Frente a los problemas en la inversión del coeficiente de permeabilidad de presas de mampostería con núcleo central alto, tales como fuerte no linealidad, amplio rango de coeficientes y dificultades en el entrenamiento con muestras pequeñas, se propone un método de inversión de parámetros que fusiona el muestreo latino hipercúbico en el espacio logarítmico con un algoritmo mejorado de búsqueda de gorrión para optimizar la máquina de soporte vectorial. Se utiliza el muestreo latino hipercúbico (LHS) en el espacio logarítmico para generar un conjunto inicial de muestras con alta capacidad de llenado espacial y equilibrio de escala; para abordar la tendencia del algoritmo estándar de búsqueda de gorrión (SSA) a quedar atrapado en óptimos locales, se introduce el mapeo caótico Tent para mejorar la exploración inicial de la población, junto con una estrategia de mutación de Cauchy que le otorga a los individuos la capacidad dinámica de salir de óptimos locales, logrando así una búsqueda adaptativa de los hiperparámetros clave de la regresión de vectores soporte (SVR). Tomando como ejemplo la presa de mampostería con núcleo central de la central hidroeléctrica de Lionping, se construyó un modelo para la inversión del coeficiente de permeabilidad. Los resultados muestran que el método propuesto tiene una mayor precisión predictiva bajo condiciones de pocas muestras; el coeficiente de permeabilidad invertido cumple con las leyes de gradiente del sistema de impermeabilización y drenaje; el valor RMSE de la cabeza de agua calculada y la medida en los puntos de monitoreo es de 1.36 m, el error relativo máximo es de 0.1204%, y el error relativo promedio es de 0.039%, superando a modelos de aprendizaje automático como redes neuronales BP y bosques aleatorios.

presa de mampostería;flujo;inversión de parámetros;regresión de vectores soporte;algoritmo mejorado de búsqueda de gorrión