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。

基于TCN和迁移学习的混凝土坝变形预测方法

混凝土坝变形测点数据丢失或者新增测点测量时间太短都会导致这部分测点的数据量不足,使得变形预测精度受到影响。为了提高这些小数据量测点的变形预测精度,提出了将时域卷积网络(TCN)与迁移学习相结合的变形预测方法。以数据量充足的测点为源域,以缺少数据的测点为目标域,将在源域上训练好的TCN模型的结构和参数迁移到目标域模型中,固定其中的冻结层参数,利用目标域中的数据对目标域模型可调层参数进行调整。同时,采用动态时间规整选择与目标域数据序列相似度最高的监测数据作为最佳源域数据,提升迁移学习效果。工程实例分析表明:迁移学习后的目标域模型的均方根误差和平均绝对误差与利用足量数据训练的TCN模型的预测误差相比,差异仅分别为1.73%和8.09%,小数据量情况下TCN预测模型的精度得到了提高。

泵站过流能力校核系统开发及应用

泵站长期运行阻力加大、出流能力减弱,影响城市排涝。基于Python编程语言和数字图像技术,开发了一套泵站过流能力校核评估系统,运用摄像机实时采集轴流泵电压表、电流表数据,同步采用超声波多普勒剖面仪、雷达水位计实时测量泵站出口流量和扬程。针对复杂流态、环境噪声干扰下流量数据偏差大的问题,建立了移动中值滤波法,并利用贝塞尔插值进行数据填充,有效提升了流量数据的准确性。实践应用于泵站出流能力校核,测得该泵站相同功率和相同扬程条件下出流能力均较理论值下降。

大坝渗压混合预测的STL分解-集成学习模型

针对目前大坝渗压预测研究大多未区分影响因素对渗压不同特征成分贡献的差异,降低了模型的可解释性,且现有的预测模型大多采用单一算法,存在难以区分具有高度非线性和非稳态混合特征的渗流压力序列模式等问题,本文提出一种基于STL分解和集成学习策略的渗压可解释混合预测模型。该模型首先通过时间序列分解(STL)将原始渗压时间序列分解为季节项、趋势项和余项,以避免现有模型在渗流压力预测中模式混淆的不足;然后,不同成分的变化特征可采用多策略改进麻雀搜索算法(MSISSA)优化的核极限学习机(KELM)和卷积神经网络组合门控递归单元(CNN-GRU)组成的集成学习模型来识别;此外,还采用单次单因子法(OFAT)分析影响因素对渗流压力不同特征成分的贡献,从而改变输入因素的权重,以提高模型的可解释性。案例分析结果表明,在确保模型可解释性的同时,所提出的混合模型与基于单一算法的模型相比,预测精度平均提高了48.44%;与其他集成预测模型相比,预测精度平均提高了11.42%,验证了所提模型的有效性,为大坝渗流安全监控提供了新的建模方法。

机器视觉技术在大坝表面变形监测中的适用性研究

针对大坝表面变形自动化监测中GNSS系统垂直位移监测精度低、费用昂贵和静力水准仪布设难度大、维修成本高等问题,利用机器视觉技术对大坝表面变形进行监测。室内试验结果表明,相机与标靶距离在100 m范围内,机器视觉的测量精度可达到亚毫米级,且水平和垂直变形位移精度相近。由误差分析可知,标靶与相机的距离与测量精度有明显的相关性,而环境因素是影响远距离监测精度的重要因素,并利用大坝视准线原理优化了机器视觉监测系统。最后以浙江省大力塘水库为试点,对大坝表面变形进行实时监测,结果表明,机器视觉技术完全可满足实际工程需求,且优化后的机器视觉测量技术可明显提高监测数据的精度和稳定性。

堤坝蚁巢综合物探技术研究进展

通过梳理不同时期土石坝蚁巢的类型与规模,阐述了蚁巢的结构特点及成灾模式,总结了蚁巢物探的物性基础;着重介绍了直流电阻率法、探地雷达技术、地震勘探法等在蚁巢探测中的应用现状,从成果维度、探测效率、工作强度、探查精度等视角论述了探测方法的适用条件,指出现有物探技术还不能有效支撑蚁巢的高精度、高效率、立体化探测,并提出了普查-详查-治理-监控的蚁患综合物探服务架构。立足于蚁巢探查技术的客观需要,提出未来蚁巢物探技术应聚焦研制蚁巢发育阶段的1∶1病害物理模拟装置及隐患图谱,研发适应堤坝地形的蚁巢探测装备及正反演算法,构建堤坝蚁害常态化巡查体系及时移电阻率监控系统。

基于PCA-SSA-XGBoost算法的拱坝应力预测模型研究

由于大坝应力受水位、温度等众多因素共同作用,各影响因子间的相互关联会引起多重共线性问题,容易导致以此为输入的预测模型出现伪回归现象。此外,现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象,其预测精度还有待提高。针对上述问题,提出了基于主成分分析法(PCA)和麻雀搜索算法(SSA)改进的极限梯度提升算法(PCA-SSA-XGBoost)构建拱坝应力预测模型。该模型首先采用主成分分析法对参数进行降维,降低影响因子的多重共线性影响;进而通过SSA算法优化XGBoost的超参数,以避免传统算法过拟合,进一步提高模型预测性能。将该模型应用于我国西南某混凝土拱坝工程,对应力及应力相关监测数据进行处理、分析和预测,并与多元线性回归模型(MVLR)、神经网络模型(RBFNN)、极限梯度提升回归预测模型(XGBR)的预测结果进行对比分析。结果表明,基于PCA-SSA-XGBoost算法的应力预测模型可克服输入变量的多重共线性和过拟合问题,在预测精度方面具有优越性。

基于WOA-VMD-XGBoost的混凝土坝变形预测

建立混凝土坝高精准变形预测模型是掌握坝体结构服役性态的关键,而其变形监测数据具有复杂的非线性和非平稳特征,会影响预测模型的精度及泛化能力。针对上述问题,引入鲸鱼优化算法(WOA)和包络熵理论自适应寻优变分模态分解(VMD)参数,根据最佳参数组合多尺度分解变形数据,得到多个不同特征尺度的本征模态函数(IMF)。通过重构分量为新分量,将新分量分别输入极端梯度提升(XGBoost)模型中进行预测,叠加各预测结果得到最终预测值。基于山口岩碾压混凝土拱坝变形监测数据,开展支持向量回归机(SVR)、随机森林(RF)、XGBoost、WOA-VMD-XGBoost等4种模型的精度、泛化能力对比研究。结果表明:相比于单一预测模型,组合模型有效挖掘了变形信号多尺度特征,降低了非线性、非平稳性对模型性能的影响,在精度、泛化能力中表现出更高性能。该组合模型为大坝变形监测提供了理论依据和应用参考。

基于施工工序质量控制的水利工程施工质量“三检制”的思考

为改变当前水利工程施工质量验评资料与工程实体质量控制存在“两张皮”等现象,从源头上实现水利工程施工工序质量控制。文章基于“三检制”的机理进行深入分析,分析了当前水利工程施工“三检制”执行过程中存在的问题。通过调研分析和实践探索,提出建立一种基于施工工序质量控制的水利工程施工质量的三检记录表,旨在促进加强施工过程质量管控,实现从源头上对施工工序的质量控制。

基于单孔稀释试验的人工湖渗漏探测方法及应用

渗漏是影响湖库安全的关键因素,对其进行准确、高效探测一直是水工安全领域中的技术难题。与基于电磁理论的地球物理探测技术不同,基于井流理论的单孔稀释技术可以直接得到与渗流场相关的含水层参数且无需额外的参数转换。但传统的单孔稀释试验往往仅对点位渗漏性进行定性判断,针对大尺度下渗漏规模的定量分析应用较少。为此,基于单孔稀释测速原理对四川省仁寿县某渗漏人工湖进行研究。在人工湖附近钻孔后进行单孔稀释试验,通过监测NaCl溶液电导率数据得到钻孔流速,通过解译流速数据得到了人工湖最大渗漏通道位于湖体左侧钻孔ZK6~ZK7区域420~440 cm深度范围和ZK8区域300~400 cm深度范围,钻孔剖面渗流量为4.24 cm^(3)/s。现场试验应用表明:单孔稀释法不仅能定性分析出渗漏通道的空间位置,还能定量计算出地下流速、渗流量参数。试验证明单孔稀释渗漏探测原理应用于湖库渗漏探测中具有较好的推广应用价值。

水库大坝自动化监测系统应用研究

为解决传统水库大坝人工监测方法效率低、监测成果存在滞后性等弊端,以物联网传感、云服务等技术方法为基础,设计开发水库大坝自动化监测系统。通过对系统框架结构、多方式通信组网进行设计建设,利用多类型监测子系统获取水库大坝安全监测数据,并通过监测云平台进行数据成果可视化展示。为验证监测系统的可靠性,以某大型水库监测项目为研究对象,对监测系统运行期间的稳定性进行分析验证,并将监测系统数据成果与测区气象站、人工复核数据进行对比分析,全方位验证了水库大坝自动化监测系统的运行稳定性及成果可靠性,为水利工程枢纽动态监测提供了便捷可靠的解决方案。

SSA-XGBoost与时空特征选取的大坝变形预测模型

针对目前部分单测点模型未考虑大坝监测数据空间关联性、难以描述大坝变形整体响应特性的问题,以及传统回归模型未考虑环境量与变形量的非线性关系导致预测精度较低的问题,本文提出了一种预测模型,包括对监测数据进行基于自适应噪声完备集合经验模态分解-小波包降噪,结合弹性网络对考虑了空间关联性的变形效应量因子进行特征选取,辅以交叉验证特征因子的有效性,并使用麻雀搜索算法提高计算效率。基于锦屏一级拱坝实测变形数据,探究了考虑空间关联性的最优因子集,并通过对比多种模型的MSE、RMSE等参数验证了本文方法的有效性,在大坝变形性态分析中具有一定应用价值。

基于DBSCAN的大坝安全监测异常数据检测算法

为有效识别出安全监测数据中的异常值,考虑环境因素对观测值的影响,提出了一种基于DBSCAN聚类算法的大坝安全监测异常数据检测算法,通过引入数学回归模型获取残差序列,再结合DBSCAN算法对残差序列进行分析,并对大坝安全监测中常见的周期性、趋势性和不规则性数据进行异常检测试验。试验结果表明,该算法对各类异常添加模式下的试验数据查准率、查全率、准确率均达到0.99以上,相比于传统方法具有更好的适用性和鲁棒性。

基于贴近摄影测量技术的大坝巡检方法研究

大藤峡水利枢纽是南水北调工程的重要组成部分,其安全运行对于保障水资源的合理利用和社会经济的稳定发展具有重要意义。然而,由于大藤峡水利枢纽的特殊性,其大坝巡检工作面临着许多困难和挑战。因此,如何提高大坝巡检的效率和准确性,成了当前亟待解决的问题。近年来,随着科技的发展,贴近摄影测量技术在许多领域得到广泛应用,其在大坝巡检中的应用也引起了人们的关注。

基于CEEMDAN和相关性分析的大坝位移预测

大坝位移数据受各种因素的影响,具有非平稳非线性的特征,针对数据预测精度低的问题,提出了一种CEEMDAN-PCCs-TCN-XGBoost组合预测模型.以某重力坝监测数据为例,首先,引入CEEMDAN算法捕捉非平稳数据的趋势信息和波动信息,联合PCCs算法确定影响数据波动的主要因素;其次,为了提高预测精度,趋势信息使用传统HST模型进行预测,波动信息利用主要因素作为输入变量进行预测,再分别应用TCN模型和XGBoost模型对数据进行预测最后累加得到最终预测结果,并将预测结果与EEMD-ARIMA、EEMD-LSTM-MLR等模型对比,结果表明,CEEMDAN-PCCs-TCN-XGBoost组合预测模型对波动频繁的大坝位移数据的预测更精确.

基于RUN-XGBoost算法的土石坝渗流预测模型

针对传统土石坝渗流预测模型存在局部最优、抗干扰性差和预测精度低等问题,通过RUN算法优化XGBoost算法得到RUN-XGBoost算法,构建了RUN-XGBoost模型以获得更优的土石坝渗流预测结果。该模型在种群初始化时采用RUN算法对XGBoost算法的3个主要参数进行改进,使预测结果有较高的有效性;通过自动寻找最优参数增进算法的整体收敛速度和预测精度,同时引入随机解,使算法能够排除局部最小值并继续搜索,从而获得全局最优结果。工程实例验证结果表明,RUN-XGBoost模型具有简洁、高效、预测精度高、鲁棒性强等优点。

大坝安全巡检无人机最优图像采集工况试验研究

为提高大坝安全巡检无人机图像采集的有效性,针对拍摄距离、风速和光照条件三项重要影响因素,基于大疆Phantom 4 Pro无人机开展试验,分别结合图像自适应阈值二值化、无人机位移及深度学习方法对图像的信息提取效果进行评估,从而研究无人机大坝巡检最优的图形采集工况。研究结果表明,在拍摄距离为3 m、单向风速为2.5~4.0 m/s范围内、晴天背阳的光照条件下,无人机悬停能力较好,不会与被拍摄物体表面发生碰撞,且采集的图像质量最佳。优化了无人机图像采集方案,为基于无人机巡视大坝工作提供参考依据。未来可以进一步应用自动化巡检系统、传感器技术和智能飞行控制算法,实现无人机在大坝安全巡检中的全面应用。

基于深度学习的双阶段大坝变形预测模型

为提高大坝位移预测的准确性,提出了一种新颖的基于深度学习的综合预测方法。首先引入了一种基于完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和奇异谱分析(Singular Spectrum Analysis,SSA)的多级数据降噪技术。这能有效地消除监测数据中的噪声和异常值,提高数据质量,为后续预测提供更合理的大坝变形数据。随后构建基于卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Unit,GRU)的深度学习模型。采用CNN从监测数据中提取丰富的特征,利用GRU来捕获和处理时间序列数据中的长期依赖关系。为了增强模型的表现,引入了自注意力机制,以帮助模型更好地处理和识别数据中的复杂模式。通过与其他预测方法的比较,实验结果表明,该方法在大坝位移预测的准确性和稳定性方面相较于其他方法有显著的提升,能够为大坝变形监控领域提供新方法。

大坝安全监测数据异常识别模型簇研究

监测数据异常识别是大坝运行安全在线监测的前提和基础。单一识别方法难以实现高效准确识别,而RREW模型对规律不佳与单台阶数据序列容易漏判且计算效率低。为此,提出了基于卷积神经网络的一维VGG数据异常识别模型,建立了由统计回归、稳健回归、一维VGG识别模型等模型库和Pauta准则、MZ准则等判别准则库共同构成的大坝安全数据异常识别模型簇,并构建了不同数据类型与异常识别模型及预警准则的匹配机制。工程校验表明:一维VGG模型对不同序列长度、不同台阶占比的数据序列均具有较好的识别效果,能有效弥补传统回归模型和稳健回归模型的不足,由前述3种模型及两种准则共同构建的异常识别模型簇可实现海量数据异常的在线精准、快速识别,为大坝安全在线监测提供可靠的数据支持。