首页期刊导航|水利水电科技进展
期刊信息/Journal information
水利水电科技进展
河海大学
水利水电科技进展

河海大学

彭世彰

双月刊

1006-7647

jz@hhu.edu.cn

025-83786335

210098

南京西康路1号河海大学内

水利水电科技进展/Journal Advances in Science and Technology of Water ResourcesCSCD北大核心CSTPCD
查看更多>>本刊由河海大学主办，主要刊登水科学、水工程、水资源、水环境、水管理方面的科技论文，主要栏目有专家论坛、学术研究、工程技术、专题综述、国外动态等，适合与水利、水电、水科学、水工程、水资源、水环境有关的科研、工程、管理人员以及大专院校师生阅读。
正式出版
收录年代

    考虑渐进灾变特性的高拱坝变形性态诊断方法

    杨光赵阿辉吴邦彬黄振栋...
    66-71页
    查看更多>>摘要：针对高拱坝变形性态诊断已有方法的局限性,考虑变形失稳过程的渐进灾变特性,结合现代坝工学、力学和数学理论,提出了一种新的诊断方法.该方法在表征水压、温变和时效变形的基础上标定高拱坝的弹性变形状态,借助信息熵理论建立个体诊断指标,依据投影寻踪法优化获取个体贡献度,据此构建群体诊断指标,并基于典型小概率原理拟定诊断控制值,提出了群体正常、群体基本正常、个体异常、群体异常、群体恶化的诊断准则.工程实例检验结果表明,该方法有效地刻画了渐进灾变过程,适用于尚未遭遇最不利荷载的情况.

    高拱坝变形性态诊断渐进灾变特性信息熵典型小概率原理

      原文链接:
    • 万方数据
    • 维普

    基于RUN-XGBoost算法的土石坝渗流预测模型

    马春辉侯媛媛杨杰袁帅...
    72-78页
    查看更多>>摘要：针对传统土石坝渗流预测模型存在局部最优、抗干扰性差和预测精度低等问题,通过RUN算法优化XGBoost算法得到RUN-XGBoost算法,构建了 RUN-XGBoost模型以获得更优的土石坝渗流预测结果.该模型在种群初始化时采用RUN算法对XGBoost算法的3个主要参数进行改进,使预测结果有较高的有效性;通过自动寻找最优参数增进算法的整体收敛速度和预测精度,同时引入随机解,使算法能够排除局部最小值并继续搜索,从而获得全局最优结果.工程实例验证结果表明,RUN-XGBoost模型具有简洁、高效、预测精度高、鲁棒性强等优点.

    土石坝渗流监测RUN-XGBoost算法预测模型

      原文链接:
    • 万方数据
    • 维普

    基于遗传算法的空箱式挡土墙多目标优化设计

    王丽徐鹏飞刘松郭瑞...
    79-86页
    查看更多>>摘要：为高效、准确、自动化地实现空箱结构的优化设计,以空箱式挡土墙为研究对象,基于Python语言和ABAQUS软件进行参数化建模,实现了结构建模及有限元计算分析全套流程的自动化.结合某水闸工程中的一座空箱式挡土墙结构,以多个强度和稳定性指标的最优化和混凝土体积的最小化为目标,以规范要求的指标阈值、几何尺寸和体积限制为约束条件,采用非支配排序遗传算法(NSGA-Ⅱ算法)进行空箱式挡土墙多目标优化设计.为进一步提高计算效率,基于人工神经网络算法建立了代理模型,实现了与实际有限元模型的高度近似.结果表明,依据所提出的优化设计方法进行空箱式挡土墙多目标优化设计,可以在有效控制强度和稳定性的前提下尽可能地缩减混凝土用量,具有显著的经济效益.

    空箱式挡土墙参数化建模NSGA-Ⅱ算法代理模型结构优化设计

      原文链接:
    • 万方数据
    • 维普

    交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

    张宗堂肖天祥高文华杨洋...
    87-91页
    查看更多>>摘要：基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数.引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型.与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力.

    煤矸石路基累积变形预测灰色关联分析粒子群算法BP神经网络

      原文链接:
    • 万方数据
    • 维普

    基于VMD-XGBoost-GRU模型的危岩体变形预测

    许秋鸿刘晓青
    92-98页
    查看更多>>摘要：针对以往对危岩体监测数据前处理效果不佳的问题,提出了一种用于危岩体变形预测的VMD-XGBoost-GRU组合模型.该模型采用变分模态分解(VMD)和样本熵理论将危岩体变形数据分解成多个子序列,利用XGBoost算法提取重要的模型因子实现特征降维,通过门控循环单元(GRU)神经网络对危岩体变形进行预测.以某水电站右坝肩陡壁上的危岩体变形预测为例,将VMD-XGBoost-GRU组合模型与BP、GRU和VMD-XGBoost-BP 3种模型进行对比与分析,结果表明,VMD-XGBoost-GRU组合模型在危岩体变形预测方面具有较高精度,可为危岩体安全稳定状态评价提供技术依据.

    危岩体VMD样本熵XGBoostGRU变形预测模型

      原文链接:
    • 万方数据
    • 维普

    征稿启事

    封2,封3页
      原文链接:
    • 万方数据