基于组合优化灰色模型的尾矿坝浸润线预测

为提高贫信息情况下浸润线的预测精度,减少尾矿坝预警的误报与漏报,提出了一种利用组合优化灰色预测模型对尾矿坝浸润线监测数据进行分析的方法。本方法对监测序列进行缓冲处理并基于非齐次指数函数对灰色预测模型的背景值进行了优化,采用后验比、小概率误差和平均相对模拟百分误差作为模型拟合预测精度评价指标,以实例计算验证所建模型的合理性,并与其他灰色预测模型的模拟预测结果进行对比,结果表明组合优化灰色预测模型拟合预测精度更高。模型为尾矿坝的安全监测与病险防护提供了数据支持,为大坝原型观测资料处理提供了新途径。

基于ELM的尾矿坝浸润线预测

为了进行尾矿坝浸润线预测,提出一种极限学习机(ELM)方法。ELM网络能够很好地描述浸润线与其影响因素的非线性关系,将最小干滩长度、库水位、渗流量、竖直位移、水平位移5个主要因素作为ELM网络的输入,浸润线埋深作为网络的输出。为了提高ELM的预测准确性,利用均方误差指标选取归一化方法、激活函数、隐含层节点个数,最终确定最大值归一化方法预处理数据,输入5-9-1ELM网络,选取激活函数为sin型函数进行浸润线预测。同时选取BP神经网络,采用相同的归一化方法和网络形式进行对比。结果表明ELM模型在浸润线短期预测中可行性更高,预测精度佳。

改进的灰色神经网络预测方法

针对GM(1,1)算法求解发展系数和灰色作用量时受背景值影响的问题,提出一种回避背景值的辨识参数求解方法,避开背景值试算选取的步骤或选取不当造成预测精度低的问题;针对GM(1,1)模型预测时初始条件为固定值影响预测精度的问题,提出一种构建变权初始值的方法,避免预测精度受固定初始值的影响;针对传统灰色神经网络样本类型单一的问题,提出一种新的组合预测模型结构,突破了传统模型只依靠单一浸润线历史数据预测的局限,建立了基于改进灰色神经网络的浸润线预测模型.通过工程验证,该模型短期内对浸润线高度的变化预测效果较好.