摘要
大坝作为一种重要的基础设施,在社会、经济发展过程中发挥着重要作用,一旦发生事故,将对下游人民的生命财产造成巨大损失。因此,对大坝行为趋势的分析和预估是至关重要的。变形作为大坝结构性态最直观的指标,选取高效的分析模型对其进行建模、分析,是大坝安全评价系统的重要课题之一。传统的大坝变形分析方法主要分为3大类——确定性模型、统计模型以及混合模型。这3种模型的缺点主要是建模难、精度不能满足要求等。为此一些学者将机器学习(ML)相关算法引入大坝变形分析领域,如人工神经网络、支持向量机、极限学习机等方法。以往ML方法主要针对影响大坝变形的环境因素(如水压、温度和时效等)进行多变量建模,从而构建变形预测模型。然而实际工程中,大坝变形监测数据的波动性往往较强,模型的输入变量不能很好地捕捉变形的变化趋势,造成了模型预测精度不足。如何降低原始变形数据的波动性,是从本质上提高变形预测精度的关键。大坝变形预测模型可为大坝安全使用提供科学决策依据,具有重要的理论和实践价值。文章以辽宁省观音阁水库坝顶部位的T14监测点的竖向位移数据为依据,对大坝变形预测模型展开研究,提出IABC-LSSVM变形预测模型。模型的对比评价结果显示该模型具有精度更高、稳定性更强的特点,可以用于大坝安全监测。
