探讨建立碾压混凝土拱坝位移监控模型的方法

针对碾压混凝土拱坝薄层碾压的结构特点以及坝体埋有一定数量温度计的情况,引入渗流场与应力场耦合的数学模型分析水压对坝体位移的影响,采用"开关函数"解决坝体温度位移时空分布问题,探讨了建立碾压混凝土拱坝位移监控模型的方法,并给出了工程应用实例.

基于动力学突变辨识的高边坡位移监控模型

针对位移突变对高边坡位移监控模型拟合和预测精度的影响,在对高边坡位移与影响因素相关分析的基础上,基于高边坡系统演化过程中的非线性动力学特性,采用相空间重构、云模型等数值分析手段,研究了高边坡位移突变辨识的实现方法,从而依据最近一次位移突变后的监测资料,建立了考虑动力学结构突变影响的位移监控模型。实例应用结果表明,该模型拟合和预测精度均较高。

基于STL-Holt-WOA-RF的拱坝位移预测模型

传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序列、周期序列及残差分量。在此基础上,采用鲸鱼优化算法(WOA)结合随机森林算法(RF)对三个分量进行预测,并使用Holt-Winters算法充分考虑趋势序列中的趋势信息对趋势序列的预测结果进行修正。最后将修正后的趋势序列预测结果和周期序列、残差分量预测结果相加,得出拱坝位移最终预测结果。工程实例表明,基于STL-Holt-WOA-RF的拱坝位移预测模型能够显著提高预测的准确性和稳定性,为拱坝位移预测提供了新的思路和方法。

考虑混沌成分影响的高边坡位移监控预测模型

高边坡系统演化过程表现出复杂的非线性动力学特性。有效分离去除噪声,考虑混沌成分对测值序列整体数值特征的影响,是提高高边坡位移监控模型拟合和预测精度的关键问题之一。在对高边坡位移与影响因素相关分析的基础上,基于高边坡系统演化过程中的非线性动力学特性,组合应用相空间重构、小波分析等数值分析手段,研究了高边坡混沌特性提取的实现方法,探讨了考虑混沌成分影响的位移构建原理与算法。该模型重点依据实时监测资料,考虑的是包含混沌成分的动力系统特性,因而可以有效提高监控模型的拟合和预测精度。

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。