#trs_autoadd_1220927451863 { margin-top: 0px; font-size: 12pt; margin-bottom: 0px; line-height: 1.5; font-family: 宋体 } #trs_autoadd_1220927451863 p { margin-top: 0px; font-size: 12pt; margin-bottom: 0px; line-height: 1.5; font-family: 宋体 } #trs_autoadd_1220927451863 td { margin-top: 0px; font-size: 12pt; margin-bottom: 0px; line-height: 1.5; font-family: 宋体 } #trs_autoadd_1220927451863 div { margin-top: 0px; font-size: 12pt; margin-bottom: 0px; line-height: 1.5; font-family: 宋体 } #trs_autoadd_1220927451863 li { margin-top: 0px; font-size: 12pt; margin-bottom: 0px; line-height: 1.5; font-family: 宋体 } /**---json-- {"":{"line-height":"1.5","font-family":"宋体","font-size":"12pt","margin-top":"0","margin-bottom":"0"},"p":{"line-height":"1.5","font-family":"宋体","font-size":"12pt","margin-top":"0","margin-bottom":"0"},"td":{"line-height":"1.5","font-family":"宋体","font-size":"12pt","margin-top":"0","margin-bottom":"0"},"div":{"line-height":"1.5","font-family":"宋体","font-size":"12pt","margin-top":"0","margin-bottom":"0"},"li":{"line-height":"1.5","font-family":"宋体","font-size":"12pt","margin-top":"0","margin-bottom":"0"}} --**/

［摘 要］ 基于神经网络的非线性映射特性，在渗流有限元计算的基础上，结合水头和流量等实测资料提出了边坡渗透参数的反演方法。将该方法应用到南水北调中线工程高边坡渗流反演分析中，得到了能够反应工程实际的边坡土体的综合渗透参数；同时利用反演出的渗透参数进行渗流计算，结果表明，该方法对高边坡的渗透参数反演具有较高的识别精度，反演结果可靠。

 

［关键词］ 神经网络 渗透参数 反演 高边坡

 

1 前言

 

在一定环境量作用下，边坡工程的实测资料如测压管水头、渗漏量等都与边坡土体的渗透特性密切相关，而且这种变量之间的相关性通常表现出高度的非线性特性，难以准确地用数学、力学模型来描述。如何运用监测资料来反演边坡土体的实际渗透系数等参数，历来是渗流反演分析的重要课题之一。常见的反演方法有常规反演分析法、模型分析法以及将有限元数值方法和最优化方法结合的优化反演方法等［1］［2］。然而，这些方法都存在着工作量大、不确定因素较多、缺乏可操作性等缺点，越来越难以满足现代大型工程的实际应用要求。在这样背景下，随着人工智能的不断发展和现代高速计算机的出现，人工神经网络己被广泛运用到模式识别、参数反演等领域中。本文探讨利用南水北调中线穿黄工程南岸高边坡的现场观测资料，在数值模型分析的基础上，应用人工神经网络模型反演识别边坡土体的综合渗透系数的方法。

 

2 神经网络反演方法介绍

 

人工神经网络［3］（artificial neural network，简称ann），是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，它实际上是用大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行高度复杂非线性系统建模。人工神经网络涉及生物、电子、计算机、数学和物理等学科，有着非常广泛的应用背景。

 

2.1 人工神经元的结构

 

人工神经元是神经网络的最基本的单元结构，人工神经网络是由大量的人工神经元以一定规则有序排列而成的。一个典型的人工神经元如图1所示。

图中，x1,x2,…,xn为输入信号，ui为神经元内部状态，θi为阈值，wij为ui与其他神经元（uj）的连接权值，yi为神经元的输出，i