贝叶斯框架下大坝渗流参数反演组合代理模型研究

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.