基于微处理器和多通信方式的大坝变形智能监测仪器的设计与实现

变形监测作为大坝安全状态感知的重要手段,具有测值直观、能全面反映大坝安全状态等特点,对保障大坝长期安全稳定运行具有重要的意义。目前大坝水平位移自动化监测主要使用引张线法、真空激光准直法及垂线法。尽管CCD垂线坐标仪已在大坝工程实践中广泛应用,可该仪器存在不支持现场配置、现场实时数据读取等不足,且无直接远程交互功能,需要接入其他采集装置或转接设备才能进行远程通信。本文设计的智能式CCD垂线坐标仪运用微处理器及以太网接口,不需要接入其他采集设备,可直接接入软件系统,解决了仪器集成复杂、传统通信方式不稳定等问题;并运用蓝牙通信和智能手机APP,解决了现场参数配置、实时采集显示的问题;提出了一种反馈式自适应调光技术,提高了仪器的自适应性和稳定性。

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力,建立了一种基于卷积神经网络(Convolutional neural networks,CNN)与深度学习长短期记忆(Long short-term memory,LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征,再利用LSTM生成特征描述,该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例,经过CNN-LSTM模型计算,将模型变形预测值与原型监测资料进行对比,再与LSTM模型及CNN模型的预测结果进行对比。结果表明,CNN-LSTM模型预测值最接近监测资料实测结果。

GPS在大坝变形监测中的可行性研究

大坝是人类工程建设中的重要组成部分,其结构完整性和稳定性对于水资源管理和灾害防范至关重要。因此,大坝的变形监测是必不可少的工作。传统的大坝变形监测方法存在一些局限性,如地面测量方式的限制和监测精度的不足。而全球定位系统(GPS)技术的出现为大坝变形监测提供了一种新的解决方案。随着社会的发展和科技的进步,大坝的安全问题日益受到关注。大坝的变形监测是确保大坝安全稳定的重要手段之一。本文以GPS技术为研究对象,探讨了其在大坝变形监测中的可行性。通过对GPS原理、精度、稳定性等关键因素的分析研究,得出了GPS可作为大坝变形监测的有效手段的结论。同时,还介绍了GPS在大坝变形监测中的应用案例,并对其优缺点进行了分析。最后,本文提出了进一步发展和完善GPS在大坝变形监测中的应用的建议。

基于混沌云量子蝙蝠CNN-GRU大坝变形智能预报方法研究

针对大坝变形影响因素复杂、精准预报难度较大问题,为了提高在大坝安全管理过程中大坝变形的预报精度,本文从大坝变形非线性动力系统时间序列的强非线性出发,引入深度卷积神经网络,对大坝变形及其空间影响特性进行挖掘,引入门控循环单元,对大坝变形的时域特性进行挖掘,构建应用于大坝变形预报的深度卷积神经网络-门控循环单元大坝变形组合深度学习网络;同时,为了获取深度卷积神经网络-门控循环单元组合网络的最佳超参,引入了混沌云量子蝙蝠算法,建立了基于混沌云量子蝙蝠算法算法的深度卷积神经网络-门控循环单元组合网络超参优选方法;最后,提出了深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法大坝变形组合深度学习智能预报方法。基于实测数据开展预报研究,对比结果表明:与对比模型相比,提出的深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法预报方法取得了更精确的预报结果,混沌云量子蝙蝠算法算法用于超参优选获得了更佳的超参组合。

基于SSA-LMD-GM的大坝变形组合预测模型

为提高大坝变形预测精度,针对大坝原始监测信号中的噪声,以及其非平稳性、非线性等特点,引入奇异谱分析(SSA)和局部均值分解(LMD)方法,提出SSA-LMD-GM模型。采用奇异谱分析(SSA)对原始监测信号进行去噪处理,为充分提取大坝形变信息特征,利用局部均值分解(LMD)对去噪后的监测信号进行分解。针对乘积函数(PF)分量的特征采用合适的模型预测分析,剩下余项则采用GM(1,1)模型。利用实际工程案例进行检验,结果表明,相较于其他模型,SSA-LMD-GM模型预测精度和拟合精度更加优秀,能较好地预测大坝变形趋势,具有一定的应用价值。

时间序列重构改进LSTM的大坝变形预测模型

大坝变形通常具有很强的波动性,传统方法往往不能很好地捕捉这种非线性关系,进而影响预测精度。为此,提出一种基于奇异值分解(SVD)和长短期记忆神经网络(LSTM)的大坝时序变形预测框架,旨在提升大坝变形的预测精度。首先,通过汉克尔矩阵的构建将原始变形序列分解为一系列较为规律的子序列;然后针对各分量建立相应的LSTM模型;最后将各模型的输出序列进行重构,从而得到最终的变形预测值。分析表明,SVD方法能够有效降低原始序列的非线性,同时,LSTM能够有效捕捉时间序列前后的非线性关系,得到令人满意的预测结果。与传统方法相比,SVD-LSTM的预测性能最优,为大坝安全系统的构建提供了新思路。

基于相似测点对比的大坝变形监测数据粗差识别方法

针对混凝土坝变形监测数据粗差检测方法难以区分粗差和环境突变引起的数据跳跃问题,提出了一种基于K-means++距离聚类算法分区,采用OPTICS密度聚类算法结合局部异常因子(LOF)算法识别监测数据中粗差的大坝变形监测数据粗差识别方法。该方法通过K-means++算法实现测点区域划分,联合使用OPTICS算法和LOF算法进行粗差确定,通过对比属于同一分区不同测点的粗差出现时间来判定真实粗差。算例分析结果表明,该方法能有效鉴别变形监测数据中由环境突变引起的数据跳跃,显著提高粗差识别的准确性,降低粗差误判率。

基于DBO-DA-GRU的大坝变形预测模型

针对大坝变形数据中存在噪声干扰、常规深度学习预测模型关键信息挖掘能力较弱且难以确定最优参数等问题,首先采用变分模态分解(VMD)联合小波阈值降噪方法对监测数据进行处理;然后利用基于双重注意力机制的门控循环单元(DA-GRU)对降噪后的变形数据进行预测,并引入蜣螂优化算法(DBO)对模型参数进行寻优,从而构建了基于DBO-DA-GRU的大坝变形预测模型;最后以某拱坝实测变形数据为例,验证了DBO-DA-GRU较BP、GRU、DBO-GRU模型的预测精度更高、稳健性更好,可为大坝变形安全监控提供一定参考价值。

基于LSTM与Transformer的大坝变形预测研究

变形是大坝运行过程中受内外荷载作用下其状态的直观表现,构建高精度的变形预测模型对大坝安全预警与运行状态评估有着重要的意义。针对已有的大坝位移模型训练时间长,预测模型预测精度和泛化能力一般,无法满足大坝位移中短期准确预测的问题,耦合长短时记忆网络(LSTM)与Transformer框架,引入改进的粒子群优化算法(IPSO)进行优化,建立了IPSO-LSTM-Transformer(ILT)大坝变形预测模型。以紧水滩拱坝正垂线11-1测点为例,选取6150组变形时间序列数据进行分析与预测。研究结果表明,模型预测精度会随着预测期的增大而出现一定程度的下降,但在预测步长10以内均具有良好的预测能力;与传统粒子群优化算法相比,ILT模型显著提升了模型的寻优精度和收敛速度;与RNN、LSTM、IPSO-Transformer神经网络模型单步与多步预测结果对比,ILT模型具有更高的精度和更好的稳定性,即使在训练数据较少时也能保证较好的预测效果。研究成果为实现运行期大坝位移的中短期精确预测提供了新的技术手段。

基于属性识别-组合赋权的大坝变形安全综合评价方法

针对大坝变形安全评价中的多属性有序分割问题,综合考虑最小代价原则、置信度准则与级别特征值,提出基于属性识别-组合赋权的大坝变形安全综合评价方法。根据大坝变形特点与成因,选取裂缝开合度、垂直位移和水平位移作为大坝变形的安全评价指标,运用K-S检验法确定评价指标数学分布,基于典型小概率法与3σ原则拟定安全监控指标,进一步应用层次分析法和熵权法分别确定评价指标的主客观权重,基于改进博弈论融合主客观权重,实现属性识别理论框架下的大坝变形安全综合评价。以工程实例检验该综合评价方法,并与工程实际情况、集对分析法进行对比,结果表明该方法具有较好的可行性与适用性。

面向大坝变形的重构预测的稀疏表示算法研究

传感器中采集的大坝原始监测序列不可避免地存在外界及人为造成的噪声,给准确预测大坝变形带来挑战,为解决该问题,提出降噪重构训练集方法来预测大坝变形。针对传统降噪方法受冗余基函数影响,引入K-SVD方法来稀疏表示大坝原始监测序列,自适应地更新原子提高重构的大坝监测序列的有效信息。以真实大坝为例,验证本研究方法的有效性,以预测能力不同的机器学习模型进行试验,试验表明本研究训练集降噪重构算法可以提高大坝变形预测精度,有效展现了大坝变形序列的特征,面对传统降噪算法有着较好的表现,具有一定鲁棒性和可靠性。

基于影响因子筛选和GWO-KELM的大坝变形预测模型

为构建高精度大坝变形预测模型,引入基于最大信息系数特征筛选方法(MIC-CFS)对大坝变形影响因子进行筛选,减少冗余信息,降低模型复杂度。同时运用灰狼优化算法(GWO)对核极限学习机(KELM)的正则化系数和核参数进行寻优,提高模型预测精度,建立基于MIC-CFS-GWO-KELM的大坝变形预测模型。以某混凝土双曲拱坝实测资料对模型进行测试,结果表明,所建模型在均方根误差、平均绝对百分比误差和拟合优度上均优于GWO-KELM、MIC-CFSKELM、PCA-GWO-KLEM、MIC-CFS-BP模型,预测精度较高,能够为大坝变形安全分析提供参考。

基于CNN-LSTM-AM的大坝变形预测

为提高大坝变形预测模型的预测精度,以长短期记忆(LSTM)作为基础模型预测大坝变形,在LSTM网络层前加入卷积神经网络(CNN)卷积层,以卷积层中卷积核刻画数据的局部模式实现数据特征的深度挖掘,提取大坝变形多因素序列时空特征;LSTM网络层后加入注意力机制层用于区分特征信息的重要程度并给予不同的关注度,进一步优化网络模型,构建了基于CNN-LSTM-AM的大坝预测模型。应用该大坝预测模型在工程实例中与LSTM、CNN-LSTM、LSTM-AM模型的预测结果和残差进行对比分析,CNN-LSTM-AM模型的预测结果和拟合度均更优;并以均方误差、均方根误差、平均绝对误差及决定系数R2作为精度评定指标对比各模型间预测性能,结果表明引入注意力机制能够提升模型预测性能,证实了基于CNN-LSTM-AM构建的大坝预测模型具有工程应用价值。

基于二次模态分解和深度学习的大坝变形预测模型

为充分提取大坝变形监测数据的非线性和非平稳性特征,深度挖掘其前后信息的拓扑关系,有效提高预测精度,提出了一种基于二次模态分解和蜣螂优化算法的双向长短期记忆神经网络大坝变形预测模型。该模型引入融合自适应噪声完备集成经验模态分解和变分模态分解的二次模态分解对数据进行预处理,有效降低高频非平稳性分量对预测精度的不利影响,并利用蜣螂优化算法对双向长短期记忆神经网络进行超参数寻优以深度挖掘大坝变形数据的有效信息。以某水电站大坝为例,将该模型预测结果与多种常用模型的预测结果进行对比分析,结果表明该模型可有效挖掘大坝变形数据复杂的非线性特征,其预测精度明显优于对比模型,验证了该模型在大坝变形预测中的可行性与优越性。

基于自适应时序分解筛选的大坝变形预测模型

高精度的大坝变形分析和预测是掌握大坝工作性态、诊断大坝异常的重要手段。针对现有模型信息特征挖掘不充分、泛化能力弱、难以实现精准预测等问题,采用灰狼算法优化自适应噪声完备经验模态分解解决多维参数标定问题,使用阈值评价指标保留变形时序数据的有效信息特征;引入交叉验证的递归特征选择法通过多个学习器综合筛选出最优因子集,移除冗余特征、提取有效信息并增强模型可解释性;考虑时序数据特性优化双向长短期记忆神经网络时间窗步数,结合大坝变形数据降噪、最优特征因子输入等多种方法,构建大坝变形预测模型。以实际工程为例,结合多种预测模型进行对比分析,结果表明该模型具备挖掘非线性信息能力,预测性能得到改善,可为大坝安全监测提供参考。

基于优化变分模态分解的大坝变形组合预测模型:以丰满水电站为例

大坝的变形通常受到多种因素的影响,监测数据表现出一定的非平稳性和随机性,为提高大坝变形预测的精度,提出了基于优化变分模态分解的大坝变形组合预测模型。该模型首先采用粒子群优化算法(particle swarm optimization,PSO)寻找变分模态分解(variational mode decomposition,VMD)的最优超参数,然后将大坝变形分解为趋势项、周期项和随机项分量。针对分解后各分量的时序特点,采用时域卷积网络(temporal convolutional network,TCN)和长短时记忆网络(long short-term memory,LSTM)进行组合预测,对各分量预测值重构加成得到最终预测值。以实际工程数据为例,采用平均绝对误差(mean absolute error,MAE),均方误差(mean square error,MSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)等指标对模型量化评估,并与单一的预测模型进行比较。结果表明:本文提出的基于优化变分模态分解的大坝变形组合预测模型精度更高,可以有效提取大坝变形数据中隐含的信息特征,降低大坝变形时序数据的非平稳性,具有较高推广应用价值,为精准预测大坝变形提供了借鉴和指导。

基于HHO-QRNN模型的大坝变形预测方法

为有效利用大坝位移数据集中的真实信息,提高预测模型精准度,缩减建模分析训练时间,提出基于卡尔曼滤波算法、完全噪声辅助聚合经验模态分解和准循环神经网络的大坝位移预测方法。首先,模型采用卡尔曼滤波算法对原始输入数据进行处理,提取行有效信息,消除观测噪声影响;其次,设计一种信号分解算法,从累计位移值提取出趋势项、周期项和随机项数据集,以分离不同诱发因素对于大坝位移量的影响;最后,提出一种基于改进哈里斯鹰算法优化准循环神经网络的位移预测算法,对不同数据集分别采用此算法建模预测,将预测结果对应叠加得到最终预测结果。以某水库大坝的历史位移观测数据集为例,将所提模型与其他传统预测模型进行对比分析,结果表明,该模型预测精度和训练速度等方面均有显著提升,验证了其可行性和先进性。

基于SBO-LSTM的大坝变形预测模型

变形是大坝安全性态的综合反映,建立其与环境量的可靠关系模型对保障大坝长效服役具有重要意义。为提高大坝变形预测的精度和泛化能力,并解决长短期记忆神经网络(LSTM)参数选取随机性大、选取困难的问题,提出了一种利用缎蓝园丁鸟优化算法(SBO)来优化长短期记忆神经网络的混凝土坝变形预测模型(SBO-LSTM)。该方法首先通过高斯滤波和Symlet小波滤值两种方法对选定的监测数据进行统一的清洗、归一化、去噪等预处理;其次,借助SBO算法对长短期记忆神经网络模型的超参数进行寻优;最后对混凝土坝变形进行高精度预测并通过三种不同评价指标(MAE,RMSE,MAPE)对预测结果进行评价。以某混凝土坝为例并与传统优化算法对比分析,结果表明通过SBO算法优化后LSTM神经网络具有更高的预测精度和稳定性,综上,该预测模型为大坝变形监测数据分析与预测提供了一种新的可行方法。

小波包分析在大坝变形监测中的应用

为了更好地分析大坝在外界环境及自身振动下的变形状态,利用小波包分析在信号处理领域中的优势,将小波包分析应用于大坝变形监测数据处理中。首先对小波包的理论进行了介绍,然后研究并确定了实现监测数据小波包分析中的各种参数,如最优分解层次、最优小波包基及最优阈值估计准则,最后使用频谱分析对大坝监测数据进行频率分段,得到不同频段的频率及对应振幅,进一步分析了大坝的变形特征。

基于优化蝙蝠算法改进极限学习机的水库大坝变形预测方法

为提升水库大坝安全状态监测水平,针对传统大坝变形预测模型精度不足、性能不稳定的问题,提出一种基于优化蝙蝠算法改进极限学习机的大坝变形预测方法。以费县许家崖水库大坝为研究对象,采用遗传算法优化蝙蝠算法,通过优化蝙蝠算法对极限学习机随机选取的网络参数进行寻优,提升极限学习机的预测性能。结果表明:对比BA-ELM模型、GA-ELM模型,所构OBA-ELM模型预测精度和鲁棒性最高,研究结果能为水库大坝状态管理提供决策依据。