Hybride Analyse Einer Bogenstaumauer Mit Einem Neuralen Netzwerk Und Quantilsregression

ZusammenfassungDie Vorhersage und Interpretation von Verformungsmessungen zur Bewertung der Sicherheit von Talsperren auf der Grundlage von früheren Überwachungsdaten ist heute eine der häufigsten Aufgaben von Talsperrenverantwortlichen. Zur Lösung dieser Aufgaben werden deterministische und statistische Ansätze verwendet. Finite-Elemente-Modelle bieten die Möglichkeit, das Verhalten von Talsperren sehr detailliert zu untersuchen, wenn sowohl mechanische Parameter als auch geotechnische und geologische Informationen verfügbar sind. Im Vergleich zu statistischen Modellen mangelt es ihnen jedoch häufig an Vorhersagegenauigkeit aufgrund des zeitabhängigen Verhaltens der Rheologie und eingeschränkter Informationen über die geologischen Bedingungen. Dies ist insbesondere dann der Fall, wenn nur begrenzte Daten zur Kalibrierung von Materialmodellen und Kontaktbedingungen, z. B. zwischen den einzelnen Blöcken, zur Verfügung stehen. Die hybride Modellierung kombiniert die Vorteile beider Ansätze. Das ICOLD Technical Committee on Computational Aspects of Analysis and Design of Dams rief zu einem Workshop über das Verhalten und die prädiktive Analyse einer doppelt gekrümmten Bogenmauer auf. Für die gestellte Aufgabe wird ein Finite-Elemente-Modell erstellt und anhand verfügbarer Überwachungsdaten kalibriert. Anschließend wird ein rekurrentes neuronales Netz mit denselben Daten und den Ergebnissen der Finite-Elemente-Analyse trainiert, um dessen mangelnde Vorhersagegenauigkeit zu kompensieren. Es wird gezeigt, dass dieses Verfahren nicht nur die Qualität der Modellierung verbessert, sondern auch Unzulänglichkeiten des mechanischen Modells aufdeckt. Darüber hinaus werden aus neuronalen Netzen mit Quantilsregression Vorhersageintervalle abgeleitet, um Warnstufen zu definieren und Anomalien in den Überwachungsdaten zu erkennen.