基于KPCA-RVM的土石坝沉降预测模型研究

【目的】针对土石坝坝体沉降存在多变量、强耦合、强干扰的复杂问题,建立基于KPCA-RVM的土石坝沉降预测模型。【方法】利用核主元分析(KPCA)对输入向量进行降维处理,以减少因子个数,随后利用相关向量机(RVM)模型对土石坝沉降进行预测,并以平均相对误差为指标对预测精度进行评价。【结果】实例应用表明,KPCA-RVM模型将输入向量由14个降低到7个,预测结果的平均相对误差仅为0.9%,预测效果得到明显提升。【结论】利用KPCARVM模型对土石坝进行沉降预测,不仅可以减少输入向量个数,而且可以提高预测精度,可在实际工程中推广应用。

基于灰色模型及其改进模型的土石坝沉降预测

考虑到土石坝沉降变形因素的复杂性以及GM(1,1)灰色模型基于贫信息数据所表现出来的优势,由大坝实测数据拟合构造GM(1,1)模型.为了进一步提高大坝沉降变形的预测精度,对原始GM(1,1)模型分别进行了考虑不同数据对预测结果有不同影响的加权改进和利用指数函数变换来提高原始数据光滑度的改进.实例应用表明,加权改进的GM(1,1)模型和函数变换改进的GM(1,1)模型的预测精度均优于原始GM(1,1)模型.

基于人工神经网络的土石坝沉降组合模型

影响土石坝沉降的主要因素是时效变形,目前常用的统计模型中时效分量主要采用指数模型和对数模型,但在某些工程实际中两子模型的拟合值与实测值偏差较大。文中在统计子模型基础上研究了一种基于人工神经网络的土石坝沉降组合模型,用于对土石坝沉降的拟合和预测,并给出实例。结果表明,组合模型较好地发挥了神经网络的非线性映射能力,并比统计子模型的拟合效果好。

土石坝沉降的预测灰色模型

本文将灰色系统理论应用到土石坝沉降资料分析中，通过新陈代谢方法与GM（2，1）模型相结合建立了灰色预测模型。该模型的可行性与合理性在铁山水库土坝的实际应用中得到了验证。