【技术实现步骤摘要】
本申请涉及水利工程，尤其涉及一种混凝土面板堆石坝稳定性分析方法及相关设备。
技术介绍
1、混凝土面板堆石坝是以堆石为主体材料，以混凝土面板为防渗主体的一种土石坝型。混凝土面板对坝体的沉降异常敏感，随着坝体材料长时间蠕变可能产生过大的沉降，造成面板背水一侧脱空。此时，混凝土面板在高水压力作用下易产生较大的局部拉应力，可能导致面板开裂止水失效，进而影响大坝整体的防渗性能，甚至引发管涌溃堤等巨大灾难。
2、相关技术中根据监测数据，利用神经网络或遗传算法反演大坝材料参数，推算面板堆石坝稳定性。然而，相关技术的方案未考虑大坝材料参数的不确定性和大坝失效的物理力学机制，也未考虑到监测参数、大坝材料参数以及分析结果之间的逻辑关系并进行量化。因此，相关技术的分析结果仍然存在可靠性低的问题。
技术实现思路
1、有鉴于此，本申请的目的在于解决
技术介绍
中的技术问题，提出一种混凝土面板堆石坝稳定性分析方法及相关设备。
2、基于上述目的，本申请提供了一种混凝土面板堆石坝稳定性分析方法，包括：
3、获取监测数据；
4、将所述监测数据输入训练好的贝叶斯网络模型，得到发生面板堆石坝稳定性分析事件的后验概率；
5、其中，所述贝叶斯网络模型的训练方法为：
6、选取至少一个面板堆石坝稳定性分析事件以及与所述面板堆石坝稳定性分析事件相关的监测参数和大坝参数作为所述贝叶斯网络模型的节点；所述贝叶斯网络模型的节点分别具有多个状态；
7、根据所
8、获取训练用监测数据和训练用大坝数据；
9、根据所述训练用监测数据和所述训练用大坝数据确定所述节点在各个状态下的响应关系；根据所述响应关系确定所述节点的先验概率，得到所述训练好的贝叶斯网络模型。
10、可选地，所述贝叶斯网络模型的训练方法还包括：
11、根据所述训练用监测数据和所述训练用大坝数据的获取时间确定所述训练用监测数据和所述训练用大坝数据所属的时期；
12、将所述训练用监测数据和所述训练用大坝数据按照所述时期进行分类；
13、根据同一时期的所述训练用监测数据和所述训练用大坝数据确定该时期下所述节点在各个状态下的响应关系；根据所述响应关系确定所述节点的先验概率，得到所述训练好的贝叶斯网络模型。
14、可选地，所述面板堆石坝稳定性分析事件包括面板失效事件、渗透破坏事件；所述监测参数包括第一监测参数和第二监测参数；所述大坝参数包括第一大坝参数、第二大坝参数、第三大坝参数和第四大坝参数；
15、所述贝叶斯网络模型的训练方法还包括：
16、确定与所述面板失效事件相关的第一监测参数、第一大坝参数和第二大坝参数；
17、将所述面板失效事件、所述第一监测参数、所述第一大坝参数和所述第二大坝参数作为所述贝叶斯网络模型的节点；
18、根据所述面板失效事件、所述第一监测参数、所述第一大坝参数和所述第二大坝参数的影响关系设置所述贝叶斯网络模型的边；
19、确定与所述渗透破坏事件相关的第二监测参数、第三大坝参数和第四大坝参数；所述第四大坝参数包括面板渗透系数；所述面板渗透系数与所述面板失效事件相关；
20、将所述渗透破坏事件、所述第二监测参数、所述第三大坝参数和所述第四大坝参数作为所述贝叶斯网络模型的节点；
21、根据所述渗透破坏事件、所述第二监测参数、所述第三大坝参数和所述第四大坝参数的影响关系设置所述贝叶斯网络模型的边。
22、可选地，所述训练用监测数据包括第一训练用监测数据和第二训练用监测数据；所述训练用大坝数据包括第一训练用大坝数据、第二训练用大坝数据、第三训练用大坝数据和第四训练用大坝数据；
23、所述获取训练用监测数据和训练用大坝数据之后，还包括：
24、根据所述第一训练用大坝数据，通过有限元方法，得到对应的第二训练用大坝数据；
25、根据所述第三训练用大坝数据，通过有限元方法，得到对应的第四训练用大坝数据。
26、可选地，所述根据所述训练用监测数据和所述训练用大坝数据确定所述节点在各个状态下的响应关系；根据所述响应关系确定所述节点的先验概率，包括：
27、根据所述第一监测参数和所述第一大坝参数、所述第一大坝参数和所述第二大坝参数之间的响应关系，建立所述第一监测参数和所述第一大坝参数之间的第一响应面函数，所述第一大坝参数和所述第二大坝参数之间的第二响应面函数；
28、根据所述第二监测参数和所述第三大坝参数、所述第三大坝参数和所述第四大坝参数之间的响应关系，建立所述第二监测参数和所述第三大坝参数之间的第三响应面函数，所述第三大坝参数和所述第四大坝参数之间的第四响应面函数；
29、根据所述训练用监测数据和所述训练用大坝数据，通过最小二乘法拟合求解所述第一响应面函数、所述第二响应面函数、所述第三响应面函数和所述第四响应面函数；
30、根据所述第一大坝参数和第三大坝参数的先验概率，以及所述第二响应面函数和所述第四响应面函数，通过蒙特卡洛模拟，得到所述第二大坝参数和所述第四大坝参数的先验概率；
31、根据所述第一大坝参数和第三大坝参数的先验概率，以及所述第一响应面函数和所述第三响应面函数，通过蒙特卡洛模拟，得到所述第一监测参数和所述第二监测参数的先验概率；
32、根据所述监测参数和所述大坝参数的先验概率确定所述节点在各个状态下的先验概率。
33、可选地，所述根据所述训练用监测数据和所述训练用大坝数据确定所述节点在各个状态下的先验概率，还包括：
34、根据所述第二大坝参数的先验概率，以及所述第二大坝参数与所述面板失效事件的关系确定所述面板失效事件的先验概率；
35、根据所述第四大坝参数的先验概率，以及所述第四大坝参数与所述渗透破坏事件的关系确定所述渗透破坏事件的先验概率。
36、可选地，所述第三大坝参数的先验概率根据所述面板失效事件的先验概率以及所述第三大坝参数与所述面板失效事件的关系确定。
37、基于同一专利技术构思，本说明书一个或多个实施例还提供了一种混凝土面板堆石坝稳定性分析装置，包括：
38、获取模块，被配置为获取监测数据；
39、计算模块，被配置为将所述监测数据输入训练好的贝叶斯网络模型，得到发生面板堆石坝渗透事件的后验概率；
40、其中，所述贝叶斯网络模型的训练方法为：
41、选取至少一个面板堆石坝稳定性分析事件以及与所述面板堆石坝稳定性分析事件相关的监测参数和大坝参数作为所述贝叶斯网络模型的节点；所述贝叶斯网络模型的节点分别具有多个状态；
42、根据所述面板堆石坝稳定性分析事件、所述监测参数和所述大坝参数的逻辑关系设置所述贝叶斯网络模本文档来自技高网...
【技术保护点】
1.一种混凝土面板堆石坝稳定性分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述贝叶斯网络模型的训练方法还包括：
3.根据权利要求1或2中任一所述的方法，其特征在于，所述面板堆石坝稳定性分析事件包括面板失效事件、渗透破坏事件；所述监测参数包括第一监测参数和第二监测参数；所述大坝参数包括第一大坝参数、第二大坝参数、第三大坝参数和第四大坝参数；
4.根据权利要求3所述的方法，其特征在于，所述训练用监测数据包括第一训练用监测数据和第二训练用监测数据；所述训练用大坝数据包括第一训练用大坝数据、第二训练用大坝数据、第三训练用大坝数据和第四训练用大坝数据；
5.根据权利要求4所述的方法，其特征在于，所述根据所述训练用监测数据和所述训练用大坝数据确定所述节点在各个状态下的响应关系；根据所述响应关系确定所述节点的先验概率，包括：
6.根据权利要求4所述的方法，其特征在于，所述根据所述训练用监测数据和所述训练用大坝数据确定所述节点在各个状态下的先验概率，还包括：
7.根据权利要求4所述的方法，其特征在
8.一种混凝土面板堆石坝稳定性分析装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一所述方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至7任一所述方法。
...【技术特征摘要】
1.一种混凝土面板堆石坝稳定性分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述贝叶斯网络模型的训练方法还包括：
3.根据权利要求1或2中任一所述的方法，其特征在于，所述面板堆石坝稳定性分析事件包括面板失效事件、渗透破坏事件；所述监测参数包括第一监测参数和第二监测参数；所述大坝参数包括第一大坝参数、第二大坝参数、第三大坝参数和第四大坝参数；
4.根据权利要求3所述的方法，其特征在于，所述训练用监测数据包括第一训练用监测数据和第二训练用监测数据；所述训练用大坝数据包括第一训练用大坝数据、第二训练用大坝数据、第三训练用大坝数据和第四训练用大坝数据；
5.根据权利要求4所述的方法，其特征在于，所述根据所述训练用监测数据和所述训练用大坝数据确定所述节点在各个状态下的响应关系；根据...
【专利技术属性】
技术研发人员：杨鸽，甘龙厚，范振东，陈天燊，彭铭，金洪杰，孙蕊，
申请(专利权)人：中国电建集团华东勘测设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。