基于门控循环单元的混凝土坝变形预测模型

基于数据驱动的变形预测作为混凝土坝健康监测的重要研究内容,也是实现数字孪生工程与数字孪生流域平台建设的核心引擎。为深入挖掘混凝土坝及其解释变量间复杂的非线性因果函数关系,采用具有良好记忆功能的深度神经网络-门控循环单元(Gated Recurrent Unit,GRU),建立基于GRU的混凝土坝变形预测模型。结合某拱坝实测水平位移监测资料,阐述模型构建流程。结果表明,相比于常用的神经网络算法,如径向基网络(Radial Basis Function,RBF)、循环神经网络(Recurrent Neural Network,RNN)、极限学习机(Extreme learning machine,ELM),所建模型拟合良好与精度提高,为混凝土坝变形预测提供一种可行的新方法。

基于HHT-RDT算法的高拱坝泄流结构工作模态识别方法

根据高拱坝泄流结构自身的工作特点,为准确辨识环境激励下的结构模态参数特征,提出了一种基于改进的HHT-RDT算法的高拱坝泄流结构工作模态识别方法。以某高拱坝原型振动响应测试资料为基础,利用改进的小波阈值-EMD算法对原始信号进行降噪预处理,滤除干扰噪声的同时保留有效特征信息;采用HHT-RDT算法识别高拱坝泄流结构的工作模态参数,运用带通滤波对振动响应信号的EMD过程进行控制得到结构的各阶模态分量,利用RDT法提取各阶模态分量的自由衰减信息,识别出高拱坝泄流结构系统的固有频率及阻尼比。工程实例表明,该方法避免了复杂系统定阶过程,有效提高结构振动响应工作模态识别精度,为辨识高拱坝泄流结构的工作模态参数提供捷径。

基于Kriging模型的重力坝非概率可靠性分析

为解决概率可靠性方法分析受限于重力坝不确定参数的统计信息较难获取,及其功能函数高度非线性且较难用显式解析表达式给予刻画等问题,构建了基于不确定参数界限的重力坝单元非概率可靠性(Non-probabilistic Reliability,N-PR)指标计算模型,在此基础上,融合Kriging模型较强预测和拟合优势,发展了一种基于Kriging模型的重力坝N-PR指标计算方法。经实例考证,所给模型与方法可有效规避概率可靠性分析中要求不确定参数随机变化且计算结果对参数高度敏感的局限,较好适应了重力坝功能函数高度非线性甚至难以显式表达的特点,可较深入分析重力坝可靠性。

基于改进小波阈值- EMD算法的高拱坝结构振动响应分析

基于高拱坝泄流结构实测振动响应数据资料,针对泄流激励作用下不可避免混有各种噪声进而影响结构工作模态识别精度的问题,提出了一种基于改进的小波阈值-经验模态分解(EMD)联合算法的滤波降噪方法。以拱坝泄流结构实测振动响应资料为基础,利用改进的小波阈值算法滤除大部分高频白噪声,降低EMD分解的边界积累效应,进行EMD分解,通过去趋势波动分析(DFA)方法进一步滤除白噪声及低频水流噪声。工程实例分析结果表明,与小波分析、EMD方法相比,该方法具有更好的降噪效果,能精确滤除泄流结构实测振动响应信号中的低频水流噪声及白噪声,最大程度地保留信号中有效特征信息,并且为拱坝泄流结构在噪声干扰下提取有效信息提供了捷径,为坝体结构的安全监控打下了基础。