基于因果机理和邻近影响的拱坝温度场监测数据缺值插补

利用实测温度场是提高拱坝变形监控模型性能的重要途径之一,但由于监测系统异常等原因,部分温度测点的监测数据存在缺值。为此,根据缺值段在温度时间序列中所处位置及其相对变化幅值制定判断准则,优选单测点缺值插补方法,基于动态时间规整法量化时间序列之间的相似性,构建拱坝温度场缺值插补的多测点分层标准和同层优先级准则,建立兼顾因果机理和邻近影响的插补预测模型。通过对某高拱坝的实施结果表明,所提出的方法和准则可有效实现拱坝温度场全部测点温度时间序列的系统性插补,将因果机理和邻近影响相结合的插补预测模型对84.0%以上的测点具有提升作用。

温度变形效应认知不确定性影响下高拱坝位移置信区间的预测方法

为解决传统预测模型未考虑拱坝变形因果关系的不确定性,导致所建立的位移静态置信区间缺乏合理的因果机理,提出了温度变形效应认知不确定性影响下高拱坝位移置信区间的预测方法。采用动态时间规整法衡量坝体温度测点之间的时间序列相似性,构建最小相似性实测温度变形因子筛选准则,基于支持向量机构建不放回采样和正交试验设计采样的机器学习模型,通过统计多模型预测值的分布规律来拟定动态变化的置信区间。以锦屏一级拱坝为例的预测结果表明该预测方法及筛选准则可有效实现高拱坝最具表征性温度测点的优选,基于最小相似性实测温度因子的正交试验设计误差小、建模效率高,所得位移预测置信区间更符合因果机理;高拱坝的最优实测温度因子组合是动态变化的。

普通院校优秀本科生科研创新能力培养模式的探索与总结

优秀本科生科研创新能力培养越来越受到社会各界的重视。本文结合导师和学生的自身经验和实施效果,论述了本科生科研创新能力培养中面临的困难,并从科研创新型优秀本科生选拔、科研创新选题标准和指导方法三个方面,探讨了普通院校优秀本科生科研创新能力的培养模式,提出了“因材施教、成果导向、注重灵活性和时效性”的指导原则。

不同机器学习模型对混凝土坝位移预测性能的影响

针对机器学习模型的合理选择问题,基于Gauss、Linear和Sigmoid核函数,对某拱坝径向位移利用支持向量机、关联向量机、极限学习机和传统多元线性回归法分别建立预测模型,并对比分析拟合均方差、复相关系数、最大绝对误差和预测置信带宽等模型性能评价指标。结果表明,机器学习模型的性能整体优于多元线性回归模型,但受核函数的影响较大,其中Sigmoid核函数所建模型的预测效果最好,且泛化能力最强,而Gauss核函数的过拟合问题非常严重;支持向量机模型的预测性能最好,且受核函数的影响相对较小,而关联向量机模型的预测置信带宽最小,能有效减少虚假警报。

贝叶斯正则化对混凝土坝位移机器学习模型性能的提升

针对机器学习模型的过拟合问题和非线性隐式型模型结构,基于贝叶斯正则化对某拱坝径向位移建立神经网络(NN)和支持向量机(SVM)模型,对比分析均方差(M_(MSE))、复相关系数、最大绝对误差、预测M增比等评价指标,并通过部分依赖图(PDP)来挖掘机器学习模型的因果解释能力。研究结果表明,贝叶斯正则化能显著提高机器学习模型的预测和解释能力,NN和SVM的预测M_(MSE)分别降至64.67%、3.85%,过拟合程度分别由70.99、9778.36降至41.22、17.15;基于PDP从机器学习模型中分离出的因果分量与传统多元线性回归模型(MLR)相近。采用贝叶斯正则化构建的SVM模型的解释能力与MLR模型最接近,预测性能亦较优。

考虑黏弹性滞后效应的拱坝位移监控组合模型

位移监控模型需要对拱坝变形性态兼具良好的解释和预测能力。水压-滞后-周期性温度-时效四因子HHST(Hydraulic,Hysteretic,Seasonal and Time)模型能够合理地解释锦屏一级拱坝的黏弹性滞后变形性态。为进一步提升该模型的预测精度,使用支持向量机(SVM)建立有限元计算所得拱坝黏弹性滞后位移与其因果因子之间的隐式关系,再将其融入到HHST模型中,进而基于多元线性回归建立拱坝位移的组合监控模型。以锦屏一级拱坝为例,减少输入因子数的组合模型的预测精度明显高于直接以HHST模型中18个因子作为输入的单一模型;SVM对滞后水压位移分量的预测精度明显高于基于约束最小二乘法的线性回归模型,采用2种滞后水压分量所建组合模型对拱坝变形性态具有相近的解释能力,而采用SVM滞后水压分量建立的组合模型可有效地提高拱坝位移的预测精度,多测点均方误差(MSE)平均降低21.67%,决定系数R2整体提高0.07%。