Angesichts der Probleme bei der Inversion des Durchlässigkeitskoeffizienten von Steinschüttdämmen mit hohem Kern, wie starke Nichtlinearität, große Koeffizientenstreuung und Trainingsschwierigkeiten bei kleinen Stichproben, wurde eine Parameterinversionsmethode vorgeschlagen, die lateinische Hyperwürfelsampling im logarithmischen Raum mit einem verbesserten Sperlingssuchalgorithmus zur Optimierung der Support-Vektor-Maschine kombiniert. Das Lateinische Hyperwürfelsampling (LHS) wird im logarithmischen Raum verwendet, um einen initialen Stichprobenpool mit hoher räumlicher Füllqualität und Maßstabsbalance zu generieren; angesichts der Neigung des Standard-Sperlingssuchalgorithmus (SSA), in lokalen Extrema stecken zu bleiben, wurde innovativ die Tent chaotische Abbildung eingeführt, um die anfängliche Populationsdurchmusterung zu verbessern, ergänzt durch eine Cauchy-Mutationsstrategie, die Individuen die dynamische Fähigkeit verleiht, lokale Optima zu verlassen, um eine adaptive Optimierung der Schlüssel-Hyperparameter der Support-Vektor-Regression (SVR) zu realisieren. Am Beispiel des Löwenplateau-Wasserkraftwerks mit Steinschüttdamm und Herzkern wurde ein Modell zur Durchlässigkeitsinversion aufgebaut. Die Ergebnisse zeigen, dass die vorgeschlagene Methode unter kleinen Stichprobenbedingungen eine höhere Vorhersagegenauigkeit aufweist; der invertierte Durchlässigkeitskoeffizient erfüllt das Gradientenprinzip des wasserdichten Entwässerungssystems; der RMSE des berechneten Wasserstandkopfs der Überwachungspunkte gegenüber den gemessenen Werten beträgt 1,36 m, der maximale relative Fehler liegt bei 0,1204 %, der durchschnittliche relative Fehler bei 0,039 %, und übertrifft damit Modelle wie BP-Neuronale Netze und Random Forests.

Steinschüttdamm;Durchlässigkeit;Parameterinversion;Support-Vektor-Regression;verbesserter Sperlingssuchalgorithmus