小样本下贝叶斯-LM神经网络的大型渡槽混凝土热学参数反演

王泽文; 姜函; 张梦帆; 王璞; 李强

doi:10.13319/j.cnki.sjztddxxbzrb.20250195

石家庄铁道大学学报（自然科学版） ›› 2025, Vol. 0 ›› Issue (4) : 54 -61. DOI: 10.13319/j.cnki.sjztddxxbzrb.20250195

小样本下贝叶斯-LM神经网络的大型渡槽混凝土热学参数反演

王泽文, 姜函, 张梦帆, 王璞, 李强

作者信息 +

Author information +

文章历史 +

PDF

摘要

大型渡槽混凝土施工期温度场的精确预测是防止裂缝生成的关键,针对以往热学参数反演方法依赖大样本、结构复杂、计算效率低的局限,提出了一种融合贝叶斯超参数优化与LM（Levenberg-Marquardt）神经网络的小样本反演框架,仅用30组均匀设计试验数据,利用贝叶斯超参数优化自动选取网络最优架构,结合LM算法快速实现全局收敛,并通过K折交叉验证（K=5）与早停机制增强小样本泛化能力。以四川省亭子口灌区某渡槽实际温度监测为案例,反演得到绝热温升（70.47℃）、绝热温升常数（1.92）,导热系数(3.11W/（m·℃）)及对流系数(10.73W/（m²·℃）)。通过有限元计算并对比现场监测温度,关键部位温度监测点最高温度的误差均≤4%,反演结果满足工程精度要求,表明该方法在小样本条件下具备良好的实用性。