一种重力坝安全变形预警指标拟定方法及系统
技术领域
本发明涉及一种重力坝安全变形预警指标拟定方法及系统,属于水力发电领域。
背景技术
大坝变形主要因素包括水压、泥沙压力等直接荷载以及温度作用等间接荷载,同时还包括材料粘性与流变特性、水化反应或化学反应特性、结构与材料损伤开裂等多种成分,其中部分变形因素与大坝整体安全度关系不大,如太阳辐射日变幅导致的温度变形以及表面干湿变化导致的弹性变形等。现有大坝变形预警指标拟定方法剔除了这些无关因素,也没有将变形值同大坝工程等级以及具体的安全度联系起来,而是简单地认为变形绝对值越大大坝就越不安全,因此现有获取大坝安全变形预警指标的方法不严谨。
发明内容
本发明提供了一种重力坝安全变形预警指标拟定方法及系统,解决了背景技术中披露的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种重力坝安全变形预警指标拟定方法,包括,
根据大坝对应的考虑分项系数的设计规范,确定大坝设计状况下临界强度储备系数/滑动面屈服区上下游宽度临界百分比;
将不同设计状况下的临界强度储备系数/滑动面屈服区上下游宽度临界百分比、及相应荷载输入预先训练好的神经网络模型,获得设计状况下的变形预警指标;其中,神经网络模型的训练和检验样本采用描述所有变形分量及其演化特征的大坝-基础本构模型及大坝-基础多场耦合力学模型获取。
获取训练和检验样本的过程为,
1)基于大坝的变形机理和影响因素、基础的变形机理和影响因素,考虑所有变形分量,构建大坝-基础的本构模型;
2)考虑饱和-非饱和渗流、变形-应力-渗流-温度多场耦合特征,构建大坝-基础多场耦合力学模型;
3)根据大坝-基础的本构模型和大坝-基础的多场耦合力学模型,构建大坝-基础最优数值模型;
4)根据大坝设计状况荷载变化区间及其组合,选定当前时段不同代表性工况,根据大坝-基础最优数值模型获取当前时段不同代表性工况下的变形、扬压力、应变和坝体温度;
5)判断不同代表性工况下的变形、扬压力、应变和坝体温度是否与实测资料匹配,若匹配,则转至步骤6,否则调整大坝-基础本构模型,转至步骤2;
6)当前大坝-基础本构模型为最优大坝-基础本构模型,根据大坝-基础本构模型、大坝-基础多场耦合力学模型和相应的大坝-基础最优数值模型,计算不同代表性工况下的临界强度储备系数/滑动面屈服区上下游宽度临界百分比,构建训练和检验样本。
大坝-基础的本构模型包括大坝混凝土饱和-非饱和状态下的有效应力模型、基础材料饱和-非饱和状态下的有效应力模型、大坝的总应变变化模型和基础的总应变变化模型;
其中,大坝混凝土饱和-非饱和状态下的有效应力模型和基础材料饱和-非饱和状态下的有效应力模型公式一致,如下:
σij=σ′ij-(1-η)[χuw+(1-χ)ua]δij
其中,σij为饱和-非饱和状态下的有效应力,σ′ij为总应力,η为材料系数,χ为饱和度系数,uw、ua分别为渗透力和空气压力,δij为Kronecker函数;
大坝的总应变变化模型公式:
其中,
分别为总应变变化、弹性应变变化、黏弹性应变变化、黏塑性应变变化、温度应变变化、化学应变变化、干湿应变变化和流变应变变化;
基础的总应变变化模型公式相较于大坝的总应变变化模型公式少了化学应变变化和干湿应变变化,其与均一致。
其中,G0为弹性剪切模量,sij为应力偏张量,K为体积模量,σmδij为应力球张量;
其中,G1为黏弹性剪切模量,η1为黏弹性剪切黏滞系数,t为时间;
其中,η2为黏塑剪切黏滞系数,φ(·)为幂函数,Q为塑性势函数,F为屈服函数,F0为屈服函数初始值;
其中,β为混凝土骨架的线膨胀系数、
为温度变化,I为单位张量;
其中,αs为与孔隙介质体积模量相关的系数,S为饱和度,PC为毛细压力;
其中,τ为广义剪应力,ηnl为材料参数,εnl为材料流变参数,ε11为最大主应变。
采用多场耦合强度折减法计算不同代表性工况下的临界强度储备系数/滑动面屈服区上下游宽度临界百分比。
根据大坝设计状况荷载变化区间及其组合,采用均匀设计方法选定当前时段不同代表性工况,根据大坝-基础最优数值模型获取当前时段不同代表性工况下的变形、扬压力、应变和坝体温度。
一种重力坝安全变形预警指标拟定系统,包括,
滑动面的屈服区临界贯通率模块:根据大坝对应的考虑分项系数的设计规范,确定大坝设计状况下临界强度储备系数/滑动面屈服区上下游宽度临界百分比;
网络模型模块:将不同设计状况下的临界强度储备系数/滑动面屈服区上下游宽度临界百分比、及相应荷载输入预先训练好的神经网络模型,获得设计状况下的变形预警指标;其中,神经网络模型的训练和检验样本采用描述所有变形分量及其演化特征的大坝-基础本构模型及大坝-基础多场耦合力学模型获取。
训练和检验样本获取模块包括,
本构模型模块:基于大坝的变形机理和影响因素、基础的变形机理和影响因素,考虑所有变形分量,构建大坝-基础本构模型;
力学模型模块:考虑饱和-非饱和渗流、变形-应力-渗流-温度多场耦合特征,构建大坝-基础多场耦合力学模型;
数值模型模块:根据大坝-基础的本构模型和大坝-基础的多场耦合力学模型,构建大坝-基础最优数值模型;
计算模块:根据大坝设计状况荷载变化区间及其组合,选定当前时段不同代表性工况,根据大坝-基础最优数值模型获取当前时段不同代表性工况下的变形、扬压力、应变和坝体温度;
判断模块:判断不同代表性工况下的变形、扬压力、应变和坝体温度是否与实测资料匹配,若匹配,则转至样本构建模块,否则调整大坝-基础本构模型,转至力学模型模块;
样本构建模块:当前大坝-基础本构模型为最优大坝-基础本构模型,根据大坝-基础本构模型、大坝-基础多场耦合力学模型和相应的大坝-基础最优数值模型,计算不同代表性工况下的临界强度储备系数/滑动面屈服区上下游宽度临界百分比,构建训练和检验样本。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行重力坝安全变形预警指标拟定方法。
一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行重力坝安全变形预警指标拟定方法的指令。
本发明所达到的有益效果:本发明采用描述所有变形分量及其演化特征的大坝-基础本构模型、大坝-基础多场耦合力学模型获取样本,训练神经网络模型,获得设计状况下的变形预警指标;不仅考虑了所有变形特征,而且将变形值同大坝的安全度、工程等级和安全风险联系起来,获取的指标更加严谨。
附图说明
图1为本发明方法的流程图;
图2为神经网络模型示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种重力坝安全变形预警指标拟定方法,包括以下步骤:
步骤1,根据大坝对应的考虑分项系数的设计规范,确定大坝设计状况下临界强度储备系数/滑动面屈服区上下游宽度临界百分比;其中大坝屈服面全贯通时选择临界强度储备系数,大坝屈服面部分贯通时选用滑动面屈服区上下游宽度临界百分比。
步骤2,将不同设计状况下的临界强度储备系数/滑动面屈服区上下游宽度临界百分比、及相应荷载输入预先训练好的神经网络模型,获得设计状况下的变形预警指标;其中,神经网络模型的训练和检验样本采用描述所有变形分量及其演化特征的大坝-基础本构模型及大坝-基础多场耦合力学模型获取。
荷载包括水荷载、气温荷载和泥沙压力等,水荷载包括影响变形量的当日及前数日水荷载,具体项数根据水位与变形的相关性和灵敏度分析得到。气温包括影响变形量的当日及前数日气温,具体项数根据气温与变形的相关性和灵敏度分析得到。
神经网络模型具体训练过程如下:
1)获取训练样本和检验样本。
11)基于大坝的变形机理和影响因素、基础的变形机理和影响因素,充分模拟大坝结构和材料特征、基础结构和材料特征,考虑所有变形分量,构建大坝-基础本构模型;
大坝-基础即将大坝和基础作为一个整体,在本领域中,通常也将大坝-基础统称为大坝。
大坝结构和材料特征、基础结构和材料特征,主要包括多孔介质和断层裂隙;变形分量包括黏弹性、粘塑性、水化变形和温度变形等。
大坝-基础本构模型需要准确描述结构和材料特性,包括大坝混凝土饱和-非饱和状态下的有效应力模型、基础材料饱和-非饱和状态下的有效应力模型、大坝的总应变变化模型和基础的总应变变化模型;具体如下:
大坝混凝土饱和-非饱和状态下的有效应力模型和基础材料(基础岩石)饱和-非饱和状态下的有效应力模型公式一致。在孔隙压力作用下,应用广义有效应力原理,获得饱/非饱和状态下的有效应力模型为:
σij=σ′ij-(1-η)pδij
=σ′ij-(1-η)[χuw+(1-χ)ua]δij
其中,σij为饱和-非饱和状态下的有效应力,σ′ij为总应力,η为材料系数,χ为饱和度系数,uw、ua分别为渗透力和空气压力,δij为Kronecker函数,p为平均流体压力。
大坝的总应变变化模型公式为:
其中,
分别为大坝的总应变变化、弹性应变变化、黏弹性应变变化、黏塑性应变变化、温度应变变化、化学应变变化、干湿应变变化和流变应变变化;
基础的总应变变化模型公式相较于大坝的总应变变化模型公式少了化学应变变化和干湿应变变化,其与均一致,即
其中,G0为弹性剪切模量,sij为应力偏张量,K为体积模量,σmδij为应力球张量;
其中,G1为黏弹性剪切模量,η1为黏弹性剪切黏滞系数,t为时间;
其中,η2为黏塑剪切黏滞系数,φ(·)为幂函数,Q为塑性势函数,F为屈服函数,F0为屈服函数初始值;
其中,β为混凝土骨架的线膨胀系数、
为温度变化,I为单位张量;
其中,αs为与孔隙介质体积模量相关的系数,S为饱和度,PC为毛细压力;
其中,τ为广义剪应力,ηnl为材料参数,εnl为材料流变参数,ε11为最大主应变。
12)充分考虑饱和-非饱和渗流、变形-应力-渗流-温度多场耦合特征,构建大坝-基础多场耦合力学模型;该模型为常见的模型,这里不详细描述。
13)根据大坝-基础的本构模型和大坝-基础的多场耦合力学模型,构建大坝-基础最优数值模型。
大坝-基础最优数值模型采用基于等几何分析的无网格法-有限元耦合建立,对于几何形状不规则或存在开裂大变形等部位采用基于等几何分析的无网格法,其余部位采用有限元法。
14)根据大坝所处环境下水位、温度等荷载变化区间(即大坝设计状况荷载变化区间)及其组合,根据神经网络模型训练和检验样本数的要求,按均匀设计方法选定当前时段不同代表性工况(工况数量根据神经网络模型训练和检验要求确定),根据大坝-基础最优数值模型获取当前时段不同代表性工况下的变形、扬压力、应变和坝体温度。
15)判断不同代表性工况下的变形、扬压力、应变和坝体温度是否与实测资料匹配,若匹配,则转至步骤6,否则调整大坝-基础本构模型,转至步骤2。
16)当前大坝-基础本构模型为最优大坝-基础本构模型,根据大坝-基础本构模型、大坝-基础多场耦合力学模型和相应的大坝-基础最优数值模型,采用多场耦合强度折减法计算不同代表性工况下的临界强度储备系数/滑动面屈服区上下游宽度临界百分比,构建训练和检验样本。
一个样本包括一个代表性工况下的临界强度储备系数/滑动面屈服区上下游宽度临界百分比、测点变形、水位荷载和气温荷载等,其中训练样本和检验样本分别为总样本数的4/5和1/5,且样本各自数量应满足神经网络训练收敛和检验有效性的要求。
2)使用训练样本训练神经网络模型,使用检验样本检验神经网络模型,直到模型的鲁棒性、泛化能力和精度等指标满足要求为止。
如图2所述,神经网络模型采用卷积神经网络模型,神经网络结构采用“自动神经网络结构搜索法”确定。获取设计状况下变形预警指标时,输入包括与变形有关的荷载、设计状况下的临界强度储备系数/滑动面屈服区上下游宽度临界百分比,输出为相应变形预警指标。
上述方法采用描述所有变形分量及其演化特征的大坝-基础本构模型及大坝-基础多场耦合力学模型获取样本,训练神经网络模型,获得设计状况下变形预警指标;不仅考虑了所有变形特征,而且将变形值同大坝的安全度、工程等级和安全风险联系起来,获取的指标更加严谨。
一种重力坝安全变形预警指标拟定系统,包括,
滑动面的屈服区临界贯通率模块:根据大坝对应的考虑分项系数的设计规范,确定大坝设计状况下临界强度储备系数/滑动面屈服区上下游宽度临界百分比;
网络模型模块:将不同设计状况下的临界强度储备系数/滑动面屈服区上下游宽度临界百分比、及相应荷载输入预先训练好的神经网络模型,获得设计状况下的变形预警指标;其中,神经网络模型的训练和检验样本采用描述所有变形分量及其演化特征的大坝-基础本构模型及大坝-基础多场耦合力学模型获取。
训练和检验样本获取模块包括,
本构模型模块:基于大坝的变形机理和影响因素、基础的变形机理和影响因素,考虑所有变形分量,构建大坝-基础本构模型;
力学模型模块:考虑饱和-非饱和渗流、变形-应力-渗流-温度多场耦合特征,构建大坝-基础多场耦合力学模型;
数值模型模块:根据大坝-基础的本构模型和大坝-基础的多场耦合力学模型,构建大坝-基础最优数值模型;
计算模块:根据大坝设计状况荷载变化区间及其组合,选定当前时段不同代表性工况,根据大坝-基础最优数值模型获取当前时段不同代表性工况下的变形、扬压力、应变和坝体温度;
判断模块:判断不同代表性工况下的变形、扬压力、应变和坝体温度是否与实测资料匹配,若匹配,则转至样本构建模块,否则调整大坝-基础本构模型,转至力学模型模块;
样本构建模块:当前大坝-基础本构模型为最优大坝-基础本构模型,根据大坝-基础本构模型、大坝-基础多场耦合力学模型和相应的大坝-基础最优数值模型,计算不同代表性工况下的临界强度储备系数/滑动面屈服区上下游宽度临界百分比,构建训练和检验样本。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行重力坝安全变形预警指标拟定方法。
一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行重力坝安全变形预警指标拟定方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。