基于小波和神经网络拱坝变形预测的组合模型研究

传统方法只能近似地描述拱坝变形与各影响因子之间的关系.文章以小波变换提取影响大坝变形的主要影响因子———温度与水位的有效信息和大坝变形信息一起作为输入,实测变形值作为输出,通过对模型的合理优化和有效的数据处理,成功建立了拱坝变形的BP监控预测分析网络模型.通过模型的运算,得出了满意的结果,并且模型的预测精度较高.

基于因果模型的拱坝变形安全监控研究

基于因果模型原理,构建了拱坝变形的因素集和结果集,并从相关物理、力学原理出发,研究了拱坝变形和变形原因之间的因果作用机制。据此,融合因果分析图、层次分析法和模糊数学等技术,建立了拱坝变形影响因素的重要度因果分析图;应用小波分析方法提取了变形趋势分量,并将基于范例的因果推理方法引入到拱坝变形因果分析中,将其与传统的回归模型相结合,构建了拱坝变形因果推理模型。研究表明,因果分析理论的引入能够实现对拱坝变形机制进行更全面的分析。

拱坝变形监测预报的随机森林模型及应用

大坝变形预报对大坝运行安全评估起着至关重要的作用。传统模型预报精度不够、模拟效果不稳定;若大坝变形数据有异常值时,传统机器算法模型识别和处理异常值的灵活性很小,导致预报结果有偏差。为了解决这些问题,首次将随机森林算法运用到大坝变形监测领域,将大坝测点根据随机森林相似性矩阵分成若干个子集,针对每一个子集建立随机森林预测模型,分区建立预测模型更符合工程实际情况。选取拱坝变形作为研究对象,验证所建模型的适用性。结果表明,根据随机森林的相似性矩阵对大坝各测点的分区情况符合物理和工程实际意义,对各分区子集测点利用随机森林模型建立的预测模型,与支持向量机、BP神经网络模型相比,预测结果精度较高、模型稳定性好,为大坝变形监测提供了新思路。

人工免疫算法优化双支持向量机在拱坝变形预测中的应用

为了能够通过监测数据直观反映出坝体是否处于稳定运行状态,采用人工免疫算法优化的双支持向量机方法,对高拱坝变形数据进行了拟合预测分析,双支持向量机与标准支持向量机相比极大地提高了计算速度,在进行批量重复计算中计算效率明显提升。针对双支持向量机计算结果受参数影响较大且参数多的问题,引入人工免疫算法搜寻双支持向量机参数,人工免疫算法在遗传算法的基础上保留了一定数量的较优解,提升了算法的搜索效率。工程算例分析表明,参数对双支持向量机结果影响较大,通过人工免疫算法搜寻最优参数后,双支持向量机能够较好地拟合拱坝坝体变形数据,预测结果符合工程精度要求,最大误差仅为1mm左右。

PSO-GM模型在拱坝变形预报中的应用

用PSO-GM模型来预测了拱坝变形情况.该模型通过粒子群算法优化灰色模型中背景值的权重系数r和指数灰元N,既保留了灰色模型要求样本数据少、短期预测精度高、可检验等优点,又弱化了线性GM(1,1)模型对累加生成的数据序列须成一定指数规律变化的要求,从而更具普遍性.通过工程实例计算验证可知,PSO-GM模型无论拟合精度还是预测精度都较一般线性灰色GM(1,1)模型好,可以为坝体位移监测提供参考.

改进温度分量的拱坝变形时空分布模型

通过对混凝土拱坝变形滞后特性的研究,分析了温度效应对坝体位移影响规律,并引入瑞利分布函数建立了改进温度分量的拱坝变形监控统计模型。再通过引入空间坐标,考虑变形值在空间的连续性,建立了改进温度分量的拱坝时空分布模型。由于所建立的监控模型因子较多,因此应用粒子群算法和逐步回归分析法进行参数寻优。最后将所建立的拱坝变形时空分布模型应用于某拱坝变形监控中,结果显示:影响因子的个数减少,复相关系数及剩余标准差均优于传统模型,所建立的模型较传统大坝变形监控模型精度更高、拟合效果更好。

垂线系统在拉西瓦水电站拱坝变形监测中的应用

以拉西瓦水电站拱坝垂线监测系统设计、施工、监测成果为依托,从垂线监测系统包含的各类监测仪器入手,介绍各主要垂线监测坐标仪的设备性能、技术指标及测量原理等,并详细阐述垂线系统的率定、安装方法。以拉西瓦水电站拱坝垂线系统目前的施工形象及垂线坐标仪安装方位角作为基础,提出垂线测点及整套垂线的计算方法,并针对拉西瓦水电站拱坝垂线监测计算成果分析,得到拉西瓦水电站拱坝平面变形成果,为同类工程垂线布置、计算提供了一种垂线监测方法。

ACO-BP在拱坝变形监测中的应用

拱坝变形监测是拱坝运营阶段的核心问题之一,从拱坝的变形特点出发,提出一种更优于蚁群算法的神经网络模型——ACO-BP算法,对拱坝变形监测进行研究。

拱坝监测变形的系统辨识模型研究

介绍了大坝安全监测目前常用的3种变形模型的优缺点和系统辨识的基本原理,在此基础上将系统辨识理论引入到拱坝变形的模型研究中。以MatLab软件中的系统辨识工具包为平台,建立以库水位、气温和时间为输入,坝体监测变形为输出的李家峡拱坝监测变形多输入单输出系统辨识模型,并应用损失函数和AIC准则等对模型的预测精度进行了分析判断,验证了系统辨识模型的方法的可行性和预测性的可靠性,研究工作对其他水工建筑物的安全监测变形模型的建立具有一定的参考价值。

基于IABC-FCM-RVM算法的拱坝变形预测模型

针对传统统计模型中温度和水压因子交叉影响、效应量不易分离的问题,提出了一种基于IABC-FCMRVM算法的拱坝变形预测模型。首先采用基于改进的人工蜂群(IABC)的模糊C-均值聚类算法(FCM)对变形数据进行分类,然后分别对分类后的数据建立分段的相关向量机模型(RVM),最后以某高拱坝变形数据对该模型进行了检验,并与统计模型和未聚类的RVM模型预测结果对比分析,结果表明,IABC-FCM-RVM模型具有更好的预测精度。

多因素影响下高拱坝长周期序列变形预测及工程应用研究

大坝变形的高精度预测可以及时掌握大坝未来变形趋势,有利于大坝的安全。针对传统模型训练数据集代表性不强和预测模型预测精度不高的问题,对基于随机森林算法的多因素影响下高拱坝长周期序列变形预测进行研究。首先,建立包含温度因子、水位因子和时变因子的12参数的大坝变形预测因子集;其次,选取6年长周期运行数据,并采用滑动平均窗口法对缺失的监测数据进行拟合处理,共获取2192组数据集;最后,采用随机森林算法对高拱坝变形进行预测,并与多元线性回归方法、BP神经网络算法及支持向量机算法对比,结果显示,本次研究所采用的方法预测精度最高,具有一定的优越性。

拱坝不对称变形性态分析

本文结合工程实例,对拱坝不对称变形的产生原因、发展趋势和危害程度,进行反馈分析研究.指出侧移变形出现异常,往往会对坝体、坝肩造成一定程度的危害;若拱坝向某一侧急剧位移,则很可能是拱坝处于危险状态的征兆,应引起高度重视.

基于有限元与支持向量机的大坝变形组合预报模型

鉴于大坝变形可有效反映大坝的运行状态,而传统统计模型对大坝变形监测数据的拟合和预测并未考虑坝体及坝基物理力学参数的问题,提出了基于有限元与支持向量机(SVM)的大坝变形预报模型,即通过Hypermesh网格划分得到三维有限元模型,导入Abaqus进行静力计算,得到典型水位下的位移分量。考虑到大坝变形的高度非线性特点,利用SVM拟合得到水压分量、温度、时效分量影响过程线。实例验证表明,该模型拟合效果较好,预测精度更高。

乌江渡水电站激光准直变形监测资料分析

通过对乌江渡水电站激光准直变形监测系统在真空和微压差条件下监测数据的分析,表明激光准直变形监测系统用于拱坝变形自动化监测是可行的,能够反映大坝变形规律。在微压差条件下比在真空条件下系统更为灵敏,变化规律明显,表明系统管道在微压差条件下密封要求相对不高,运行可靠性高,建议变形监测系统采用微压差工作模式。