基于深度学习的饱和瞬态渗流问题计算方法技术

本发明专利技术涉及一种基于深度学习的饱和瞬态渗流问题的计算，属于人工智能和饱和瞬态渗流计算方法技术领域，首先构建神经网络模型，然后给予深度学习对数据集进行学习，输出神经网络模型参数，最后利用训练好的模型对渗流问题进行预测。通过对水头的实际分布情况进行统计，并将统计结果与本发明专利技术拟合的结果进行对比，深度学习神经网络对饱和瞬态问题的求解结构具有准确性和正确性，因此本发明专利技术提出的基于深度学习的饱和瞬态渗流问题取得了较好的效果。果。果。

【技术实现步骤摘要】
基于深度学习的饱和瞬态渗流问题计算方法


[0001]本专利技术涉及一种基于深度学习的饱和瞬态渗流问题的计算，属于人工智能和饱和瞬态渗流计算方法


技术介绍

[0002]在水利工程中经常遇到渗流问题。渗流会影响建筑物的受力情况以及结构物的材料性质等，所以，渗流关乎水工建筑物的安全性和可靠性。尤其在各类挡水建筑物中，如果不能有效应对渗流，则可能发生建筑物滑动、土体渗透破坏、渗漏水量过大等问题。国内外以往渗流研究的内容一般是过流体中浸润线的几何位置，过流体的水头场、水力坡降场和流速分布，渗流量，并以这些信息为基础，进行渗流的整体或局部渗流稳定性分析。
[0003]目前对饱和瞬态渗流问题的研究是在已知的边界条件和初始条件下求解渗流基本方程以求出渗流场的水头分布。技术人员利用模拟试验法、水力学法等方法，来通过试验或者寻找近似解法来对瞬态渗流问题进行求解。随着计算机和数值理论的不断发展，通过数值模拟求解渗流问题逐渐成为主流方法。其中，被较为广泛运用的方法有有限差分法、有限单元法等等。与前期采用的实验方法，数值模拟更为方便和高效。但是有限单元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的饱和瞬态渗流计算方法，其特征在于，建立神经网络模型的方法为：首先构建神经网络模型，然后给予深度学习对数据集进行学习，输出神经网络模型参数，最后利用训练好的模型对渗流问题进行预测步骤1：步骤1
‑
1：构建饱和瞬态渗流问题的计算域Ω；步骤2：编写饱和瞬态渗流问题的偏微分方程，公式如下：其中，k为渗透系数，H为水头，x，y分布为计算域的横坐标和纵坐标，t表示时间；步骤3：描述边界条件和初始条件，对于饱和瞬态问题，边界条件分为x，y和t的函数，分为以下3类：第一类边界条件为狄里克莱条件，为已知水头分布的边界条件。表达式如下：第二类边界条件条件为诺依曼条件，为已知边界的位势函数，表达式如下：第三类边界条件为混合边界条件，表达式如下：其中：α、k为常数，h为水头，q(x,y)为已知边界的位势函数，n为边界上的法向单位向量；初始条件可以简单地视为时空域上一种特殊类型的狄利克莱边界条件。初始条件为：H(x,y,0)＝H0；步骤4：将计算域、偏微分方程、边界条件和初始条件组合。在计算区域内随机采样训练点，并将偏微分方程、边界条件和初始条件分别分为两个训练集Γ
f
和Γ
b
作为训练神经网络的约束；步骤5：构建神经网络包括激活函数、神经...

【专利技术属性】
技术研发人员：周建，杨旸，迟福东，罗天富，汪强，黄青富，陈域，徐云泉，肖明东，宋洋，席隆海，潘登喜，
申请(专利权)人：中国电建集团昆明勘测设计研究院有限公司，
类型：发明
国别省市：