技术领域
本发明涉及重力坝抗震分析技术领域,具体为一种重力坝地震风险概率分析方法。
背景技术
水库大坝具有防洪、发电、灌溉、供水等多重功用,是国民经济重要的基础设施。混凝土重力坝(简称重力坝)是水利水电工程常用的大坝坝型之一。在强震作用下,重力坝可能会出现不同程度的损伤,直接威胁工程安全和正常运行,因此,高地震烈度区重力坝地震风险分析与评估一直是业界和社会高度关注的问题。结构地震风险概率分析可以同时考虑场地的地震危险性和结构的地震易损性,能够量化分析地震作用效应与结构抗力等不确定性因素的影响,科学合理地评价结构的地震风险,为结构地震灾害预测和地震灾害损失评估提供科学依据,是重力坝抗震研究领域的前沿和热点问题之一。
结构失效状态预测和地震易损性曲线绘制是重力坝地震风险概率分析的两个主要步骤和关键环节。对于结构失效状态预测,目前主要采用数值模拟方法(如非线性有限元增量动力分析),该方法的优点是可以比较准确地揭示重力坝在不同地震动作用下的震损特征,但缺点是计算工作量巨大,不适合需要考虑大量地震动输入的情况。对于地震易损性曲线绘制,目前常用的方法是假设重力坝地震需求能力符合对数正态分布,并构造相应的易损性曲线方程。由于重力坝地震需求能力的实际概率分布与对数正态分布存在偏差,同时受计算工作量限制,易损性曲线方程中的参数只能根据少量数值模拟结果近似拟合,因此,按目前方法绘制的易损性曲线不能准确反映重力坝的实际抗震性能,进而影响到重力坝地震风险概率分析结果的精度和合理性。
基于此,本发明设计了一种重力坝地震风险概率分析方法,以解决上述提到的问题。
发明内容
本发明的目的在于提供一种重力坝地震风险概率分析方法,针对目前重力坝地震风险概率分析方法通过数值模拟进行结构失效状态预测,计算效率低、耗时长的缺点,通过相关性分析优选地震动强度参数,作为人工神经网络的输入参数,利用神经网络替代耗时的数值模拟,实现重力坝失效状态的快速预测,显著降低了计算工作量。针对目前方法绘制易损性曲线时,需要假设重力坝地震需求能力符合对数正态分布,以及只能利用少量数值模拟结果近似拟合易损性曲线参数的缺点,本发明由于实现了基于神经网络的重力坝失效状态快速预测,使得利用大量地震动输入进行重力坝失效概率估计成为可能,从而可以根据重力坝失效概率估计结果直接绘制易损性曲线,不再需要假设重力坝地震需求能力符合对数正态分布,克服了现有方法的不足,提高了重力坝地震风险概率分析的准确性。
重力坝地震风险概率可表示为“场地地震危险性×结构地震易损性”。通过地震易损性分析可得到重力坝结构失效的超越概率与地震动强度的关系曲线(即重力坝地震易损性曲线),根据重力坝坝址场地地震危险性分析可得到不同地震动强度(一般用地面峰值加速度PGA代表)的年超越概率曲线(即场地地震危险性曲线),最后,利用地震易损性曲线和地震危险性曲线计算重力坝地震风险概率。
为实现上述目的,本发明提供如下技术方案:一种重力坝地震风险概率分析方法,具体包括如下步骤:
S1:不同地震动作用下的重力坝动力有限元分析和大坝失效状态判别;
S2:筛选用于重力坝失效状态预测的地震动强度参数;
S3:建立快速预测重力坝失效状态的BP神经网络模型;
S4:选取用于预测重力坝失效状态的地震动记录,并计算地震动强度参数;
S5:不同PGA水平下的重力坝失效概率估计;
S6:绘制重力坝地震易损性曲线,根据S5得到的不同PGA水平下的重力坝失效概率估计值,直接绘制PGA-F
S7:计算重力坝地震风险概率,将PGA离散为l个水平,根据S6得到的重力坝地震易损性曲线和地震局提供的坝址场地地震危险性曲线,按下式计算重力坝地震风险概率:
式中,p(F
S8:根据计算的p(F
优选的,所述S1具体步骤包括:
S1.1:在地震数据库中选取N条符合拟分析的重力坝场地特性的实测地震动记录,每条地震动记录包含1条水平向和1条竖向地面加速度时程曲线;
S1.2:对选取的加速度时程曲线进行调幅处理,以0.1g为步长,将水平向加速度时程曲线调幅至峰值加速度PGA等于0.1g,0.2g,…,0.8g,共8个PGA水平,竖向加速度时程曲线则按水平向PGA的2/3进行调幅;
S1.3:将调幅后的8×N条地震动记录输入重力坝有限元模型,进行增量动力分析;
S1.4:根据坝体裂缝扩展情况和整体损伤指标判断大坝失效状态。
优选的,所述根据坝体裂缝扩展情况和整体损伤指标判断大坝失效状态的方法为:若坝体产生贯穿性裂缝,且坝体整体损伤指标大于或等于0.6,则视为大坝失效,若失效状态总计出现R次,则未失效状态为(8×N-R)次。
优选的,所述坝体损伤指标根据Hariri-Ardebili提出的重力坝震损量化方法计算,对于坝体第j个易损部位出现的第i条裂缝,该裂缝的损伤指标
式中,
根据各条裂缝的损伤指标,按式(2)计算坝体各易损区域的损伤指标
式中,n为第j个易损区域包含的裂缝数;
将各易损区域的损伤指标相加,得到重力坝的整体损伤指标
式中,整体损伤指标
优选的,所述S2具体步骤包括:
S2.1:计算S1中8×N条地震动记录的水平向和竖向地震动强度参数集{IM
S2.2:根据地震动强度参数的最大值和最小值,对地震动强度参数进行归一化处理;
S2.3:计算经归一化的水平向和竖向地震强度参数与重力坝整体损伤指数的Spearman秩相关系数
优选的,所述水平向地震动强度参数集{IM
式中,PGA、Sa
优选的,按照式(6)得到归一化后的地震动强度参数
优选的,所述S3具体步骤包括:
S3.1:将S2中筛选出的8×N组水平向和竖向地震动强度参数及对应的重力坝失效状态分类结果用于BP神经网络模型的训练、测试和验证,随机抽取80%的数据用于训练和测试神经网络模型,剩余20%的数据用于验证模型的预测精度;
S3.2:将水平向和竖向地震动强度参数两两组合,即
S3.3:根据模型测试精度和验证精度对BP神经网络模型的输入参数、隐藏层数、隐藏层节点数、激励函数和训练迭代次数进行优选。
优选的,所述S4具体步骤包括:
S4.1:选取符合重力坝场地特性的M条实测地震动记录,以0.01g为步长,将水平向和竖向地震动加速度时程曲线调幅至PGA=0.1g~0.8g,共得到71×M组水平向和竖向地震动加速度时程曲线;
S4.2:再根据S3确定的最优输入参数组合,计算相应的地震动强度参数;
S4.3:对相应的地震动强度参数进行归一化处理。
优选的,所述S5具体步骤包括:
S5.1:利用S3建立的神经网络模型,输入S4得到的某一个PGA对应的M组地震动强度参数,快速预测相应的重力坝失效状态;
S5.2:若重力坝失效,记F
S5.3:根据S5.2,即可得到不同PGA水平下的重力坝失效概率估计值。
与现有技术相比,本发明的有益效果是:
(1)用神经网络模型替代耗时的动力有限元计算,可以快速预测不同PGA水平对应的重力坝失效状态,显著提高了重力坝地震风险概率分析的效率。
(2)由于有限元计算工作量大的限制,现有方法无法采用大量地震动输入进行重力坝地震易损性分析,在绘制重力坝地震易损性曲线时,需要假设重力坝地震需求能力符合对数正态分布,因此,基于该假设绘制的易损性曲线不能准确反映重力坝实际的抗震性能,进而影响到重力坝地震风险概率分析结果的精度和合理性。本发明利用神经网络模型进行重力坝失效状态的快速预测,使得采用大量地震动输入进行重力坝地震易损性分析成为可能,不再需要重力坝地震需求能力符合对数正态分布的假设,克服了现有方法的不足,提高了重力坝地震风险概率分析的准确性。
(3)针对目前常用的重力坝地震风险概率分析方法效率较低、精度尚需进一步提高的问题,本发明利用神经网络代替极为耗时的非线性动力有限元计算,实现了重力坝失效状态的快速预测,使得采用大量地震动输入进行重力坝地震风险概率分析成为可能,克服了现有方法的不足,显著提高了基于性能的重力坝抗震可靠性分析评估的效率和准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明重力坝地震风险概率分析方法流程图;
图2为本发明重力坝地震风险概率计算原理示意图;
图3为本发明部分实测和调幅后的地震动加速度时程曲线图;
图4为本发明YL重力坝16#坝段横剖面及坝体有限元网格图;
图5为本发明部分地震动作用下的YL重力坝裂缝开展图;
图6为本发明520条地震动作用下的YL重力坝整体损伤指标分布图;
图7为本发明YL重力坝整体损伤指标与顺河向地震动强度参数的相关系数图;
图8为本发明YL重力坝整体损伤指标与竖向地震动强度参数的相关系数图;
图9为本发明YL重力坝地震易损性曲线图;
图10为本发明YL重力坝坝址场地的地震危险性曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种重力坝地震风险概率分析方法,其流程如图1所示,具体包括如下步骤:
S1:不同地震动作用下的重力坝动力有限元分析和大坝失效状态判别;
S1.1:在地震数据库中选取N条符合拟分析的重力坝场地特性的实测地震动记录,每条地震动记录包含1条水平向和1条竖向地面加速度时程曲线;
S1.2:对选取的加速度时程曲线进行调幅处理,以0.1g为步长,将水平向加速度时程曲线调幅至峰值加速度PGA等于0.1g,0.2g,…,0.8g,共8个PGA水平,竖向加速度时程曲线则按水平向PGA的2/3进行调幅;
S1.3:将调幅后的8×N条地震动记录输入重力坝有限元模型,进行增量动力分析;
S1.4:根据坝体裂缝扩展情况和整体损伤指标判断大坝失效状态。
其中,根据坝体裂缝扩展情况和整体损伤指标判断大坝失效状态的方法为:若坝体产生贯穿性裂缝,且坝体整体损伤指标大于或等于0.6,则视为大坝失效,若失效状态总计出现R次,则未失效状态为(8×N-R)次。坝体损伤指标根据Hariri-Ardebili提出的重力坝震损量化方法计算,对于坝体第j个易损部位出现的第i条裂缝,该裂缝的损伤指标
式中,
根据各条裂缝的损伤指标,按式(2)计算坝体各易损区域的损伤指标
式中,n为第j个易损区域包含的裂缝数;
将各易损区域的损伤指标相加,得到重力坝的整体损伤指标
式中,整体损伤指标
S2:筛选用于重力坝失效状态预测的地震动强度参数;
S2.1:计算S1中8×N条地震动记录的水平向和竖向地震动强度参数集{IM
式中,PGA、Sa
S2.2:根据地震动强度参数的最大值和最小值,对地震动强度参数进行归一化处理,以PGA为例,按照式(6)得到归一化后的地震动强度参数
S2.3:计算经归一化的水平向和竖向地震强度参数与重力坝整体损伤指数的Spearman秩相关系数
S3:建立快速预测重力坝失效状态的BP神经网络模型;
S3.1:将S2中筛选出的8×N组水平向和竖向地震动强度参数及对应的重力坝失效状态分类结果用于BP神经网络模型的训练、测试和验证,随机抽取80%的数据用于训练和测试神经网络模型(用于训练神经网络模型的数据占70%,用于测试的数据占30%),剩余20%的数据用于验证模型的预测精度;
S3.2:将水平向和竖向地震动强度参数两两组合,即
S3.3:根据模型测试精度和验证精度对BP神经网络模型的输入参数、隐藏层数、隐藏层节点数、激励函数和训练迭代次数进行优选。
S4:选取用于预测重力坝失效状态的地震动记录,并计算地震动强度参数;
S4.1:选取符合重力坝场地特性的M条实测地震动记录,(为保证重力坝失效概率估计结果的准确性,需要选取足够多的地震动记录,如M>100)。以0.01g为步长,将水平向和竖向地震动加速度时程曲线调幅至PGA=0.1g~0.8g,共得到71×M组水平向和竖向地震动加速度时程曲线;
S4.2:再根据S3确定的最优输入参数组合,采用表1中的公式计算相应的地震动强度参数;
S4.3:并按照和式(6)类似的方法进行归一化处理。
S5:不同PGA水平下的重力坝失效概率估计,
S5.1:利用S3建立的神经网络模型,输入S4得到的某一个PGA对应的M组地震动强度参数,快速预测相应的重力坝失效状态,
S5.2:若重力坝失效,记F
S5.3:根据S5.2,即可得到不同PGA水平下的重力坝失效概率估计值。
S6:绘制重力坝地震易损性曲线,根据S5得到的不同PGA水平下的重力坝失效概率估计值,直接绘制PGA-F
S7:计算重力坝地震风险概率,将PGA离散为l个水平,根据S6得到的重力坝地震易损性曲线和地震局提供的坝址场地地震危险性曲线,按下式计算重力坝地震风险概率,计算原理如图2所示。
式中,p(F
S8:根据计算的p(F
实施例
YL水电站位于我国西南地区,为一等大(1)型工程,主要任务为发电,水库正常蓄水位1332.00m,总库容7.6亿m
1)在美国太平洋地震工程研究中心(PEER)地震数据库中选取符合YL重力坝坝址场地特征的65条实测地震动记录,并以0.1g为步长,将水平向加速度时程曲线调幅至PGA为0.1g,0.2g,…,0.8g,共计8个PGA水平,竖向加速度时程曲线按水平向PGA的2/3进行调幅,部分实测和调幅后的加速度时程曲线如图3所示。
(2)建立YL重力坝最高挡水坝段(16#坝段)的二维有限元模型(见图4)。将步骤(1)得到的520条地震动记录输入有限元模型,进行增量动力分析。部分地震动作用下的坝体裂缝开展情况如图5所示,采用Hariri-Ardebili方法得到的大坝整体损伤指标如图6所示。结果表明,在520次动力分析中,YL重力坝的失效次数为301次(即坝体产生贯穿性裂缝,且坝体整体损伤指标大于或等于0.6),未失效次数为219次。
(3)按表1列出的常用地震动强度参数的计算公式,计算步骤(1)中520条地震动的水平向和竖向强度参数,并按照和式(6)类似的方法进行归一化处理。计算归一化后的水平向和竖向地震强度参数与整体损伤指数的Spearman秩相关系数,结果如图7和图8所示。按相关系数大于或等于0.8的条件筛选出用于重力坝失效状态预测的地震动强度参数,结果见表3和表4。
(4)将步骤(3)筛选出的520组水平向和竖向地震动强度参数及对应的重力坝失效状态分类结果用于BP神经网络模型的训练、测试和验证,随机抽取416组数据(占比80%)用于神经网络模型的训练和测试,其中训练数据有288组(占比70%),测试数据有128组(占比30%);剩余104组数据(占比20%)用于验证模型的预测精度。将步骤(3)筛选的水平向和竖向地震动强度参数两两组合,共计169个参数组合,分别作为BP神经网络模型的输入参数,进行模型训练、测试和验证。
不同地震动强度参数组合对应的模型测试精度和验证精度见表5和表6。综合考虑模型测试精度和验证精度,确定YL重力坝失效预测的最优输入参数组合为ASI
(5)在PEER地震数据库中重新选取符合YL重力坝坝址场地特征的300条地震动记录,以0.01g为步长将水平向加速度时程曲线调幅至PGA为0.1g~0.8g,竖向加速度时程曲线按水平向PGA的2/3进行调幅,共得到21300条水平向和竖向加速度时程曲线。计算水平向和竖向地震动强度参数ASI
(6)利用步骤(4)建立的BP神经网络模型,输入21300组地震动强度参数
(7)根据YL重力坝坝址处50年和100年的地震危险性曲线(见图10),以及步骤(6)得到的地震易损性曲线,按照图2所示的计算原理,采用式(7)计算YL重力坝地震风险概率。当采用50年的地震危险性曲线时,按本发明方法计算的YL重力坝地震风险概率为0.58‰,按传统方法计算的地震风险概率为0.82‰;采用100年的地震危险性曲线时,本发明方法计算的YL重力坝地震风险概率为0.99‰,而传统方法计算的地震风险概率为1.37‰。
根据本发明方法计算的地震风险概率和表2,YL重力坝未来100年的抗震可靠性水平为“高于平均”。而根据传统方法,YL重力坝未来100年的抗震可靠性水平在“低于平均”和“高于平均”之间。由于传统方法无法采用大量地震动输入进行重力坝地震易损性分析,且需要假设重力坝地震需求能力符合对数正态分布,其评估结果不能准确反映重力坝实际的抗震性能。此处所描述的具体实例表明,采用传统方法进行YL重力坝抗震性能评价,将低估该重力坝的抗震性能。
表1常用地震动强度参数的计算公式
表2结构失效概率与结构性能水平的对应关系
表3与整体损伤指数相关性较强的顺河向地震动强度参数
表4与整体损伤指数相关性较强的竖向地震动强度参数
表5不同水平向和竖向地震动强度参数组合对应的神经网络模型测试精度
注:H代表水平向(顺河向),V代表竖向。
表6不同水平向和竖向地震动强度参数组合对应的神经网络模型验证精度
注:H代表水平向(顺河向),V代表竖向。
表7不同隐藏层数和隐藏层节点数组合对应的神经网络模型测试精度和验证精度
注:L代表隐藏层数,m代表隐藏层节点数。
表8不同训练迭代次数对应的神经网络模型测试精度、验证精度和最小MSE
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
机译: 一种用于检测至少一个引起压力波非随机持续变化的物体的方法。一种计算机分析方法,用于分析检测到的地震或声波信号,以便检测至少一个在频带F中引起信号非随机持续变化的物体。检测至少一个引起感兴趣的地震或声音信号的物体。一种计算机系统,分析检测到的信号,以便检测至少一个引起感兴趣的信号的物体。计算机模块,分析检测到的信号,以便检测至少一个物体引起感兴趣的信号,该设备程序可以被机器读取。检测至少一个物体引起感兴趣的地震或声音的方法是一种有序的方法和计算机程序
机译: 地震区混凝土重力坝
机译: 地震响应分析方法的隔震建筑物及利用地震响应分析方法的隔震装置的地震安全性评价方法