耦合时序特征分解筛选的大坝变形分析模型

高精度的变形预测对大坝安全运行和长期维护具有重要意义。针对当下方法预测精度低、数据信息挖掘不充分的问题,通过将变形序列进行变分模态分解,构建大坝变形影响因子与分量之间的关系,进而搭建不同结构参数的长短期记忆神经网络,最终提出了一种大坝变形分析模型。该模型综合灰狼算法、最小能量误差标准、最小冗余最大相关性方法等策略,从前端分解、信息提取和时序预测三方面对模型进行了改进,实现了最优化建模。实例分析表明,相较于常规监控模型,所提出的变形分析模型能够准确模拟坝体形变过程,具有较高的预测精度和泛化性能,可以为大坝变形安全分析提供参考。

多维复杂关联因素下的大坝变形动态建模与预测分析

大坝变形监控模型是多维复杂关联性以数学形式表达的集成载体,因而合理量化和集成关联性有利于更加全面而准确地构建数学模型。本文着重从维度、关联、检验、措施及模型五个层面依次对因子相关性、动态因果关系和序列相似性三种关联性进行阐述,提出了一种兼顾相关性和相似性的大坝变形动态监控模型。该模型以环境因子与大坝变形间的因果关系为基础,分别采用耦合相关性诊断方法、动态最大信息系数和标准化动态时间规整算法度量因子相关性、动态因果关系和序列相似性,并通过非线性模型建立、动态输入修正和交叉多输出改进将多维复杂关联性统一于大坝变形动态建模框架中。以西南地区某混凝土坝工程多测点变形监测数据为例,通过多模型性能对比仿真实验对所提方法的有效性和准确性进行了验证评估。结果表明,与常规模型相比,集成多维复杂关联性的大坝变形动态监控模型的预测性能尤佳,以期为大坝变形安全预报提供一种新型建模方法。