Diante dos problemas na inversão do coeficiente de permeabilidade em barragens de enrocamento com muro interno alto, como forte não linearidade, ampla variação dos coeficientes e dificuldades no treinamento com amostras pequenas, propõe-se um método de inversão de parâmetros que integra a amostragem latina hipercúbica no espaço logarítmico com um algoritmo aprimorado de busca de pardal para otimizar a máquina de vetores de suporte. Utiliza-se a amostragem latina hipercúbica (LHS) no espaço logarítmico para gerar um conjunto inicial de amostras com alta capacidade de preenchimento espacial e equilíbrio de escala; para abordar a tendência do algoritmo padrão de busca de pardal (SSA) de ficar preso em valores locais máximos, introduz-se o mapeamento caótico Tent para reforçar a varredura inicial da população, juntamente com uma estratégia de mutação de Cauchy que proporciona aos indivíduos a capacidade dinâmica de escapar de ótimos locais, realizando a busca adaptativa dos hiperparâmetros chave da regressão por vetor de suporte (SVR). Tomando como exemplo a barragem com muro interno da usina hidrelétrica de Lionping, foi construído um modelo para a inversão do coeficiente de permeabilidade. Os resultados mostram que o método proposto possui maior precisão preditiva sob condições de amostra pequena; o coeficiente de permeabilidade invertido satisfaz as leis de gradiente do sistema de impermeabilização e drenagem; o valor RMSE da cabeça d'água calculada e medida nos pontos de monitoramento é de 1,36 m, o erro relativo máximo é de 0,1204%, e o erro relativo médio é de 0,039%, superando modelos de aprendizado de máquina como redes neurais BP e florestas aleatórias.

barragem de enrocamento;percolação;inversão de parâmetros;regressão por vetor de suporte;algoritmo aprimorado de busca de pardal