堆石坝施工仿真参数HHO-RDSOGM在线更新模型研究

摘要

基于施工过程中产生的海量数据流驱动堆石坝施工仿真参数更新是确保施工仿真准确性的关键．现有仿真参数更新研究主要采用贝叶斯及其衍生方法，难以准确模拟异常值多、多峰和时变的仿真参数，存在数据量大时更新效率低的问题．针对上述问题，提出基于实时感知数据流处理的堆石坝仿真参数哈里斯鹰优化算法-堆石坝自组织高斯方法（HHO-RDSOGM）在线更新模型．首先，应用异常数据检测和处理方法提升数据质量．其次，将实时获取的施工感知数据流建模为动态高斯成分构成的仿真参数分布，通过类间节点插入和网络去噪的操作来动态地增添或者减少高斯成分的数量，并通过节点更新权值的操作来实时地改变每个局部高斯成分中的参数来改变参数局部分布形态，以实现仿真参数分布的实时更新，其中采用HHO算法优化自组织增量学习神经网络的C₁和C₂等超参数，以提升参数更新精度．案例分析表明：HHO-RDSOGM方法相较于KDE、GMM、Dirichlet、oKDE和RDSOGM等方法，能够实现复杂施工环境下仿真参数自组织在线学习，方法精度平均分别提高了30.71%、31.87%、18.91%、11.50%和8.34%，表明方法的有效性．

关键词

堆石坝仿真 / 仿真参数在线更新 / 异常值检测与处理 / 优化算法