针对尾矿坝在线监测重建设、轻利用的现状,基于尾矿坝位移在线监测时间序列,通过多步逆向云变换算法(Multi-step Backward Cloud Transformation Algorithm Based on Sampling with Replacement,MBCT-SR)改进云模型,根据“3E_(n)原则”...针对尾矿坝在线监测重建设、轻利用的现状,基于尾矿坝位移在线监测时间序列,通过多步逆向云变换算法(Multi-step Backward Cloud Transformation Algorithm Based on Sampling with Replacement,MBCT-SR)改进云模型,根据“3E_(n)原则”和内外包络曲线确定在线监测位移的正常运行值,从而建立尾矿坝位移分级预警阈值模型,并利用某尾矿坝全球导航卫星(Global Navigation Satellite System,GNSS)技术表面位移在线监测数据进行实例验证。结果表明:该尾矿坝水平方向位移的黄、橙、红预警阈值分别为8.41 mm/d、12.94 mm/d、19.41 mm/d,呈现出坝体中间预警阈值最大、并由中间向两侧减小的空间变化规律;尾矿坝垂直方向位移的黄、橙、红预警阈值分别为16.56 mm/d、25.48 mm/d、38.22 mm/d,且随着子坝的堆积,预警阈值逐渐增大。展开更多
为监测大坝运行过程中的异常状态,防范化解大坝溃坝等重大风险,基于大坝变形大样本、非线性监测数据,引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测,以测试样本的均方根误差最小为适应度函数,采用...为监测大坝运行过程中的异常状态,防范化解大坝溃坝等重大风险,基于大坝变形大样本、非线性监测数据,引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测,以测试样本的均方根误差最小为适应度函数,采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数,建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析,并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明,GA-LSTM模型的预测效果和性能更佳,且相较于LSTM模型和GRU模型各测点预测误差均有减小,平均绝对误差减小量最高达6.92%。展开更多
文摘为监测大坝运行过程中的异常状态,防范化解大坝溃坝等重大风险,基于大坝变形大样本、非线性监测数据,引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测,以测试样本的均方根误差最小为适应度函数,采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数,建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析,并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明,GA-LSTM模型的预测效果和性能更佳,且相较于LSTM模型和GRU模型各测点预测误差均有减小,平均绝对误差减小量最高达6.92%。