Page 61 - 2023年第54卷第10期
P. 61
图 １ 研究框架
（１）数据集生成。针对现有复杂坝基地质条件下的土石坝建模方法通常采用先建模后裁剪修型的
方式，导致建模过程中涉及大量主观经验判断，容易影响建模准确性和建模效率的问题，采用基于有
向地层分界面布尔逻辑序列（ ＢｏｏｌｅａｎＬｏｇｉｃＳｅｑｕｅｎｃｅｏｆＯｒｉｅｎｔｅｄＧｅｏｌｏｇｉｃａｌＩｎｔｅｒｆａｃｅｓ，ＢＬＳＯＧＩ）的多地质
体自动建模方法 ［２４］ ，自动建立复杂坝基地质条件下的大坝模型；然后，采用拉丁超立方抽样（Ｌａｔｉｎ
ＨｙｐｅｒｃｕｂｅＳａｍｐｌｉｎｇ ，ＬＨＳ）方法从上下游水位和各地层渗透系数的取值范围中抽取若干样本点，并将
这些样本点输入基于 ＣＦＤ技术的土石坝渗流数值模型中，通过模拟计算获得渗流效应量的响应值，输
入的样本点与输出的渗流效应量响应值则构成大坝渗流性态指标预测模型的数据集；将数据集划分为
训练集和测试集，其中的训练集用于训练预测模型，而测试集用于检测预测模型的预测性能。
（２）基于 ＩＡＯ － ＸＧＢｏｏｓｔ集成学习的预测模型建立。针对大坝渗流数值模拟方法存在计算效率较低、
难以实时分析大坝渗流性态的问题，利用 ＸＧＢｏｏｓｔ算法预测精度高、运算速度快和泛化能力强的优
势，建立大坝渗流性态指标的预测模型；进一步地，针对 ＸＧＢｏｏｓｔ算法超参数的取值问题，在传统天
鹰优化算法的基础上，引入混沌初始化种群和非线性飞行速率更新策略进行改进，建立改进的天鹰优
１
— １ ９ ７ —
