典型文献
贝叶斯框架下大坝渗流参数反演组合代理模型研究
文献摘要：
渗流参数贝叶斯反演的关键在于解决对渗流正演模型大量调用而导致的计算耗时问题.现有提高贝叶斯反演计算效率的研究大多采用基于单一机器学习算法的代理模型,计算精度较低.针对上述问题,本文提出一种贝叶斯框架下大坝渗流参数反演组合代理模型.该方法在贝叶斯框架下集成支持向量回归(SVR)、Kriging和多元自适应回归样条(MARS)三种机器学习算法.其中,利用差分进化自适应Metropolis(DREAMZS)算法并行采样的优势计算权重系数的随机分布函数,在考虑不确定性的条件下获得模型权重系数.案例分析表明,相比于运行一次至少需要耗费4h的渗流数值模型,本文所提组合代理模型运行一次仅需几秒钟,显著提高了贝叶斯反演的计算效率;此外,本文所提反演方法相比于基于SVR、Kriging和MARS的贝叶斯反演方法能够获得更准确的反演结果,其平均精度分别提高了13.78％、19.34％和12.27％,为大坝渗流参数反演提供了一种新思路.
文献关键词：
渗流参数;贝叶斯反演;组合代理模型;DREAMZS算法;SVR;Kriging;MARS
中图分类号：
作者姓名：
余红玲;王晓玲;王成;曾拓程;余佳;盖世聪
作者机构：
天津大学 水利工程仿真与安全国家重点实验室,天津 300072;天津市政工程设计研究总院有限公司,天津 300051
文献出处：
引用格式：
[1]余红玲;王晓玲;王成;曾拓程;余佳;盖世聪-.贝叶斯框架下大坝渗流参数反演组合代理模型研究)[J].水利学报,2022(03):306-315,324
A类：
组合代理模型,DREAMZS
B类：
贝叶斯框架,大坝渗流,渗流参数,参数反演,贝叶斯反演,正演模型,调用,反演计算,计算效率,机器学习算法,计算精度,下集,支持向量回归,SVR,Kriging,多元自适应回归样条,MARS,差分进化,Metropolis,并行采样,权重系数,随机分布,分布函数,确定性的,模型权重,耗费,4h,数值模型,几秒钟,反演方法
AB值：
0.250354
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
