一种基于ResNet代理模型的混凝土面板堆石坝剖面优化方法

摘要: 本技术属于水工结构优化领域,具体涉及一种基于resnet代理模型的混凝土面板堆石坝剖面优化方法。背景技术:1、混凝土面板堆石坝凭借地形适应性强、筑坝材料取材便捷...
一种基于ResNet代理模型的混凝土面板堆石坝剖面优化方法

本技术属于水工结构优化领域,具体涉及一种基于resnet代理模型的混凝土面板堆石坝剖面优化方法。

背景技术:

1、混凝土面板堆石坝凭借地形适应性强、筑坝材料取材便捷、施工工期灵活、抗震性能优异等核心优势,已成为我国水利工程的主流坝型之一,在西南水电开发、跨流域调水等重大水利工程中得到广泛应用。坝体剖面设计是混凝土面板堆石坝整体设计的核心环节,直接决定坝体结构长期安全、工程投资成本、施工难度与运行稳定性。

2、传统设计高度依赖工程师经验试算与有限元数值仿真验证,单次静动力有限元模拟耗时较长,而剖面优化需数百至数千次迭代计算,全数值模拟驱动的优化周期长达数千小时,设计效率极低,难以在复杂的多变量空间中实现全局最优求解。

3、近年来,机器学习代理模型逐步引入坝工优化领域,可通过少量样本学习替代有限元计算,现有代理模型多以离散设计参数为输入,无法充分提取坝体剖面的空间几何特征,预测精度与泛化能力受限。

4、混凝土面板堆石坝剖面优化需同时兼顾经济性、应力变形安全、抗震安全、坝坡稳定等多个相互冲突的目标,属于典型的多目标优化问题,现有研究多采用主观赋权法或等权重法进行方案决策,决策结果受人为因素影响大,难以实现安全与经济的协同最优平衡。

5、综上所述,现有技术无法在优化效率、预测精度、结果可靠性之间达成良好平衡,需要一种能够兼顾三者的高效、高精度、高可靠性的混凝土面板堆石坝剖面优化方法。

技术实现思路

1、本发明的目的在于克服现有技术中混凝土面板堆石坝剖面优化设计存在的数值模拟计算成本高、确定性代理模型无可靠性量化、优化决策主观性强的缺陷,提供一种基于resnet代理模型的混凝土面板堆石坝剖面优化方法。该方法通过9通道几何掩膜充分发挥resnet网络的空间特征提取能力,构建嵌入蒙特卡洛dropout的resnet代理模型,同步实现坝体性能高精度预测与内生不确定性量化,结合nsga-iii多目标优化算法与critic-topsis客观决策模型,形成从参数化建模到方案验证的全流程自动化优化闭环,在保证全局优化能力的同时,显著提升优化效率与工程可靠性。

2、为实现上述发明目的,本发明采用如下技术方案:

3、一种基于resnet代理模型的混凝土面板堆石坝剖面优化方法,包括以下步骤:

4、s1、构建混凝土面板堆石坝剖面的多目标优化数学模型:混凝土面板堆石坝剖面简称坝体剖面,基于目标坝体工程设计条件,建立包含坝体剖面全参数化几何模型、优化设计变量、多目标优化函数、规范约束的多目标优化数学模型;

5、s2、优化空间界定:结合工程设计经验、施工可行性及规范要求,确定各优化设计变量的优化上下限,完成优化空间的界定,为后续样本采样与优化求解提供合理范围;

6、s3、样本数据集构建:在界定的优化空间内生成样本集合,通过有限元仿真获取各样本对应的优化目标真实值,构建输入优化设计变量-输出优化目标映射关系的原始数据集,完成样本特征提取、数据预处理与数据集划分;

7、s4、嵌入蒙特卡洛dropout的resnet代理模型构建与训练:基于resnet架构进行定制化修改,构建面向混凝土面板堆石坝力学响应预测的resnet代理模型,完成resnet代理模型参数寻优、训练与性能验证;

8、s5、基于蒙特卡洛抽样的resnet代理模型预测不确定性量化:针对步骤s4训练完成的resnet代理模型,在预测阶段保持dropout层持续开启,对同一输入的9通道二值化几何掩膜特征进行多次独立蒙特卡洛前向传播抽样,以量化resnet代理模型预测的不确定性,以预测值集合的均值作为优化目标预测值,以预测值集合的标准差作为不确定性量化指标,设定阈值剔除不可靠方案;

9、s6、基于nsga-iii的多目标优化求解:将步骤s4验证通过的resnet代理模型作为适应度评价函数,与基于nsga-iii的多目标优化算法耦合,以步骤s1的优化设计变量为优化对象、多目标优化函数为优化目标、规范约束为硬性边界,完成坝体剖面优化求解,得到满足所有规范约束条件的pareto最优解集;

10、s7、基于critic-topsis混合决策的最优方案筛选与仿真验证:基于pareto最优解集,采用critic-topsis混合决策模型完成最优方案筛选,对筛选得到的最优方案开展有限元仿真验证,最终输出符合工程设计要求的混凝土面板堆石坝剖面优化设计参数。

11、进一步地,所述步骤s1具体包括:

12、s101、坝体剖面全参数化几何建模:以坝轴线与坝底交点为坐标原点,顺河向为x轴(向下游为正)、竖直向上为y轴建立二维平面应变坐标系,将坝体上下游坝坡、材料分区(主堆石区、次堆石区、增模区、排水区、垫层区、过渡区)的几何形态通过设计变量进行参数化表达,实现设计变量到坝体剖面几何形态的一一映射;

13、s102、优化设计变量选取:剔除冗余关联设计变量,选取6个对坝体性能与填筑方量影响显著的设计变量作为优化设计变量,优化设计变量的向量表示为:

14、

15、式中:

a

x为次堆石区特征点水平坐标,单位为m;

a

y为次堆石区特征点竖向坐标,单位为m;

i

u为上游坝坡坡率;

i

d为下游坝坡坡率;

i

s为次堆石区坡率;

h

m为增模区竖向高度,单位为m;

16、s103、多目标优化函数体系构建:遵循安全优先、经济最优的工程设计原则,构建包括16项优化目标的多目标优化函数,全部适配最小化优化框架,16项优化目标包括4类:工程经济性、静力力学性能、动力抗震性能、坝坡抗滑稳定;

17、进一步地,所述的工程经济性包括4项优化目标:增模区高度最小化、上游坝坡坡率最小化、下游坝坡坡率最小化、次堆石区面积最大化;静力力学性能包括4项优化目标:坝体最大大主应力最小化、坝体最大小主应力绝对值最小化、静力工况最大竖向位移最小化、静力工况最大顺河向位移最小化;动力抗震性能包括4项优化目标:正常工况上游坝坡安全系数最大化、正常工况下游坝坡安全系数最大化、地震工况上游坝坡安全系数最大化、地震工况下游坝坡安全系数最大化;坝坡抗滑稳定目标函数包括4项优化目标:地震工况最大竖向残余变形最小化、地震工况最大顺河向残余变形最小化、坝体竖向加速度放大倍数最小化坝体顺河向加速度放大倍数最小化。

18、s104、规范约束条件设定:参考《混凝土面板堆石坝设计规范》nb/t 10871-2021与《碾压式土石坝设计规范》nb/t 10872-2021,设置20项规范约束,20项规范约束包括4类:优化设计变量边界约束与结构性能约束,所有规范约束均转换为≤0的标准形式;

19、进一步地,优化设计变量边界约束包括12项,对应6个优化设计变量的工程可行取值上下限,保障坝体剖面几何可行性;结构性能约束包括8项,包括最大静力变形约束、抗滑稳定安全系数约束、最大残余变形约束。所述的最大静力变形约束包括最大沉降约束和最大顺河向位移约束,抗滑稳定安全系数约束包括正常工况和地震工况上下游坝坡稳定安全系数约束,最大残余变形约束包括最大竖向残余变形约束和最大顺河向残余变形约束。

20、多目标优化数学模型的标准形式为:

21、

22、式中:为多目标优化函数,为第

i个最小化目标函数,对需最大化的优化目标通过取负值转换为最小化目标函数的形式;为第

j个规范约束条件不等式函数;

x

l、

x

u分别为优化设计变量的下界与上界向量。

23、进一步地,所述步骤s3具体包括:

24、s301、采样:在界定的优化空间内,采用拉丁超立方采样方法生成样本集合,通过最大化样本间最小距离、降低参数间相关性,提升样本的均匀性与代表性;

25、s302、批量有限元仿真与原始数据集构建:将采样得到的样本逐一进行参数化几何建模,通过有限元软件完成静力工况、地震动力工况的批量数值模拟,以及基于简化bishop法的坝坡抗滑稳定计算;提取每个样本对应的优化目标真实值,构建原始数据集,剔除位移、应力异常的无效样本;

26、s303、9通道二值化几何掩膜特征提取:将每个样本的坝体剖面投影至256×256二维平面,按照固定分区顺序生成9通道二值化几何掩膜,完整保留坝体几何形态与分区拓扑关系,实现输入特征的标准化,完成样本特征提取;

27、进一步地,所述的9通道包括坝体全局轮廓、面板区、薄层单元区、垫层区、过渡区、主堆石区、排水区、次堆石区及增模区。二值化几何掩膜内像素值为1代表对应位置属于该分区,0代表背景区域。

28、s304、数据预处理与数据集划分:对优化目标真实值中的输出标签进行min-max归一化处理,将所有优化目标真实值映射至[0,1]区间,为每个优化目标计算独立的归一化参数;采用固定随机种子,将预处理后的数据集按比例划分为训练集、验证集与测试集(训练集用于模型参数迭代更新,验证集用于超参数调优与早停判断,测试集用于最终模型性能评估)。

29、min-max归一化公式为:

30、

31、式中:

x为原始的输出标签值;

x

min、

x

max分别为该输出标签在训练集中的最小值与最大值;

x

norm为归一化后的输出标签值。

32、进一步地,所述步骤s4中:

33、基于resnet架构进行定制化修改,具体包括:

34、输入层调整:适配坝体剖面几何特征输入,包括9通道二值化几何掩膜特征中的大坝的最大坝体剖面和不同材料分区,调整卷积层输入通道数,匹配坝体分区二值化几何掩膜的输入维度;

35、残差结构定制:设置多组残差堆叠结构,通过下采样卷积实现特征图尺寸与卷积层输入通道数的适配调整,强化特征提取能力;

36、输出层适配:移除分类任务的softmax激活函数,替换为恒等映射以适配回归任务;采用单目标训练策略,为各项优化目标分别训练独立的resnet代理模型;

37、不确定性量化适配:在残差块中嵌入蒙特卡洛dropout层,在resnet代理模型训练与推理阶段均保持开启,为不确定性量化提供基础;

38、resnet代理模型训练采用adam优化器与均方误差(mse)损失函数;启用早停策略,当验证集损失连续多轮未下降时终止训练,保存最优resnet代理模型的权重;

39、resnet代理模型在测试集上的性能评估采用平均绝对误差(mae)、均方根误差(rmse)、决定系数r2三项指标,设定resnet代理模型精度判定标准,若不满足要求则补充样本数据重新训练。

40、进一步地,所述步骤s5中:

41、对同一组优化设计变量,通过resnet代理模型完成多次蒙特卡洛前向推理,得到多组预测值集合;

42、计算预测值集合的均值μ(x)与标准差σ(x),以均值作为优化目标预测值,以标准差作为不确定性量化指标;

43、设定不确定性阈值,剔除标准差超过阈值的不可靠方案。

44、进一步地,所述步骤s6中:

45、s601、nsga-iii算法参数设置:采用基于参考点机制的nsga-iii算法框架;参考点设置采用das-dennis方法,生成适配多维多目标优化空间的均匀参考点;收敛判定准则为连续多代超体积(hv)指标相对变化率低于设定阈值;

46、s602、resnet代理模型与基于nsga-iii的多目标优化算法耦合求解:

47、基于界定的优化空间,初始化种群,确保种群个体满足优化设计变量的规范约束;

48、每一代迭代中,将种群内所有个体的优化设计变量输入resnet代理模型,获取优化目标预测值及不确定性量化结果,剔除预测不可靠个体与不满足规范约束的不可行个体;

49、基于保留的可行个体,按照nsga-iii算法的非支配排序机制、参考点导向的环境选择机制,完成种群更新;

50、重复迭代过程,直至满足收敛判定准则,终止迭代并输出pareto最优解集。

51、进一步地,所述步骤s7具体包括:

52、s701、critic客观赋权:基于pareto最优解集的优化目标的数据特征,采用critic法计算16项优化目标的客观权重,客观权重计算公式为:

53、

54、式中:

w

j为第

j个优化目标的客观权重;

c

j为第

j个优化目标的综合信息量;

σ

j为第

j个优化目标的标准差;

r

jk为第

j个优化目标与第

k个优化目标的皮尔逊相关系数;

55、s702、topsis方案排序:基于critic客观权重构建加权标准化决策矩阵,确定正理想解与负理想解;计算每个方案到正理想解、负理想解的欧式距离,得到综合贴近度tci,计算公式为:

56、

57、式中:为第

i个方案到正理想解的欧式距离;为第

i个方案到负理想解的欧式距离;

tc

i取值范围为[0,1],值越大代表方案综合性能越优;

58、选取综合贴近度最大的方案为最优折中方案,同时保留填筑方量最小的极端经济方案、安全系数最大的极端安全方案;

59、s703、有限元仿真验证:对筛选得到的最优折中方案,开展1:1精细化三维有限元仿真,对比有限元仿真结果与resnet代理模型预测值,验证优化结果的准确性;同时校验方案的所有性能指标均满足规范约束要求,最终输出混凝土面板堆石坝剖面优化设计参数。

60、一种基于resnet代理模型的混凝土面板堆石坝剖面多目标优化系统,包括:

61、优化模型构建模块,用于执行权利要求1所述的步骤s1,完成混凝土面板堆石坝剖面的多目标优化数学模型的搭建;

62、优化空间界定模块,用于执行权利要求1所述的步骤s2,完成优化空间界定;

63、数据集构建模块,用于执行权利要求1所述的步骤s3,完成样本采样、有限元仿真计算、特征提取、数据预处理与与数据集划分;

64、resnet代理模型构建模块,用于执行权利要求1所述的步骤s4,完成resnet代理模型的定制化构建、参数寻优、训练与性能验证;

65、不确定性量化模块,用于执行权利要求1所述的步骤s5,完成resnet代理模型预测结果的不确定性量化与不可靠方案剔除;

66、多目标优化求解模块,用于执行权利要求1所述的步骤s6,完成resnet代理模型与nsga-iii算法的耦合求解,输出pareto最优解集;

67、方案决策与验证模块,用于执行权利要求1所述的步骤s7,完成最优方案筛选与有限元仿真验证,输出最终混凝土面板堆石坝剖面优化设计参数。

68、相对于现有技术,本发明具有以下有益效果:

69、1.大幅提升混凝土面板堆石坝剖面优化效率。本发明通过9通道几何掩膜充分发挥resnet代理模型的高维非线性映射能力,对坝体多维度性能指标的预测决定系数r2可达0.9以上,可替代传统耗时的有限元数值模拟,计算效率提升90%以上。

70、2.保障优化方案的工程可靠性。本发明通过嵌入蒙特卡洛dropout模块的resnet模型,实现了预测结果的内生型不确定性量化,可输出预测值的95%置信区间与方差,明确模型预测的可靠度,解决了传统确定性代理模型无可靠性量化、易导致优化方案偏于危险的缺陷。

71、3.实现多目标优化的客观科学决策。本发明通过critic-topsis客观决策模型,基于pareto解集的数据特征计算目标权重,可筛选出兼顾安全与经济的最优折中方案。

72、4.工程适配性强,具备广泛推广价值。本发明针对确定的混凝土面板堆石坝工程开展定制化参数化建模与代理模型训练,精准匹配目标工程的筑坝材料特性与设计标准,优化结果可应用于工程设计,同时方法框架可灵活适配不同坝高、不同类型的面板堆石坝工程,工程实用性与适应性强。