CN104233996A - 面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法 - Google Patents

Abstract

本发明属于水利水电施工领域，为给实际施工质量控制提供切实可行的依据，本发明采取的技术方案是，面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，具体包括下列步骤：(1)利用面板堆石坝碾压质量实时监控系统和现场试坑试验获得相关参数数据；(2)建立坝体全仓面孔隙率分布预测模型；(3)对预测得到的孔隙率进行可靠性分析；(4)提出仓面的耦合孔隙率-可靠性二元评价指标。本发明主要应用于水利水电施工。

Description

面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法

技术领域

本发明属于水利水电施工领域，具体涉及一种面板堆石坝施工碾压质量的评价方法。

技术背景

面板堆石坝现已成为世界上公认的一种比较经济的坝型。面板堆石坝主要就地取材，节省了水泥、钢材等的用量，降低了材料供应和运输费用，具有显著的经济性；面板堆石坝对各种河谷地形适应性强，对坝址处的地质条件要求不高，具有广泛的适用性；同时，面板堆石坝具有较显著的安全性，抗震性能好。虽然面板堆石坝应用广泛且优势明显，但是由于面板堆石坝施工工艺复杂、施工工期紧、施工强度大、质量要求高，给施工管理带来了挑战。坝体仓面碾压作为面板堆石坝施工最关键的一环，关系到水利工程建设与运行的安全，怎样科学准确地进行仓面碾压质量评价是工程管理者重点关注的问题。

传统面板堆石坝填筑质量评价方法主要依靠建设施工中采用的随机取样试验，主要存在以下不足：1、受试验工艺和坝体填筑进度等影响限制存在取样区域少(坝体区域取样频度为3000-6000m³填筑量/次，即每5000-7500m²填筑面积对1m²取样)；2、试验影响坝体施工；3、试验过程占用时间长；4、得到结果只能反映坝体仓面的试验测点本身填筑质量。

面板堆石坝碾压施工质量实时监控系统的研发与应用为坝体仓面碾压质量评价提供了新的途径，工作人员可以在施工碾压过程中实时获得更多的质量控制指标数据，如运行轨迹、运行速度、碾压遍数、平整度、层厚等，但基于碾压施工质量实时监控系统的质量评价分析主要集中在道路施工领域。长安大学基于公路路基GPS(Navigation Satellite Timing AndRanging Global Position System)碾压施工质量实时监控系统，利用压实度推导公式和数理统计方法，结合道路碾压工艺中各项质量控制指标(运行轨迹、运行速度、碾压遍数、平整度、层厚)建立压实度随干密度、含水量、碾压层厚度变化的数学模型，以山西某高速公路路基填筑工程为例进行了路基压实度评价；重庆交通大学基于横波传播规律，得到路基在不同饱和状态下的土石复合介质压实度波动反演模型，提出一种土体击实试样的横波波速测试方法，并将该方法运用在奉新昌铜高速、会昌瑞寻高速等路基工程的运用，通过波动模型计算、曲线标定、灌砂法三种途径对路基填筑质量进行对比分析与评价。

我国在水利工程施工碾压质量评价方面的研究较少。四川大学通过对冶勒大坝填筑施工中影响堆石填筑体整体干密度的各种因素进行分析计算，将质量控制和坝坡稳定复核计算参数的选取结合起来，评价坝体的填筑质量。天津大学依托心墙堆石坝施工质量实时监控技术，提出全仓面碾压质量分析的具体流程，得到仓面任意位置的干密度以及全仓面的碾压质量达标率，并根据碾压参数和压实质量标准之间的映射关系，建立全仓面碾压质量估算的人工神经网络模型，提出全仓面碾压质量的评估方法；针对高填方渠道的施工质量控制问题，建立渠道碾压的压实度预测模型，获得了渠道碾压的压实度分布，实现了对渠道填筑质量的碾压评估，克服了利用现场试验检测压实度只能对有限个点进行压实质量分析的局限性。综上所述，现已开展的坝体碾压质量评价分析仅将碾压参数作为干密度的影响因素，没有考虑对干密度(或孔隙率)有重要影响的料源特性(料源级配、含水率等)等因素，主要以干密度(或孔隙率)作为单一指标，没有对预测得到的孔隙率进行可靠性分析，未考虑各因素的变异性对干密度(或孔隙率)的影响。

发明内容

为克服现有技术的不足，为实际施工质量控制提供切实可行的依据，本发明采取的技术方案是，面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，具体包括下列步骤：

(1)利用面板堆石坝碾压质量实时监控系统和现场试坑试验获得相关参数数据；

(2)建立坝体全仓面孔隙率分布预测模型；

(3)对预测得到的孔隙率进行可靠性分析；

(4)提出仓面的耦合孔隙率-可靠性二元评价指标。

利用面板堆石坝碾压质量实时监控系统和现场试坑试验获得相关参数数据具体为：依托面板堆石坝填筑碾压施工质量实时监控系统得到激振力状态、碾压遍数和碾压厚度参数数据，依托现场仓面试坑试验得到试验位置处的含水率、料源级配、小粒径颗粒含量和压实质量参数数据。

建立坝体全仓面孔隙率分布预测模型具体为：以堆石料碾压过程中包括碾压遍数、激振力状态和压实厚度的碾压参数结合坝体施工现场试坑试验获得的坝料含水率、坝料级配和孔隙率等数据作为训练样本，利用精英保留策略的遗传算法优化人工神经网络，建立孔隙率的预测模型，实现坝体全仓面孔隙率的求解。

对预测得到的孔隙率进行可靠性分析具体为：采用孔隙率预测模型得到坝体孔隙率的不可靠性主要来源于含水率、细粒料含量和坝料级配参数的变异性；首先，基于含水率、曲率系数和不均匀系数的分布曲线得到三个变异性参数的概率累计曲线，选取含水率、曲率系数和不均匀系数的概率累积曲线上多个相同的累积概率点对应的参数值；其后，通过碾压孔隙率预测模型可以拟合得到相应的受影响参数变异性影响的孔隙率分布；得到的孔隙率的分布方程,其分布反映了面板堆石坝坝体孔隙率变异性情况；由孔隙率分布可以推求得到孔隙率分布的变异性，变异性反映了坝体孔隙率分布的离散性大小，基于孔隙率分布用由公式求解孔隙率参数的变异性，得到孔隙率变异性系数。

提出仓面的耦合孔隙率-可靠性二元评价指标具体胃：仓面的孔隙率可靠性综合分析指标Q用满足坝体区域设计要求孔隙率值，即P<21％，和可靠性指标大于95％的仓面点占总仓面面积的比例方程表示：

$Q=\frac{1}{\mathrm{mn}}{\mathrm{\&Sigma;}}_{i-1}^m{\mathrm{\&Sigma;}}_{j-1}^n\left\{(P_{\mathrm{ij}},{P_{\mathrm{ij}}}^{\&prime;})\right|P_{\mathrm{ij}}<21\%,{P_{\mathrm{ij}}}^{\&prime;}>95\%\}$

其中，m、n为坝体仓面的x、y方向的边界长，单位m；P_ij为对应仓面内某坐标点的孔隙率值，单位为％，P′_ij表示碾压质量满足坝体设计要求的可靠性，单位为％。

利用精英保留策略的遗传算法优化人工神经网络，建立孔隙率的预测模型，实现坝体全仓面孔隙率的求解具体为：

(1)人工神经网络结构的确定：人工网络为输入层、隐层、输出层3层结构；输入、输出层节点数根据输入、输出变量个数确定，隐层节点根据遗传算法自适应择优选择；

(2)对神经网络的权值和阈值编码，得到初始种群，遗传算法不能直接处理问题空间的参数，这里通过采用10位的二进制编码把要求问题的可行解表示成遗传空间的染色体或个体；

(3)解码得到权值和阈值，将权值和阈值赋给人工网络，使用样本训练、测试网络，采用Levenberg-Marquardt算法对神经网络进行训练，训练迭代次数为1000，误差目标为0.01，学习速率0.5；隐层神经元和输出神经元的激活函数分别用S型正切函数和S型对数函数：

S型正切函数x为隐含层输入元素

S型对数函数x′为输出层输入元素；

(4)根据误差计算适应度：选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出：

适应度函数 $F\left(M\right)=\frac{1}{M}$

M为目标函数 $M=\sqrt{{(d_1-o_1)}^2+...+{(d_i-o_i)}^2}$

d_i为实际输出值，O_i为期望输出值；

(5)通过选择，交叉，变异算子操作产生新种群。采用轮盘赌法以0.9的概率选择优良个体组成新种群；随机选择种群中2个个体进行单点交叉以产生新的优秀个体，交叉概率设为0.7；为了维持种群的多样性，以0.01的概率产生变异基因数；

(6)把新产生的基因和父代精英个体加入到种群中；删除种群中适应度最低的基因，恢复种群原规模；产生的新种群满足要求或者达到遗传迭代次数则解码得到最佳神经网络的权值和阈值，否则转(3)；

(7)在最优化并且稳定的神经网络基础上进行坝体孔隙率预测。

与已有技术相比，本发明的技术特点与效果：

本发明利用实时监控系统获取碾压数据，利用现场试坑试验获得相关参数数据，建立精英保留策略遗传神经网络的孔隙率预测模型，实现坝体全仓面孔隙率分布的求解，在考虑孔隙率影响参数变异性的条件下将可靠性理论引入面板堆石坝坝体碾压质量研究，进行耦合孔隙率-可靠性的坝体施工碾压质量的二元评价分析，为实际施工质量控制提供了切实可行的依据。

附图说明

图1为孔隙率及可靠性二元耦合分析具体研究流程。

图2为精英保留策略遗传算法优化的神经网络模型架构。

具体实施方式

针对面板堆石坝现有施工碾压质量评价方法的不足，本发明利用实时监控系统获取碾压数据，利用现场试坑试验获得相关参数数据，建立精英保留策略遗传神经网络的孔隙率预测模型，实现坝体全仓面孔隙率分布的求解，在考虑孔隙率影响参数变异性的条件下将可靠性理论引入面板堆石坝坝体碾压质量研究，进行耦合孔隙率-可靠性的坝体施工碾压质量的二元评价分析，为实际施工质量控制提供切实可行的依据。

面板堆石坝仓面的碾压质量，对水利工程的安全运行具有重要意义，怎样进行仓面碾压质量评价已成为水利工程需要解决的问题。本发明旨在克服现有技术的不足，基于面板堆石坝施工碾压质量实时监控系统和现场试坑试验，建立全仓面孔隙率预测模型，进行孔隙率变异性分析，得到仓面耦合孔隙率-可靠性二元分析指标。为达到上述目的，本发明包括以下内容：

(2)利用面板堆石坝碾压质量实时监控系统和现场试坑试验获得相关参数数据；

(2)建立坝体全仓面孔隙率分布预测模型；

(3)对预测得到的孔隙率进行可靠性分析；

(4)提出仓面的耦合孔隙率-可靠性二元评价指标。

1、利用面板堆石坝碾压质量实时监控系统和现场试坑试验获得参数数据

本发明依托面板堆石坝填筑碾压施工质量实时监控系统得到激振力状态、碾压遍数和碾压厚度等参数数据，依托现场仓面试坑试验得到试验位置处的含水率、料源级配(不均匀系数、曲率系数)、小粒径颗粒含量(粒径小于5㎜颗粒含量、粒径小于0.075㎜颗粒含量参数)和压实质量(孔隙率)等参数数据。

2、建立坝体全仓面孔隙率分布预测模型

现场试坑试验仅能得到试验点的孔隙率值，不能得到全仓面孔隙率的分布。本发明以堆石料碾压过程中各碾压参数(碾压遍数、激振力状态和压实厚度)结合坝体施工现场试坑试验获得的坝料含水率、坝料级配和孔隙率等数据作为训练样本，利用精英保留策略的遗传算法优化人工神经网络，建立孔隙率的预测模型，实现坝体全仓面孔隙率的求解。

3、对预测得到的孔隙率进行可靠性分析

采用孔隙率预测模型得到坝体孔隙率的不可靠性主要来源于含水率、细粒料含量和坝料级配参数的变异性。首先，基于含水率、曲率系数和不均匀系数的分布曲线可以得到三个变异性参数的概率累计曲线，选取含水率、曲率系数和不均匀系数的概率累积曲线上多个相同的累积概率点对应的参数值；其后，通过碾压孔隙率预测模型可以拟合得到相应的受影响参数变异性影响的孔隙率分布。得到的孔隙率的分布方程,其分布反映了面板堆石坝坝体孔隙率变异性情况。由孔隙率分布可以推求得到孔隙率分布的变异性，变异性反映了坝体孔隙率分布的离散性大小，基于孔隙率分布可以用由公式求解孔隙率参数的变异性，可以得到孔隙率变异性系数。

4、提出仓面的耦合孔隙率-可靠性二元评价指标

仓面的孔隙率可靠性综合分析指标Q可用满足坝体区域设计要求孔隙率值(即P<21％)和可靠性指标大于95％的仓面点占总仓面面积的比例方程表示：

$Q=\frac{1}{\mathrm{mn}}{\mathrm{\&Sigma;}}_{i-1}^m{\mathrm{\&Sigma;}}_{j-1}^n\left\{(P_{\mathrm{ij}},{P_{\mathrm{ij}}}^{\&prime;})\right|P_{\mathrm{ij}}<21\%,{P_{\mathrm{ij}}}^{\&prime;}>95\%\}$

其中，m、n为坝体仓面的x、y方向的边界长，单位m；P_ij为对应仓面内某坐标点的孔隙率值，单位为％，P′_ij表示碾压质量满足坝体设计要求的可靠性，单位为％。

本发明基于面板堆石坝施工质量实时监控系统，建立全仓面孔隙率预测模型，进行孔隙率变异性分析，得到仓面孔隙率及可靠性分析指标。总体技术流程见图1，该方法具体包括：

(1)利用面板堆石坝碾压质量实时监控系统和现场试坑试验获得参数数据；

(2)建立坝体全仓面孔隙率分布预测模型；

(3)对预测得到的孔隙率进行可靠性分析；

(4)计算仓面的耦合孔隙率-可靠性二元评价指标。

1、从面板堆石坝碾压质量实时监控系统和现场试坑试验获得参数数据

(1)基于面板堆石坝填筑碾压施工质量实时监控系统得到的碾压遍数图形报告，包括静碾遍数图形报告、振碾遍数图形报告、碾压总遍数图形报告、碾压高程图形报告及压实厚度图形报告，分别统计出不振动碾压的遍数、振动碾压的遍数、碾压的总遍数、碾压高程和碾压厚度；

(2)根据实际工程中的仓面挖坑试验确定的试坑试验位置处的含水率、料源级配(不均匀系数、曲率系数)、小粒径颗粒含量(粒径小于5㎜颗粒含量、粒径小于0.075㎜颗粒含量参数)和压实质量(孔隙率)参数。

2、建立坝体全仓面孔隙率分布预测模型

本发明以堆石料碾压过程中各碾压参数(碾压遍数、振动状态和压实厚度)结合坝体施工现场试坑试验获得的坝料含水率、坝料级配和孔隙率等数据作为训练样本，利用精英保留策略的遗传神经网络建立坝体孔隙率的预测模型，并验证其模型精度。具体步骤如下：

(1)人工神经网络结构的确定。人工网络为输入层、隐层、输出层3层结构。输入、输出层节点数根据输入、输出变量个数确定，隐层节点根据遗传算法自适应择优选择；

(2)对神经网络的权值和阈值编码，得到初始种群。遗传算法不能直接处理问题空间的参数，这里通过采用10位的二进制编码把要求问题的可行解表示成遗传空间的染色体或个体；

(3)解码得到权值和阈值，将权值和阈值赋给人工网络，使用样本训练、测试网络。采用Levenberg-Marquardt算法对神经网络进行训练，训练迭代次数为1000，误差目标为0.01，学习速率0.5；隐层神经元和输出神经元的激活函数分别用S型正切函数和S型对数函数：

S型正切函数x为隐含层输入元素

S型对数函数x′为输出层输入元素；

(4)根据误差计算适应度。适应度函数是用来区分群体中个体好坏的标准，是进行自然选择的标准，一般由目标函数加以变换得到。选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出。

适应度函数 $F\left(M\right)=\frac{1}{M}$

M为目标函数 $M=\sqrt{{(d_1-o_1)}^2+...+{(d_i-o_i)}^2}$

d_i为实际输出值，O_i为期望输出值；

(5)通过选择，交叉，变异算子操作产生新种群。采用轮盘赌法以0.9的概率选择优良个体组成新种群；随机选择种群中2个个体进行单点交叉以产生新的优秀个体，交叉概率设为0.7；为了维持种群的多样性，以0.01的概率产生变异基因数；

(6)把新产生的基因和父代精英个体加入到种群中；删除种群中适应度最低的基因，恢复种群原规模；产生的新种群满足要求或者达到遗传迭代次数则解码得到最佳神经网络的权值和阈值，否则转(3)；

(7)在最优化并且稳定的神经网络基础上进行坝体孔隙率预测。

3、对预测得到的孔隙率进行可靠性分析

采用孔隙率预测方法得到的坝体孔隙率参数分布值的不可靠性则来源于含水率、细粒料含量和坝料级配参数的变异性。首先，基于含水率、曲率系数和不均匀系数的分布曲线可以得到三个变异性参数的概率累计曲线，选取含水率、曲率系数和不均匀系数的概率累积曲线上多个相同的累积概率点对应的参数值；其后，通过碾压孔隙率预测模型可以拟合得到相应的受影响参数变异性影响的孔隙率分布。得到的孔隙率的分布方程,其分布反映了面板堆石坝坝体孔隙率变异性情况。由孔隙率分布可以推求得到孔隙率分布的变异性，变异性反映了坝体孔隙率分布的离散性大小，基于孔隙率分布可以用由公式求解孔隙率参数的变异性，可以得到孔隙率变异性系数。具体计算公式如下：

(1)建立孔隙率预测的神经网络模型，模型输入为每个网格上碾压遍数、压实厚度、激振力状况、含水率、不均匀系数和曲率系数、粒径小于5㎜颗粒含量、粒径小于0.075㎜颗粒含量，输出为该网格处的孔隙率，从而获取到坝体仓面的孔隙率分布数据。

P＝F(W,C_c,C_u,N,H,D₅,D_0.075,Λ)

式中：W为测点含水率、C_c为填料颗粒不均匀系数、C_u为填料曲率系数、N为碾压遍数、H碾压层厚度(m)、D₅为粒径小于5㎜颗粒含量(％)、D_0.075粒径小于0.075㎜颗粒含量(％)，Λ为其它孔隙率计算参数。

(2)根据含水率、坝料不均匀系数、曲率系数、粒径小于5㎜颗粒含量、粒径小于0.075㎜颗粒含量参数的分布情况计算影响因子的最大可能值，然后得到孔隙率中值(最大可能压实孔隙率值)的计算方程：

$\stackrel{\&OverBar;}{P}=F(\stackrel{\&OverBar;}{W},\stackrel{\&OverBar;}{C_c},\stackrel{\&OverBar;}{C_u},N,H,\stackrel{\&OverBar;}{D_5},\stackrel{\&OverBar;}{D_{0.075}},\mathrm{\&Lambda;})$

式中：分别为测点含水率、填料颗粒不均匀系数、填料曲率系数、粒径小于5mm颗粒含量、粒径小于0.075mm颗粒含量的最大可能值。在实际应用中，孔隙率中值可近似作为孔隙率值的期望，即：

(3)实际孔隙率值由多个相互独立分布的影响因子的确定，由孔隙率分布数据可求得孔隙率方差D(P)，则孔隙率变异性系数的表达式可定义为：

${\mathrm{\&delta;}}_P=\sqrt{D\left(P\right)}/E\left(P\right)$

(4)由孔隙率分布得到孔隙率分布函数进而可求得某碾压测点可靠性指标P′：

$p^{\&prime;}=1-p(P<\mathrm{\&lambda;})=\underset{w}{\overset{x_1}{\&Integral;}}\{y_0-\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}*\exp (-0.5*{((x_1-x_0)/\mathrm{\&sigma;})}^2)\}{d}_{x_1}$

其中，w为孔隙率取值的下限(孔隙率分布的最小值)，p(P<λ)为某点孔隙率不满足施工要求的概率，λ为施工要求孔隙率指标(P<21％)，σ为孔隙率分布的标准差(x_o,y_o)为孔隙率分布函数分布中值处的坐标，x₁为某点孔隙率值。

4、计算仓面的耦合孔隙率-可靠性二元评价指标

仓面的孔隙率可靠性综合分析指标Q可用满足坝体区域设计要求孔隙率值(即P<21％)和可靠性指标大于95％的仓面点占总仓面面积的比例方程表示：

$Q=\frac{1}{\mathrm{mn}}{\mathrm{\&Sigma;}}_{i-1}^m{\mathrm{\&Sigma;}}_{j-1}^n\left\{(P_{\mathrm{ij}},{P_{\mathrm{ij}}}^{\&prime;})\right|P_{\mathrm{ij}}<21\%,{P_{\mathrm{ij}}}^{\&prime;}>95\%\}$

其中，m、n为坝体仓面的x、y方向的边界长，单位m；P_ij为对应仓面内某坐标点的孔隙率值，单位为％，P′_ij表示碾压质量满足坝体设计要求的可靠性，单位为％。

计算得到仓面碾压质量的孔隙率-可靠性二元评价指标后，依据相关标准对仓面碾压质量进行评价。

Claims (6)

1.一种面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，包括下列步骤：

(1)利用面板堆石坝碾压质量实时监控系统和现场试坑试验获得相关参数数据；

(2)建立坝体全仓面孔隙率分布预测模型；

(3)对预测得到的孔隙率进行可靠性分析；

(4)提出仓面的耦合孔隙率-可靠性二元评价指标。

2.如权利要求1所述的面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，利用面板堆石坝碾压质量实时监控系统和现场试坑试验获得相关参数数据具体为：依托面板堆石坝填筑碾压施工质量实时监控系统得到激振力状态、碾压遍数和碾压厚度参数数据，依托现场仓面试坑试验得到试验位置处的含水率、料源级配、小粒径颗粒含量和压实质量参数数据。

3.如权利要求1所述的面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，建立坝体全仓面孔隙率分布预测模型具体为：以堆石料碾压过程中包括碾压遍数、激振力状态和压实厚度的碾压参数结合坝体施工现场试坑试验获得的坝料含水率、坝料级配和孔隙率等数据作为训练样本，利用精英保留策略的遗传算法优化人工神经网络，建立孔隙率的预测模型，实现坝体全仓面孔隙率的求解。

4.如权利要求1所述的面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，对预测得到的孔隙率进行可靠性分析具体为：采用孔隙率预测模型得到坝体孔隙率的不可靠性主要来源于含水率、细粒料含量和坝料级配参数的变异性；首先，基于含水率、曲率系数和不均匀系数的分布曲线得到三个变异性参数的概率累计曲线，选取含水率、曲率系数和不均匀系数的概率累积曲线上多个相同的累积概率点对应的参数值；其后，通过碾压孔隙率预测模型可以拟合得到相应的受影响参数变异性影响的孔隙率分布；得到的孔隙率的分布方程,其分布反映了面板堆石坝坝体孔隙率变异性情况；由孔隙率分布可以推求得到孔隙率分布的变异性，变异性反映了坝体孔隙率分布的离散性大小，基于孔隙率分布用由公式求解孔隙率参数的变异性，得到孔隙率变异性系数。

5.如权利要求1所述的面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，提出仓面的耦合孔隙率-可靠性二元评价指标具体为：仓面的孔隙率可靠性综合分析指标Q用满足坝体区域设计要求孔隙率值，即P<21％，和可靠性指标大于95％的仓面点占总仓面面积的比例方程表示：

$Q=\frac{1}{\mathrm{mn}}{\mathrm{\&Sigma;}}_{i-1}^m{\mathrm{\&Sigma;}}_{j-1}^n\left\{(P_{\mathrm{ij}},{P_{\mathrm{ij}}}^{\&prime;})\right|P_{\mathrm{ij}}<21\%,{P_{\mathrm{ij}}}^{\&prime;}>95\%\}$

其中，m、n为坝体仓面的x、y方向的边界长，单位m；P_ij为对应仓面内某坐标点的孔隙率值，单位为％，P′_ij表示碾压质量满足坝体设计要求的可靠性，单位为％。

6.如权利要求3所述的面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法，其特征是，利用精英保留策略的遗传算法优化人工神经网络，建立孔隙率的预测模型，实现坝体全仓面孔隙率的求解具体为：

(1)人工神经网络结构的确定：人工网络为输入层、隐层、输出层3层结构；输入、输出层节点数根据输入、输出变量个数确定，隐层节点根据遗传算法自适应择优选择；

(2)对神经网络的权值和阈值编码，得到初始种群，遗传算法不能直接处理问题空间的参数，这里通过采用10位的二进制编码把要求问题的可行解表示成遗传空间的染色体或个体；

(3)解码得到权值和阈值，将权值和阈值赋给人工网络，使用样本训练、测试网络，采用Levenberg-Marquardt算法对神经网络进行训练，训练迭代次数为1000，误差目标为0.01，学习速率0.5；隐层神经元和输出神经元的激活函数分别用S型正切函数和S型对数函数：

S型正切函数x为隐含层输入元素；

S型对数函数x′为输出层输入元素；

(4)根据误差计算适应度：选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出：

适应度函数 $F\left(M\right)=\frac{1}{M}$

M为目标函数 $M=\sqrt{{(d_1-o_1)}^2+...+{(d_i-o_i)}^2}$

d_i为实际输出值，O_i为期望输出值；

(5)通过选择，交叉，变异算子操作产生新种群。采用轮盘赌法以0.9的概率选择优良个体组成新种群；随机选择种群中2个个体进行单点交叉以产生新的优秀个体，交叉概率设为0.7；为了维持种群的多样性，以0.01的概率产生变异基因数；

(6)把新产生的基因和父代精英个体加入到种群中；删除种群中适应度最低的基因，恢复种群原规模；产生的新种群满足要求或者达到遗传迭代次数则解码得到最佳神经网络的权值和阈值，否则转(3)；

(7)在最优化并且稳定的神经网络基础上进行坝体孔隙率预测。