Face aux problèmes présents dans l'inversion du coefficient de perméabilité des barrages en enrochement à noyau en terre haute, tels que la forte non-linéarité, la grande variation des coefficients et la difficulté d'entraînement avec peu d'échantillons, une méthode d'inversion des paramètres combinant l'échantillonnage latin hypercube dans l'espace logarithmique et un algorithme amélioré de recherche de moineaux pour optimiser la machine à vecteurs de support a été proposée. L'échantillonnage Latin hypercube (LHS) est utilisé dans l'espace logarithmique pour générer un ensemble d'échantillons initial avec une haute capacité de remplissage spatial et un équilibre d'échelle ; pour pallier la tendance de l'algorithme standard de recherche de moineaux (SSA) à se coincer dans les valeurs extrêmes locales, une cartographie chaotique Tent est introduite pour améliorer l'exploration initiale de la population, associée à une stratégie de mutation de Cauchy permettant aux individus de sortir dynamiquement des optima locaux, réalisant ainsi une optimisation adaptative des hyperparamètres clés de la régression vectorielle de support (SVR). En prenant l'exemple du barrage à enrochement avec noyau du projet hydroélectrique de Lionping, un modèle a été construit pour l'inversion du coefficient de perméabilité. Les résultats montrent que la méthode proposée offre une meilleure précision prédictive avec un petit échantillon ; le coefficient de perméabilité inversé satisfait la loi gradientielle du système d'étanchéité et de drainage ; l'erreur quadratique moyenne (RMSE) entre les valeurs calculées et mesurées des têtes d'eau aux points de surveillance est de 1,36 m, l'erreur relative maximale est de 0,1204 %, et l'erreur relative moyenne est de 0,039 %, surpassant les modèles d'apprentissage automatique tels que les réseaux neuronaux BP et les forêts aléatoires.

barrage en enrochement;percolation;inversion des paramètres;régression vectorielle de support;algorithme de recherche de moineaux amélioré