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。

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SCSO-BIGRU的大坝变形预测

针对传统预测模型调参难度大及预测精度不够高的问题,本文将沙猫群算法(SCSO)和双向门控循环单元(BIGRU)引入到大坝变形分析中,通过SCSO对BIGRU模型的参数进行自动寻优,构建了一种基于SCSO-BIGRU的大坝变形预测模型。以某大坝垂直方向监测数据为例,对SCSO-BIGRU模型和对比模型进行分析,结果表明,SCSO-BIGRU模型预测精度更高,其得到的均方根误差(RMSE)sRMSE、平均绝对误差(MAE)sMAE、相关系数R2分别为0.1115、0.1422、0.9971,各项精度评价指标均优于BIGRU模型和门控循环单元(GRU)模型,可为大坝变形精准预测提供参考。

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Inception模块与改进GRU的混凝土坝变形预测模型

针对现有基于经典线性回归方法或浅层机器学习技术的混凝土坝变形预测模型在提取环境量因子复杂特征与学习变形-环境量长期依赖关系上的不足,提出了基于Inception模块与自注意力机制改进的门控循环单元(GRU)的混凝土坝变形预测模型。该模型综合运用了Inception模块的特征提取能力和GRU的长期依赖性学习能力,可从不同尺度提取大坝环境量监测序列的特征并进行大坝变形的长期预测,同时通过引入注意力机制,降低了学习多种环境因子特征时的模型过拟合风险。某特高混凝土双曲拱坝工程实例验证结果表明,该模型在典型监测点的预测性能都优于其他常用的浅层或深度学习模型,可用于混凝土坝变形预测。

基于接触问题的面板竖缝对其应力变形的影响研究

在面板堆石坝结构中,面板是坝体的主要挡水结构,其一旦发生开裂变形会对整个坝体产生重要影响。而面板竖缝的设置对面板的应力变形起重要作用,分析面板竖缝对面板应力变形的影响具有重要意义。以云南省某面板堆石坝为案例,对面板与垫层之间设置接触面,并对面板设置竖缝,通过有限元软件对面板应力变形进行计算和分析。结果表明,面板设置竖缝后,面板挠度略大,面板应力减小,验证了面板设置竖缝可以适应面板变形,能够有效避免面板整体破坏情况。

DTCN-DAM95分布式大坝安全在线实时监测网络设计概述

介绍和分析了国内外大坝安全监测技术的现状和发展趋势，在此基础上，提出了本监测网络的设计方案，对设计方案做了总体概述．对该监测网络深入的技术研究报道将在后文进行．本监测网络已在工程实际中通过试运行，各项技术指标达到了设计要求．

碾压混凝土坝层间开裂过程模拟

针对碾压混凝土坝施工层面开裂破坏模拟问题,从混凝土细观结构角度出发,首先利用块体切割算法,生成了碾压混凝土坝随机骨料模型;然后,通过黏结单元嵌入算法,建立了坝体黏结裂缝模型;最后,利用Abaqus模拟了坝体层间开裂过程。实例模拟得出:当水容重超载系数为60时,坝体上游面拐点处的层面先出现裂缝,该区域应力集中现象明显;混凝土碾压坝在施工中,应避免在坝体轮廓拐点处分层。该研究可为碾压混凝土坝施工层面开裂破坏的预测提供参考。

基于CNN-aGRU融合模型的尾矿坝浸润线预测方法

为预防尾矿库溃坝安全事故,关联分析在线监测数据的深度,提出将卷积神经网络(CNN)与门控循环单元(GRU)融合的尾矿库浸润线安全态势预测方法,以掌握坝体的稳定性状况与安全发展态势。该方法综合考虑尾矿库监测数据复杂非线性和时序关联性等特点,利用一维卷积神经网络(1D CNN)模型获取多源数据的局部关联特征和空间特征,并利用GRU模型获取浸润线数据的时序特征,采用自适应矩估计权重衰减优化算法(AdamW)优化模型梯度的自适应性,提高预测模型泛化能力和预测精度,并以河南洛阳某金属露天钼矿尾矿坝进行试验验证。试验结果表明:对比传统BP神经网络、长短期记忆网络(LSTM)、GRU等预测模型,该预测模型在平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、R 2几项关键指标上,分别达到0.01391562、0.005432、0.000045、0.006702、0.998334,实现对浸润线变化态势快速精准预测。

基于优化VMD与GRU的混凝土坝变形预测模型

为提高大坝变形预测精度,基于“分解-重构”思想,采用变形信号处理技术对实测变形加以时频分解,并结合深度学习网络对分解信号分项预测再重构,提出一种基于优化变分模态分解(VMD)与门控循环单元(GRU)的混凝土坝变形预测模型。该模型使用灰狼优化算法(GWO)优化的VMD把原始数据分解为一组最优本征模态分量(IMF),利用GWO优化的GRU网络对每个IMF分量进行滚动预测,通过叠加各个分量的预测结果得到位移序列预测结果,解决了VMD人工选择参数导致分解效果差及GRU人工选择参数影响训练速度、使用效果及鲁棒性等问题。工程实例预测结果表明,该模型的预测误差小,具有良好的预测精度与稳健性。

破片侵彻含内衬碳纤维复合材料圆筒损伤机理

为研究含内衬碳纤维复合材料圆筒在破片侵彻下的损伤机理,基于LS-DYNA有限元仿真软件,采用Chang-Chang损伤准则和Cohesive界面单元,建立了考虑分层损伤的含内衬碳纤维复合材料圆筒在破片侵彻下的数值仿真模型。通过仿真计算破片对碳纤维复合材料圆筒的动态侵彻过程,得到了碳纤维层和金属内衬层的应力云图和损伤结果,研究了含内衬复合材料圆筒在破片侵彻作用下的损伤机理、吸能特性和破片初始速度对复合材料圆筒损伤模式的影响。研究结果表明:含内衬复合材料圆筒的损伤状态包括纤维断裂、层间分层、内衬凹陷、内衬破孔和复合材料层与内衬层分离。当破片速度为300 mm/s时,复合材料层的层间分层损伤程度处于较低状态,内衬层凹陷程度最大并形成破孔,复合材料层和内衬层的分离程度最大,内衬层的吸能比达到最大;当破片速度小于300 mm/s时,破片未完全穿透圆筒,复合材料层和内衬层的损伤程度较低,复合材料吸能比大于内衬层吸能比;当破片速度大于300 mm/s时,复合材料层的损伤模式为剪切冲塞,层间分层面积逐渐增大,内衬层凹陷程度逐渐降低,分离程度逐渐降低,内衬层吸能比降低并稳定在0.53左右。

基于扩展有限元法的混凝土重力坝裂缝扩展仿真研究

以坡月水库5#坝块为研究对象,采用扩展有限元法和水容重超载法对该坝块进行裂缝扩展仿真研究,探究该坝块的临界超载系数,研究重力坝坝踵部位裂缝扩展规律。结果表明:①5#坝块在满库水位下的水容重临界超载系数为1.4,可为坡月水库该坝块的极限承载能力提供参考依据。②大坝基本处于受压状态,仅坝踵周围和水力劈裂处产生拉应力,且最大拉应力均出现在坝踵部位。同一超载系数工况下,相同高程处的下游坝面位移比上游坝面位移大;坝体不同高程处的位移随高程的增大而增大;不同超载系数工况下,坝踵部位的拉应力、上下游坝面处的位移均随超载系数增大而增大。③裂缝扩展过程中,应力集中区沿裂缝扩展路径向裂缝尖端部位移动,当裂缝尖端的拉应力达到材料的抗拉强度时,裂缝继续扩展;当应力集中区移动到裂缝尖端且裂缝尖端的拉应力小于材料的抗拉强度时,裂缝停止扩展,研究成果可为重力坝坝踵部位裂缝扩展研究提供参考。

基于卷积循环神经网络的混凝土坝变形预报

针对混凝土坝变形量与变形因子之间作用机理的复杂性,本文结合深度学习网络对复杂特征信息挖掘的优势,建立基于CNN-GRU的混凝土坝变形预测模型。采用卷积神经网络对历史变形监测数据进行卷积以提取时间序列的特征,利用门控循环单元生成特征描述,进一步挖掘变形序列变化趋势,实现对混凝土坝的变形预测。基于实际监测数据研究表明:本文所提的方法获得了更高的预测精度,均方根误差达到0.8371,平均绝对误差达到0.6049,平均绝对百分误差达到9.47,在大坝变形监测中具有一定的优越性和实用性。

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。

混凝土坝扬压力观测装置评价及其数据应用

作为混凝土重力坝的重要荷载之一,坝基扬压力的大小及演变对大坝安全运行具有十分重要的影响。从监测装置评价、相关系数计算、监控指标拟定等方面说明了日常扬压力监测工作中需要注意的问题。给出了扬压力观测装置评价方法、标准,指出了强度系数计算中容易混淆的地方,通过置信区间法、典型小概率法、结构计算值、历史极值、规范允许值等手段,综合确定扬压力监控指标,并给出了应用原则。

高势能尾矿坝的物理力学性质指标研究

随着上游法尾矿水力冲填筑坝的不断加高,库内水位持续上升,逐步形成高势能尾矿坝。高势能尾矿坝体的物理力学性质指标是否因为坝体的加高而发生变化是需要关注的重点问题,因为物理力学性质指标是分析坝体稳定性的关键参数和基础依据。

宁夏典型流域淤地坝系运行风险评价

病险坝会严重地威胁到人民生命和经济财产安全,因此淤地坝运行风险的识别和研究尤为重要。选取宁夏西吉县车路沟坝系为研究对象,分别提取并建立一套相对完整的单坝及坝系运行风险评价指标体系,结合改进层次分析法计算指标权重,对各坝7个暴雨重现期下的运行风险及坝系300年一遇情景下的运行风险进行了评价。结果表明:随着重现期的增加,车路沟、前咀骨干坝以及东庄湾中型坝的风险等级发生了不同程度的变化,需重点关注;当遭遇300年一遇暴雨时,西吉车路沟流域运行风险值由高到低依次是:王昭单元>前咀单元>流域坝系>大坪单元>盘路湾单元,各淤地坝单元以及流域坝系均处于运行安全状态。本研究整体上实现了单坝,淤地坝单元以及流域坝系的运行风险评价,为该地区的淤地坝安全预报预警提供一定的借鉴和参考。

韭园沟流域淤地坝坝系布局评价

淤地坝系的科学布局关系到流域的防洪安全,对淤地坝系布局进行评价,可以为流域坝系工程的规划、建设和设计工作提供理论依据。将黄土丘陵沟壑区韭园沟流域划分为1个主沟坝系单元和14个子坝系单元,选取了大型坝占总比、串联率、库容均衡度、稳定系数、侵蚀模数、洪量模数及保收率7个指标,采用AHP、IAHP、熵权法及组合权重法分别计算了各指标权重,依次对韭园沟坝系布局进行了评价。研究表明:(1)流域部分子坝系单元布局不合理,但全流域坝系布局合理;(2)IAHP法和组合权重法在计算权重时更客观,评价结果较为合理;(3)4种方法中,大型占总比权重系数均达到最大,表明骨干坝对坝系布局有决定性影响;(4)当骨干坝控制全流域50%以上,库容均衡度达0~20万m^3/km^2,稳定系数达到1/25~1/20,洪量模数0~10万m^3/km^2,骨干坝串联个数低于2.5座/km时,坝系布局基本合理。

基于数据包络分析的溃坝洪水灾害脆弱性评价

水库大坝的溃决将会对下游自然、经济和社会产生灾难性影响,对溃坝洪水灾害的脆弱性分析有助于科学制定减轻灾害损失措施。提出了一种基于数据包络分析模型定量计算溃坝洪水灾害脆弱性的方法,并结合实例加以应用。应用结果表明,该方法具有可行性,并得出实例研究区中的小河区和南明区属于溃坝洪水灾害的高脆弱区,花溪区属于中脆弱区和云岩区属于低脆弱区,可为该区制定减灾措施提供一定参考价值。

红石水电站机组振动及诱发厂坝振动分析

红石水电站机组振动诱发了厂坝振动 ,通过现场振动试验、结构动力计算及模型试验 ,实现了振动故障诊断 ,并为进一步的加固处理和消减振动措施的实施提供了重要理论基础。