格对应的点中选择本构参数反演搜索的参考点；采用邓肯张e-b模型作为有限元正分析的基础；通过位移敏感性分析，确定邓肯张e-b模型中需反演的参数k、并基于工程经验，设定影响因子k、的取值范围和水平数；针对每个影响因子的水平数挑选合适的正交表，设计表头，执行试验；对试验结果进行统计分析，提取多组本构模型参数组；利用这些参数进行有限元分析以模拟坝体的位移；从模拟结果中提取监测设备节点的沉降位移，作为代理模型训练样本。
6、进一步地，利用所述训练样本，基于ivy-rf模型建立本构参数和土石坝沉降值的非线性映射，包括：
7、对训练样本的输入数据(k、)进行归一化以进行预处理；将预处理后的数据作为训练集输入到随机森林回归rf模型中；并在训练的过程中利用ivy寻优算法对随机森林中的树木数量和最小叶子节点数进行优化；适应度函数为rf模型对训练集沉降值和测试集沉降值的均方误差mse；
8、fitness＝mse[predict(train)]+mse[predict(test)]
9、最后使用获得的最优超参数配置，重新训练rf模型，以获得最佳的预测效果和模型性能。
10、进一步地，所述利用初始样本训练diffusion模型，经过训练后生成多组与输入数据相匹配的样本，包括：
11、训练正向扩散模型：利用初始样本训练扩散模型，所述扩散模型采用下式进行正向扩散过程，将初始样本逐步转化为纯高斯噪声：
12、
13、其中，ε～n(0,1)为每个时间步添加的噪声权重，βt为扩散过程中的噪声宽度，从原始向量x0开始，生成一系列噪声逐渐增大的向量x1,...xt,...xt，xt为纯高斯噪声；
14、训练逆向扩散模型：定义一个从所述纯高斯噪声中提出的新数据向量yt，长度与xt相同，采用下式进行反向扩散过程：
15、yt-1＝yt-(xt-xt-1)φt
16、其中，φt是通过采用下式损失函数得到的参数：
17、
18、进一步地，所述采用工程实测的土石坝沉降数据，使用diffusion-mcmc采样方法获取最优参数组合，在此过程中，结合metropolis-hastings算法与扩散模型，即diffusion-mh，来提升mcmc采样的效率，包括：
19、首先进行先验分布的计算：确定k、的先验分布π(x)；
20、然后根据数据的个体差异得到对数似然估计函数，以作为目标函数；
21、采用以下扩散样本接受准则：
22、生成随机数，随机数小于扩散概率时，依据初始样本集执行diffusion-mh抽样，以增强样本多样性和提高样本质量，采用下式计算候选样本的直方图概率比例q：
23、
24、其中，θ表示当前样本，θ'表示候选样本；
25、通过将候选样本代入代理模型生成d'，采用下式计算对数似然比lratio：
26、
27、其中，f(θ|d)表示后验概率密度函数；
28、采用下式计算接收概率a：
29、a＝min(1,lratio×qratio)
30、通过随机采样决定是否接受候选样本：
31、采用以下mh样本接受准则：
32、当随机数大于等于扩散概率时，依据初始样本集执行puremh抽样，即metropolis-hastings算法，通过将候选样本代入代理模型生成d'，采用下式计算对数似然比lratio：
33、
34、其中，f(θ|d)表示后验概率密度函数；
35、采用下式计算接收概率a’：
36、a'＝min(1,lratio)
37、通过随机采样决定是否接受候选样本；
38、然后优化扩散模型：使用所有生成的样本再次训练扩散模型，直到达到预定的重新训练次数；每次重新训练都有概率更新扩散模型参数，并且反复迭代以进一步优化模型；
39、最后将有效的马尔可夫链样本作为后验概率密度函数f(x|d)的样本本文档来自技高网...
【技术保护点】
1.一种基于Diffusion MCMC的土石坝本构模型参数反演方法，其特征在于：根据大坝的现场勘测资料，建立有限元模型，根据敏感性分析选择反演参数，并确定待反演参数范围，构造不同参数组合进行有限元计算获得代理模型训练样本；然后利用所述训练样本，基于Ivy-RF模型建立本构参数和土石坝沉降值的非线性映射；并利用初始样本训练Diffusion模型，经过训练后生成多组与输入数据相匹配的样本，以避免MCMC采样陷入局部最优；最后采用工程实测的土石坝沉降数据，使用Diffusion-MCMC采样方法获取最优参数组合。
2.根据权利要求1所述的一种基于Diffusion MCMC的土石坝本构模型参数反演方法，其特征在于：所述根据大坝的现场勘测资料，建立有限元模型，根据敏感性分析选择反演参数，并确定待反演参数范围，构造不同参数组合进行有限元计算获得代理模型训练样本的方法如下：根据土石坝的设计图纸和实地测量数据，构建有限元模型并进行网格划分；在有限元模型中按照坝体材料、工期分区进行有限元计算；对于反演参考点选择：依据监测设备在坝体截面的分布，从坝体截面上设置监测设备且与有限元网格对
3.根据权利要求2所述的一种基于Diffusion MCMC的土石坝本构模型参数反演方法，其特征在于：
4.根据权利要求3所述的一种基于Diffusion MCMC的土石坝本构模型参数反演方法，其特征在于：
5.根据权利要求4所述的一种基于Diffusion MCMC的土石坝本构模型参数反演方法，其特征在于：
6.一种基于DiffusionMCMC的土石坝本构模型参数反演系统，其特征在于，包括：
7.根据权利要求6所述的一种基于DiffusionMCMC的土石坝本构模型参数反演系统，其特征在于：所述训练样本生成模块采用邓肯张E-B模型作为有限元正分析的基础；通过位移敏感性分析，确定邓肯张E-B模型中需反演的参数K、通过进行有限元分析以模拟坝体的位移；从模拟结果中提取监测设备节点的沉降位移，作为代理模型训练样本；所述Diffusion模型训练模块包括对正向扩散模型和逆向扩散模型的训练。
8.根据权利要求7所述的一种基于Diffusion MCMC的土石坝本构模型参数反演系统，其特征在于：所述最优参数组合计算模块基于先验分布的计算，并以根据数据的个体差异得到对数似然估计函数作为目标函数，分别通过扩散样本接受准则和MH样本接受准则判断是否接受候选样本；使用所有生成的样本再次训练扩散模型，直到达到预定的重新训练次数，每次重新训练都概率更新扩散模型参数，并且反复迭代以进一步优化模型，最后通过后验分布的计算以输出静力参数组。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的一种基于Diffusion MCMC的土石坝本构模型参数反演方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5任一项所述的一种基于Diffusion MCMC的土石坝本构模型参数反演方法的步骤。
...【技术特征摘要】
1.一种基于diffusion mcmc的土石坝本构模型参数反演方法，其特征在于：根据大坝的现场勘测资料，建立有限元模型，根据敏感性分析选择反演参数，并确定待反演参数范围，构造不同参数组合进行有限元计算获得代理模型训练样本；然后利用所述训练样本，基于ivy-rf模型建立本构参数和土石坝沉降值的非线性映射；并利用初始样本训练diffusion模型，经过训练后生成多组与输入数据相匹配的样本，以避免mcmc采样陷入局部最优；最后采用工程实测的土石坝沉降数据，使用diffusion-mcmc采样方法获取最优参数组合。
2.根据权利要求1所述的一种基于diffusion mcmc的土石坝本构模型参数反演方法，其特征在于：所述根据大坝的现场勘测资料，建立有限元模型，根据敏感性分析选择反演参数，并确定待反演参数范围，构造不同参数组合进行有限元计算获得代理模型训练样本的方法如下：根据土石坝的设计图纸和实地测量数据，构建有限元模型并进行网格划分；在有限元模型中按照坝体材料、工期分区进行有限元计算；对于反演参考点选择：依据监测设备在坝体截面的分布，从坝体截面上设置监测设备且与有限元网格对应的点中选择本构参数反演搜索的参考点；采用邓肯张e-b模型作为有限元正分析的基础；通过位移敏感性分析，确定邓肯张e-b模型中需反演的参数k、并基于工程经验，设定影响因子k、的取值范围和水平数；针对每个影响因子的水平数挑选合适的正交表，设计表头，执行试验；对试验结果进行统计分析，提取多组本构模型参数组；利用这些参数进行有限元分析以模拟坝体的位移；从模拟结果中提取监测设备节点的沉降位移，作为代理模型训练样本。
3.根据权利要求2所述的一种基于diffusion mcmc的土石坝本构模型参数反演方法，其特征在于：
4.根据权利要求3所述的一种基于diffusio...
【专利技术属性】
技术研发人员：林川，魏旭琦，邹云，苏燕，刘荣锋，张萌杰，
申请(专利权)人：福州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。