宿 輝，孫熇遠(yuǎn)，趙宇飛，劉世偉，趙翠東，楊 宇

(1.河北省智慧水利重點(diǎn)實(shí)驗(yàn)室，河北 邯鄲 056006；2.河北工程大學(xué) 水利水電學(xué)院，河北 邯鄲 056006；3.中國(guó)水利水電科學(xué)研究院，北京 100044）

隨著智慧水利的長(zhǎng)足發(fā)展,大壩施工逐漸由傳統(tǒng)施工模式向數(shù)字化、信息化和自動(dòng)化轉(zhuǎn)變［1］。土石壩壓實(shí)質(zhì)量評(píng)價(jià)是實(shí)現(xiàn)水利工程大壩智能化施工的關(guān)鍵,這不僅關(guān)系到大壩安全穩(wěn)定,而且可為現(xiàn)場(chǎng)施工和大壩安全管理提供支持［2］。傳統(tǒng)評(píng)價(jià)方法通常采用試坑采樣或快速檢測(cè)(如落錘彎沉計(jì)、核子密度計(jì)等)獲取干密度(孔隙率)。但這些方法均為事后抽樣檢測(cè),存在隨機(jī)性和滯后性,且不能反映施工等因素影響［3］。然而,壩體填筑料在碾壓機(jī)械的重力和振動(dòng)作用下,顆粒間產(chǎn)生相對(duì)移動(dòng),孔隙減小,壩料被壓實(shí),石料間嵌鎖的緊密程度越高壓實(shí)結(jié)果越好［4］。可見,土石壩壓實(shí)質(zhì)量受料源參數(shù)和碾壓參數(shù)的雙重影響,因此關(guān)于多因素影響下的大壩碾壓質(zhì)量實(shí)時(shí)有效評(píng)價(jià)亟待開展進(jìn)一步深入研究。

事實(shí)上,國(guó)內(nèi)外學(xué)者已對(duì)多因素影響下的大壩碾壓質(zhì)量實(shí)時(shí)有效評(píng)價(jià)開展了諸多研究并取得了豐碩成果。例如,劉東海等［5-6］分析了碾壓參數(shù)(碾壓速度、碾壓厚度、碾壓遍數(shù)等)和料源參數(shù)與土石壩壓實(shí)監(jiān)測(cè)指標(biāo)的相關(guān)性；Anderegg 等［7］通過智能碾壓系統(tǒng),研究了不同級(jí)配比土料與壓實(shí)監(jiān)測(cè)指標(biāo)FS 的相關(guān)性；Mooney 等［8］通過分析壓路機(jī)在壓實(shí)中的振動(dòng)變化規(guī)律,發(fā)現(xiàn)了振動(dòng)頻率和振動(dòng)幅度同樣影響壓實(shí)質(zhì)量。劉東海等［9-10］基于碾壓實(shí)時(shí)監(jiān)控系統(tǒng)獲得的碾壓參數(shù)數(shù)據(jù),建立了多元回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型,預(yù)測(cè)壓實(shí)質(zhì)量；王曉玲等［11］依托大壩碾壓實(shí)時(shí)監(jiān)控系統(tǒng),考慮碾壓遍數(shù)、碾壓速度和不均勻系數(shù)等參數(shù),通過遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)和可靠度理論建立了土石壩堆石料干密度-可靠度二元耦合模型,實(shí)現(xiàn)了壓實(shí)質(zhì)量全面評(píng)價(jià)；王佳俊等［12-13］考慮不同類型的數(shù)據(jù),基于混沌螢火蟲算法(CFA)、增強(qiáng)概率神經(jīng)網(wǎng)絡(luò)和支持向量回歸算法(SVR),實(shí)現(xiàn)了倉(cāng)面的壓實(shí)質(zhì)量全面評(píng)價(jià),提高了模型的預(yù)測(cè)精度；林威偉等［14］基于隨機(jī)森林算法,考慮料源參數(shù)的不確定性,建立土石壩壓實(shí)質(zhì)量評(píng)價(jià)模型,并通過Kriging 插值方法進(jìn)行全倉(cāng)面壓實(shí)質(zhì)量動(dòng)態(tài)評(píng)價(jià)；崔博等［15］基于雙向極限學(xué)習(xí)機(jī)算法,在先前研究的基礎(chǔ)上考慮施工全過程參數(shù),建立了摻礫土心墻壓實(shí)質(zhì)量實(shí)時(shí)評(píng)價(jià)模型。

上述研究不僅厘清了料源參數(shù)(含水率、P5 含量、不均勻系數(shù)等)和碾壓參數(shù)(碾壓速度、碾壓厚度、激振頻率、碾壓遍數(shù)等)是影響土石壩壓實(shí)質(zhì)量的主控因素,建立了可以表征干密度、相對(duì)密度和孔隙率等壓實(shí)質(zhì)量的評(píng)價(jià)指標(biāo),還提出了多元線性模型、支持向量回歸模型、極限學(xué)習(xí)機(jī)模型和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型等常用的壓實(shí)質(zhì)量評(píng)價(jià)模型。但是現(xiàn)有研究成果在高面板堆石壩研究中應(yīng)用較少,且諸多評(píng)價(jià)模型各有優(yōu)缺點(diǎn),其合理選擇和適用性尚未形成一致意見。

鑒于以上所述,在現(xiàn)有研究成果的基礎(chǔ)上,本文選取碾壓參數(shù)(碾壓遍數(shù)、碾壓速度、碾壓厚度、激振頻率)和料源參數(shù)(P5 含量、最大粒徑、平均含水率)建立影響因子集,構(gòu)建基于GA-PSO-BP 神經(jīng)網(wǎng)絡(luò)的面板堆石壩爆破料壓實(shí)質(zhì)量評(píng)價(jià)模型,結(jié)合新疆阿爾塔什面板堆石壩的碾壓施工現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù),開展壩體碾壓質(zhì)量評(píng)價(jià)與預(yù)測(cè)。相關(guān)研究成果有望為土石壩碾壓施工管理提供理論支持。

1 基于GA－PSO－BP 的面板堆石壩爆破料壓實(shí)質(zhì)量評(píng)價(jià)方法

1.1 大壩壓實(shí)質(zhì)量評(píng)價(jià)模型結(jié)構(gòu)

大壩壓實(shí)質(zhì)量評(píng)價(jià)模型結(jié)構(gòu)主要包括評(píng)價(jià)指標(biāo)量化表征和大壩壓實(shí)質(zhì)量概念化評(píng)價(jià)模型兩部分內(nèi)容。

1.1.1 評(píng)價(jià)指標(biāo)量化表征

影響大壩壓實(shí)質(zhì)量的主控因素可分為料源參數(shù)和碾壓參數(shù)。本文選取的料源參數(shù)因子集MSP包含料源P5 含量HP5、最大粒徑Mmax、平均含水率W3 個(gè)因子；碾壓參數(shù)因子集RP包含碾壓遍數(shù)N、碾壓速度V(指碾壓機(jī)械的行車速度)、碾壓厚度h、激振頻率f四個(gè)因子。同時(shí),壓實(shí)質(zhì)量評(píng)價(jià)指標(biāo)采用孔隙率n或壓實(shí)度K,并依據(jù)《混凝土面板堆石壩施工規(guī)范》(SL 49—2015)［16］取值,且選取孔隙率n為評(píng)價(jià)輸出指標(biāo)。

式(1)中,碾壓參數(shù)因子集數(shù)據(jù)源于土石壩碾壓監(jiān)控系統(tǒng),料源參數(shù)因子集數(shù)據(jù)源于現(xiàn)場(chǎng)施工檢測(cè),孔隙率由碾壓完成后的試坑抽樣檢測(cè)獲取。

1.1.2 大壩壓實(shí)質(zhì)量概念化評(píng)價(jià)模型

以孔隙率n為輸出結(jié)果,以料源參數(shù)因子集MSP和碾壓參數(shù)因子集RP為輸入,建立大壩壓實(shí)質(zhì)量評(píng)價(jià)目標(biāo)函數(shù)如下:

采用智能優(yōu)化算法對(duì)上述目標(biāo)函數(shù)進(jìn)行計(jì)算求解,本文擬采用GA-PSO 混合優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行求解。構(gòu)建基于GA-PSO-BP 的算法孔隙率評(píng)價(jià)預(yù)測(cè)模型如下:

式中:x、q、y分別為BP 神經(jīng)網(wǎng)絡(luò)輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù)；v、w分別為輸入層與隱含層連接權(quán)值、隱含層與輸出層的連接權(quán)值；θ、γ分別為輸出層、隱含層的閾值。上述參數(shù)可通過以料源參數(shù)因子集MSP和碾壓參數(shù)因子集RP組成的數(shù)據(jù)集database確定。而預(yù)測(cè)精度評(píng)價(jià)test部分,主要與基于BP 算法的預(yù)測(cè)模型ABP、基于GA-BP 算法的預(yù)測(cè)模型BGA-BP和基于PSO-BP算法的預(yù)測(cè)模型CPSO-BP3 種模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析,以決定系數(shù)R2、平均相對(duì)誤差MRE和均方根誤差RMSE為模型預(yù)測(cè)精度的3 個(gè)評(píng)價(jià)指標(biāo)。

1.2 基于GA－PSO 混合優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)算法

BP 神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)。基本BP 算法包括信號(hào)的前向傳播和誤差的反向傳播兩個(gè)過程,一般由輸入層、隱含層和輸出層組成(見圖1)。從理論上講,一個(gè)3 層的BP 神經(jīng)網(wǎng)絡(luò)就能夠在保證精度的情況下實(shí)現(xiàn)對(duì)任意連續(xù)函數(shù)的逼近,但是BP 神經(jīng)網(wǎng)絡(luò)計(jì)算容易陷入局部最優(yōu),導(dǎo)致模型訓(xùn)練失?。?7］。

圖1 爆破料孔隙率BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.2.1 GA 算法

GA(遺傳)算法是一種基于生物進(jìn)化理論和基因遺傳原理而提出來的一種智能優(yōu)化算法。其通過設(shè)計(jì)一定數(shù)量種群在特定環(huán)境中生存,利用選擇、交叉和變異3 種操作去模擬適者生存和優(yōu)勝劣汰原理來獲得最優(yōu)個(gè)體,從而得到問題的最優(yōu)解。選擇、交叉和變異作為遺傳算法的核心操作,其過程如下。

(1)選擇。通過選擇操作實(shí)現(xiàn)種群的淘汰與保留,最常用輪盤賭選擇法,其中fi為個(gè)體i的適應(yīng)度值,每個(gè)個(gè)體被選擇保留的概率為

(2)交叉。將選擇留下的優(yōu)秀個(gè)體進(jìn)行隨機(jī)搭配,以一定的概率將選擇個(gè)體的部分染色體進(jìn)行交換,交叉操作為

式中:r1為在0～1 范圍內(nèi)的隨機(jī)數(shù)；Si c、Szc分別為第i、第z個(gè)染色體在第c位上的交叉操作。

(3)變異。通過個(gè)體以一定概率進(jìn)行變異,能夠增加種群的多樣性、提高遺傳算法的全局搜索能力,其具體計(jì)算如下:

1.2.2 PSO 算法

PSO(粒子群)算法源于對(duì)鳥群捕食的行為研究,通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解具有良好的全局搜索能力,屬于全局優(yōu)化算法。設(shè)該種群有N個(gè)粒子,粒子的速度和位置更新公式為

1.2.3 GA－PSO 混合優(yōu)化算法

PSO 算法在尋優(yōu)過程中采用并行隨機(jī)搜索的方法,通過該方法能夠以極快速度精準(zhǔn)接近目標(biāo),但尋優(yōu)過程中易陷入局部極值出現(xiàn)“早熟”現(xiàn)象［18］；GA 算法則基于優(yōu)勝劣汰原理,在計(jì)算過程中種群不斷淘汰更新,導(dǎo)致信息丟失、算法收斂速度較慢［19］。因此,針對(duì)PSO 算法收斂快但易陷入局部最優(yōu)和GA 算法收斂慢但全局搜索能力強(qiáng)的特點(diǎn),本文提出GA-PSO 混合優(yōu)化算法。以PSO 算法為主體,通過將GA 算法中的選擇、交叉、變異等操作引入其中,使得新算法(GA-PSO混合優(yōu)化算法)具有GA 算法的全局搜索能力和PSO算法收斂速度快等優(yōu)點(diǎn)。

GA-PSO 混合優(yōu)化算法基本思路為:與原有PSO算法不同,在PSO 算法每次迭代尋優(yōu)時(shí),種群會(huì)被平均分為兩份,適應(yīng)度值小的種群命名P1,適應(yīng)度值大的種群為P2；種群P1中粒子由于適應(yīng)度小,其位置信息、速度和適應(yīng)度不變,對(duì)于種群P2中的粒子進(jìn)行位置更新的同時(shí)引入變異,速度更新時(shí)引入交叉操作；通過變異交叉后的種群P2、P1進(jìn)行適應(yīng)度值大小比較,選擇適應(yīng)度值最小粒子所處位置和搜索速度并對(duì)當(dāng)前種群進(jìn)行更新。

1.2.4 基于GA－PSO 混合優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)算法（GA－PSO－BP）

為了彌補(bǔ)BP 神經(jīng)網(wǎng)絡(luò)算法全局搜索能力較差的不足,本文利用GA-PSO 混合算法的全局搜索能力強(qiáng)和快速收斂等優(yōu)點(diǎn)獲取BP 神經(jīng)網(wǎng)絡(luò)的全局最優(yōu)初始權(quán)值和閾值,建立基于粒子群算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型,進(jìn)而結(jié)合大壩壓實(shí)質(zhì)量影響因子集構(gòu)建其壓實(shí)質(zhì)量評(píng)價(jià)模型。

(1)建立一個(gè)3 層結(jié)構(gòu)的BP 神經(jīng)網(wǎng)絡(luò),初始化粒子群的速度與位置等參數(shù)。

(2)計(jì)算所有粒子的適應(yīng)度,通過適應(yīng)度函數(shù)值來確定各個(gè)粒子是否處在合適位置。本文選擇BP 神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)E(ω)作為適應(yīng)度函數(shù):

式中:L為輸入樣本的總數(shù)；Yi、Zi分別第i個(gè)粒子的預(yù)測(cè)輸出、實(shí)際結(jié)果。適應(yīng)度函數(shù)值越小,說明模型擬合結(jié)果越好。

(3)引入遺傳算法中的選擇操作。將各個(gè)粒子按適應(yīng)度值從小到大排列并將種群平分為P1和P2,將二者適應(yīng)度值進(jìn)行比較,選擇適應(yīng)度值較大的種群P2進(jìn)行遺傳算法中的交叉和變異,同時(shí)種群P1中適應(yīng)度值、速度和位置不變。通過該方法,能保留更多的優(yōu)秀粒子且獲得更小的適應(yīng)度值,從而加快算法的收斂速度。

(4)在種群P2中粒子進(jìn)行速度更新時(shí),引入GA算法中的交叉操作,新的速度更新公式為

(5)在種群P2中粒子進(jìn)行位置信息更新時(shí),引入GA 算法中的變異操作,新的位置更新公式為

式中:X上、X下分別為當(dāng)前粒子位置的上、下邊界值；r3、r4為0～1 范圍內(nèi)的隨機(jī)數(shù)；k為迭代次數(shù)；f(k)為變異概率?；谧儺惒僮骺墒沽Ｗ犹鼍植孔顑?yōu)解。

(6)對(duì)經(jīng)過交叉、變異操作的新種群P2、P1比較適應(yīng)度值,并更新位置和速度。

(7)判定算法是否達(dá)到終止條件,即達(dá)到最大迭代進(jìn)化次數(shù)或設(shè)定最小適應(yīng)度值。若達(dá)到要求,則進(jìn)行步驟(8),否則返回步驟(2)重復(fù)迭代。

(8)將GA-PSO 混合優(yōu)化算法計(jì)算得到的最優(yōu)初始權(quán)值和閾值賦予BP 神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)參數(shù)。

GA-PSO 混合優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的流程見圖2。

圖2 基于GA－PSO 混合優(yōu)化BP 流程

1.3 基于GA－PSO－BP 算法的壓實(shí)質(zhì)量評(píng)價(jià)模型

(1)數(shù)據(jù)層。通過現(xiàn)場(chǎng)獲取的料源參數(shù)因子集MSP、碾壓參數(shù)因子集RP、孔隙率n等數(shù)據(jù),基于時(shí)空關(guān)聯(lián)性對(duì)3 種數(shù)據(jù)進(jìn)行時(shí)間和空間上的配對(duì),構(gòu)建原始數(shù)據(jù)集［20］。對(duì)評(píng)價(jià)數(shù)據(jù)集進(jìn)行數(shù)據(jù)優(yōu)化、標(biāo)準(zhǔn)化和歸一化處理,對(duì)異常數(shù)據(jù)等進(jìn)行剔除。標(biāo)準(zhǔn)化和歸一化能夠提高網(wǎng)絡(luò)的訓(xùn)練速度和預(yù)測(cè)精度,消除量綱差異的影響。

(2)模型層。以P5 含量、平均含水率、最大粒徑、碾壓速度、碾壓遍數(shù)、碾壓厚度、激振頻率作為輸入神經(jīng)元,以孔隙率n為輸出神經(jīng)元,基于PSO-BP 神經(jīng)網(wǎng)絡(luò),構(gòu)建壩體填筑料壓實(shí)質(zhì)量評(píng)價(jià)模型。

(3)模型訓(xùn)練。采用GA-PSO-BP 算法,以輸入神經(jīng)元為輸入?yún)?shù),以輸出神經(jīng)元為輸出結(jié)果,數(shù)據(jù)集以7 ∶3 分為訓(xùn)練集和測(cè)試集,完成模型構(gòu)建,形成基于GA-PSO-BP 算法的壓實(shí)質(zhì)量評(píng)價(jià)模型。

(4)對(duì)比驗(yàn)證。以測(cè)試集數(shù)據(jù)為研究對(duì)象,選用不同評(píng)價(jià)指標(biāo)(決定系數(shù)R2、均方根誤差RMSE、平均絕對(duì)誤差MRE)對(duì)模型在測(cè)試集上的預(yù)測(cè)結(jié)果進(jìn)行精度評(píng)價(jià),并與BP、GA-BP、PSO-BP 三種模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析,驗(yàn)證本文模型的有效性與準(zhǔn)確性。

2 工程應(yīng)用與驗(yàn)證

2.1 工程概況

新疆阿爾塔什水利樞紐位于新疆喀什地區(qū)莎車縣,該工程為大(1)型Ⅰ等工程,電站總裝機(jī)容量755 MW,多年平均年發(fā)電量21.86 億kW·h,最大壩高164.8 m。該工程攔河大壩為混凝土面板堆石壩,下游次堆石區(qū)填料為爆破料,其起到保護(hù)主堆石區(qū)及下游邊坡穩(wěn)定的作用,下游次堆石區(qū)的填筑碾壓質(zhì)量極大影響大壩的安全,爆破料特征粒徑見表1。本文結(jié)合下游次堆石區(qū)現(xiàn)場(chǎng)碾壓數(shù)據(jù)進(jìn)行土石壩壓實(shí)質(zhì)量評(píng)價(jià)模型研究,根據(jù)新疆阿爾塔什面板堆石壩碾壓監(jiān)控系統(tǒng)、工程現(xiàn)場(chǎng)檢測(cè)數(shù)據(jù)和抽樣試坑檢測(cè)試驗(yàn)結(jié)果,通過統(tǒng)計(jì)核算后共106 組有效數(shù)據(jù)作為本次研究數(shù)據(jù)。

表1 爆破料特征粒徑 mm

2.2 參數(shù)相關(guān)性分析

本次工程評(píng)價(jià)根據(jù)施工規(guī)范選取孔隙率作為輸出參數(shù),孔隙率作為壓實(shí)質(zhì)量評(píng)價(jià)指標(biāo)受諸多因素的影響,如碾壓參數(shù)和料源參數(shù)等。對(duì)于新疆阿爾塔什混凝土面板堆石壩下游次堆石區(qū)爆破料工況條件而言,P5 含量是控制填料良好級(jí)配的重要指標(biāo)；考慮到爆破料粒徑較大且在阿爾塔什工程級(jí)配控制中要求最大粒徑小于500 mm,水分能夠使填料軟化潤(rùn)滑、有利于壓實(shí),因此在料源參數(shù)選取上本文選擇P5 含量、最大粒徑和平均含水率,同時(shí)碾壓參數(shù)作為碾壓施工過程中的主要控制參數(shù),其與壓實(shí)質(zhì)量的相關(guān)性已被諸多文獻(xiàn)證明［10-13］。為保證所建立數(shù)據(jù)集對(duì)阿爾塔什面板堆石壩的適用性,本文利用Pearson 相關(guān)系數(shù),對(duì)阿爾塔什面板堆石壩爆破料孔隙率與各影響因子的相關(guān)性作進(jìn)一步分析。Pearson 相關(guān)系數(shù)可以表示變量之間的相關(guān)性,其值介于-1.0 與1.0 之間、絕對(duì)值越接近1.0,說明變量之間的相關(guān)性越高［21］。

新疆阿爾塔什混凝土面板堆石壩下游次堆石區(qū)填料壓實(shí)后的孔隙率指標(biāo)與碾壓參數(shù)和料源參數(shù)的相關(guān)性分析結(jié)果見圖3。由圖3 可知:碾壓厚度與孔隙率的相關(guān)系數(shù)絕對(duì)值最大,為0.808,說明二者存在明顯的負(fù)相關(guān)；P5 含量、最大粒徑、平均含水率、碾壓遍數(shù)和激振頻率與孔隙率的相關(guān)系數(shù)絕對(duì)值均在0.5 以上,具有較高的相關(guān)性；碾壓速度與含水率的相關(guān)系數(shù)為0.366,雖然二者相關(guān)系數(shù)相對(duì)較小,但是碾壓速度對(duì)填筑料壓實(shí)質(zhì)量具有重要影響,并得到諸多學(xué)者一致認(rèn)可［1,6,11,14-15］。因此,為了保證本文模型預(yù)測(cè)結(jié)果的可靠性,選取平均含水率、最大粒徑、P5 含量、碾壓速度、碾壓厚度、激振頻率和碾壓遍數(shù)作為模型的輸入?yún)?shù),孔隙率作為模型的輸出參數(shù)。

圖3 模型輸入?yún)?shù)與孔隙率相關(guān)系數(shù)矩陣

2.3 預(yù)測(cè)結(jié)果與性能評(píng)價(jià)

經(jīng)過多次訓(xùn)練測(cè)試,模型參數(shù)設(shè)置如下:構(gòu)建一個(gè)7-12-1 三層的BP 神經(jīng)網(wǎng)絡(luò),本文BP 神經(jīng)網(wǎng)絡(luò)的隱含層、輸出層激勵(lì)函數(shù)分別為Tansig 函數(shù)、Logsig 函數(shù)；種群數(shù)為20,最大迭代次數(shù)為100,學(xué)習(xí)因子c1、c2均為1.4,交叉概率為0.7,變異概率為0.01,慣性權(quán)重系數(shù)ωmax、ωmin分別為0.9、0.4,粒子搜索速度范圍為-3～3。GA-PSO-BP、GA-BP、PSO-BP 評(píng)價(jià)模型的收斂變化曲線見圖4,在相同的模型參數(shù)設(shè)置下,經(jīng)過100 次的進(jìn)化迭代,GA-PSO-BP 評(píng)價(jià)模型具有更好的收斂速度和求解精度,能夠保證以較快的收斂速度達(dá)到更優(yōu)的適應(yīng)度,提高了BP 神經(jīng)網(wǎng)絡(luò)的收斂速度。

圖4 GA－PSO－BP 與其他評(píng)價(jià)模型收斂變化曲線

4 種壓實(shí)質(zhì)量評(píng)價(jià)模型孔隙率預(yù)測(cè)結(jié)果與現(xiàn)場(chǎng)實(shí)測(cè)結(jié)果對(duì)比見圖5。以R2、MRE、RMSE作為4 種模型的預(yù)測(cè)精度評(píng)價(jià)指標(biāo),模型預(yù)測(cè)精度對(duì)比分析見表2、圖6。通過與BP、GA-BP、PSO-BP 3 種評(píng)價(jià)模型進(jìn)行對(duì)比分析發(fā)現(xiàn),本文模型預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果的相符程度高、誤差小,表明本文提出的基于GA-PSO 混合優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型具有優(yōu)越性。

表2 4 種模型訓(xùn)練集和測(cè)試集性能評(píng)價(jià)指標(biāo)對(duì)比

圖5 孔隙率預(yù)測(cè)結(jié)果和實(shí)測(cè)結(jié)果對(duì)比

圖6 4 種模型預(yù)測(cè)誤差對(duì)比曲線

由圖5 可知,GA-PSO-BP 模型的擬合效果最好,另外3 種模型均在孔隙率數(shù)值波動(dòng)較大處出現(xiàn)擬合效果較差的情況,可見本文提出的GA-PSO-BP 模型預(yù)測(cè)精度相對(duì)較高。由表2 可知,GA-PSO-BP 模型測(cè)試集的決定系數(shù)R2為0.83,與訓(xùn)練集相差較小,而其他3 種模型測(cè)試集和訓(xùn)練集的決定系數(shù)相差較大且均出現(xiàn)了輕微的過擬合現(xiàn)象,表明本文模型的泛化性能更為優(yōu)越；平均相對(duì)誤差和均方根誤差反映了模型的預(yù)測(cè)精度,其值越小說明精度越高,本文模型測(cè)試集的平均絕對(duì)誤差、均方根誤差分別0.002 5、0.003 7,均為4 種模型中的最小值,表明GA-PSO-BP 評(píng)價(jià)模型能夠更好地逼近實(shí)測(cè)值。

由圖6 可知,GA-PSO-BP 模型預(yù)測(cè)誤差波動(dòng)范圍大都為［-0.005,0.005］,而其他3 種模型預(yù)測(cè)誤差波動(dòng)范圍為［-0.01,0.01］,說明GA-PSO-BP 模型更為穩(wěn)定、泛化性能更優(yōu)。

綜上可見,本文提出的基于GA-PSO-BP 算法的壓實(shí)質(zhì)量評(píng)價(jià)模型對(duì)于新疆阿爾塔什面板堆石壩下游次堆石區(qū)爆破料壓實(shí)后的孔隙率預(yù)測(cè)精度和泛化性能均較好,可應(yīng)用于類似工況條件下壩體填料壓實(shí)質(zhì)量的評(píng)價(jià)。

3 結(jié)論

(1)通過參數(shù)相關(guān)性分析表明,對(duì)于新疆阿爾塔什混凝土面板堆石壩下游次堆石區(qū)爆破料碾壓施工而言,壓實(shí)后填料的孔隙率與碾壓速度、碾壓遍數(shù)、碾壓厚度、激振頻率、平均含水率、最大粒徑、P5 含量7 個(gè)指標(biāo)具有良好的相關(guān)性,可作為新疆阿爾塔什混凝土面板堆石壩下游次堆石區(qū)爆破料壓實(shí)質(zhì)量的評(píng)價(jià)因子。

(2)本文提出了基于GA-PSO-BP 算法的爆破料壓實(shí)質(zhì)量評(píng)價(jià)模型。首先,將GA 算法的全局搜索能力與PSO 算法的快速收斂能力相融合,提高了算法的局部搜索能力和收斂速度；然后,結(jié)合現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù),與BP、GA-BP、PSO-BP 三種模型進(jìn)行對(duì)比分析,驗(yàn)證GA-PSO-BP 模型的可靠性和精確度。結(jié)果表明,基于GA-PSO-BP 算法的爆破料壓實(shí)質(zhì)量評(píng)價(jià)模型能夠用于該工程壓實(shí)質(zhì)量評(píng)價(jià),相關(guān)研究成果可為土石壩智能施工管理提供參考。