余红玲，王晓玲，王 成，曾拓程，余 佳，盖世聪

（1.天津大学 水利工程仿真与安全国家重点实验室，天津 300072；2.天津市政工程设计研究总院有限公司，天津 300051）

1 研究背景

大坝渗流性态分析对于大坝安全稳定运行具有重要意义。渗流参数（如坝体和坝基岩土体的渗透系数）是进行大坝渗流性态准确分析的关键参数。大坝运行期间获得的渗压、渗流量等监测资料是大坝渗流性态的最直接反映，故基于渗流监测数据进行参数反演分析是获取渗流参数的有效手段。在现有众多参数反演方法中，贝叶斯反演方法能够考虑参数反演过程中的不确定性，因此，其被广泛应用于渗流参数反演研究中［1-3］。然而，贝叶斯反演方法需要大量调用渗流正演模型，计算耗时，效率较低。因此，有必要采用有效方法提高贝叶斯反演方法的计算效率。

基于机器学习算法的代理模型作为一种提高贝叶斯反演计算效率的可行方法，近年来受到越来越多的关注。代理模型是通过数学模型逼近一组输入变量（独立变量）与输出变量（响应变量）的方法，通过寻求输入输出变量间响应关系，可代替真实系统快速给出所求解［4］。常用的代理模型包括响应面法、径向基函数（RBF）、人工神经网络（ANN）、Kriging 模型、支持向量回归（SVR）、多元自适应回归样条（MARS）等。然而，单一的代理模型并不总是能捕捉到输入输出变量间的复杂非线性关系［5］。采用单一模型，容易忽略模型结构和模型参数选择的不确定性，从而低估模型预测的不确定性［6-8］。……