欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018103310506
申请人: 西安理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于QGA-MMRVM的堆石坝材料参数自适应反演方法,其特征在于,包括如下步骤:首先在多输出相关向量机(M-RVM)的基础上,引入混合核函数构建精度更高的MMRVM;随后采用参数固定的QGA优化MMRVM核参数,实现MMRVM模型的自适应计算;后发挥QGA的全局搜索能力,以大坝实测沉降数据为目标,反演筑坝材料本构模型参数,实现反演模型的自适应计算。

2.根据权利要求1所述的基于QGA-MMRVM的堆石坝材料参数自适应反演方法,其特征在于,具体包括如下步骤:步骤1、对堆石坝筑坝材料本构模型参数进行敏感性分析,将敏感程度较高的参数作为待反演参数,确定其取值范围,敏感程度较低的参数采用试验数据;

步骤2、在本构模型参数变化范围内,采用拉丁超立方抽样(LHS)构建筑坝材料参数组合,随后采用有限元计算相应参数组合下的测点沉降值;

步骤3、将材料参数组合作为样本的输入变量,相应沉降计算值作为样本的输出变量,训练MMRVM,MMRVM是在M-RVM模型的基础上,通过引入混合核核函数所建立,其更适用于处理小样本、高维度、非线性的多输出预测问题;

步骤4、在训练MMRVM过程中,采用QGA优化确定核参数,使MMRVM达到能够代替FEM计算沉降的精度;

步骤5、在训练完成的QGA-MMRVM模型基础上,分析监测测点个数和数据信噪比对反演模型的影响,以验证模型鲁棒性,并确定参与反演的测点数目;

步骤6、在QGA反演筑坝材料参数过程中,对于新构造的筑坝材料参数组合,采用训练完毕的MMRVM计算其沉降值,并计算该材料参数组合的适应度,QGA搜索材料参数的目标函数如式(17);

式中:x1,x2,…,xM为待反演的本构模型参数数量;J为实测监测数据的天数,q为输入变量个数,即测点个数;TrueSij为第i日第j个测点的位移实测值;若适应度优于当前最优适应度,则更新材料参数组合和适应度,完成最优染色体更新,否则直接进入下一步;

步骤7、判断QGA是否达到材料参数搜索的最大迭代次数,若无则重复步骤6,否则输出最优参数组合及其适应度,即为坝体材料参数反演结果。

3.如权利要求2所述的基于QGA-MMRVM的堆石坝材料参数自适应反演方法,其特征在于,所述步骤3中M-RVM算法如下:设训练样本集为 其中x(r)∈R1×q和t(r)∈R1×M为第r组训练样本的输入和输出向量,q为输入变量个数,M为输出变量个数,NR为训练样本总数,M-RVM回归模型的数学表达式如下:(r)

式中:输出向量t =[t1,t2,…,tm,…,tM],1≤m≤M; 为优化后的权值矩阵,其中 1≤rv≤RV,RV为模型从NR个训练样本中选出的相关向量个数,由于模型稀疏性较高,则RV<<N; 表示第r组样本的基函数矩阵,由 核函数矩阵组成,K(·)为核函数,无需满足Mercer条件,x(*)为从训练样本中选取的相关向量;

首先,假定权值矩阵W服从先验正态概率分布,如下式所示:

式中: αr为超参数,其取值决定了某向量是否作为相

关向量,wmr是权值矩阵元素;

其次,权值矩阵W的似然分布可表达如下:

式中:B=diag(β1 ,β2,…,βm,…,βM),βm为第m个输出向量的噪声;

若目标样本中第m个待重构成分的向量为τm,其相应权值向量为wm,则W的似然分布写为:则权值矩阵W的先验分布可写为:

此时,W的后验概率为独立的待重构成分,为服从高斯分布的权值向量内积:式中: 为权值矩阵的均值向量, 为权值矩阵的方差

矩阵;

通过优化目标函数的最大边缘似然函数,计算得最优超参数 和 此时超参数矩阵为:

保留少数量的输入向量作为相关向量,则优化后的均值向量为 方差矩阵为 权值矩阵为 通过上述过程完成了模

型的训练,对于待预测的任意Nr组输入向量x*∈RNr×q,M-RVM的预测结果为y*∈RNr×M,误差向量为σy:M-RVM采用核函数的内积运算K(·)代替高维特征空间的复杂运算,常用的核函数主要为2类:局部插值能力较强的局部核函数,如高斯核函数,如式11所示;泛化能力较好的全局核函数,如多项式核函数,如式12所示;为使核函数同时具有上述两类核函数的优点,本文构建了混合核函数,如式(13)所示;

K(x,xi)=exp(-||x-xi||2/δ2)     (11);

K(x,xi)=(η(x·xi)+h)d    (12);

K(x,xi)=g×exp(-||x-xi||2/δ2)+(1-g)×(η(x·xi)+r)d    (13);

式中:δ为高斯核参数(带宽参数);η、h、d为多项式核参数;g为组合系数,其中,带宽参数δ的确定无明确要求,但不宜过大或过小,根据实际数据合理选取。

4.如权利要求2所述的基于QGA-MMRVM的堆石坝材料参数自适应反演方法,其特征在于,步骤4中QGA计算方法为:(1)初始化过程中,QGA参数较为常规、固定,无需特别设定,将LHS构建的筑坝材料参数组合作为QGA初始种群,在十进制编码下计算其适应度,寻找当前最优解;

(2)将种群由十进制编码转化为量子编码,根据种群适应度计算结果,以当前最优解为引导构建量子旋转门,通过量子旋转门实现种群变异操作,更新量子编码;

(3)完成变异操作后,将种群由量子编码转化为十进制编码,计算当前种群适应度,寻找最优解;

(4)判断当前计算是否满足最大迭代次数,若满足则停止结算,得到MMRVM模型最优核参数组合,完成MMRVM的训练,否则重复步骤(2)、(3),直至满足停止条件。