考虑监测数据时序特征和空间分布的堆石坝参数反演研究

随着安全监测技术的发展,柔性智能位移计、管道机器人等新型监测技术逐步被用于堆石坝的安全监测。高堆石坝在其生命期内中积累了海量的监测数据,充分利用这些数据,开展参数反演分析,可以提高堆石坝数值模拟的准确性,有助于合理评估堆石坝安全性态。论文基于时间序列聚类从海量监测数据选择有代表性、多样性的测点组合,提取时序特征构造目标函数,反映堆石坝变形的时空演化特性,采用多目标优化算法进行堆石坝各分区的材料参数反演。与现有参数反演方法相比,本文方法能合理利用堆石坝大量监测数据,充分反映其在填筑、蓄水和运行过程中的变形发展和空间分布特性,基于反演分析的材料参数其计算沉降值与实测值吻合良好,能够显著提升参数反演的精度。

高心墙堆石坝材料本构模型计算的适用性研究

为研究不同材料本构模型对高心墙堆石坝应力、变形计算的适用性,以RM 300 m级高心墙堆石坝堆石料的室内试验成果为基础,分别对邓肯E-B模型、沈珠江双屈服面模型及MPZG模型进行材料本构验证和坝体有限元分析。研究结果表明:3种模型均能较好地表现堆石料三轴路径下的应力响应,而邓肯EB模型在低围压下体积响应表现效果欠佳;3种模型计算的坝体应力、变形分布均符合一般规律,应力相近,但变形计算中邓肯E-B模型得到的沉降与顺河向位移均较大;在高心墙堆石坝建设初期,可采用邓肯E-B模型进行早期分析,后期宜采用沈珠江双屈服面模型、MPZG模型等进行决策评价。

混凝土热-水-化-干湿应变多场耦合模型

为了准确研究水工混凝土在服役环境中因湿度变化引起的应变应力特性,从基本理论出发,建立修正的热-水-化-干湿应变(THCD)多场耦合模型.在已有模型的基础上,引入优化的化学亲和力函数和吸附等温线方程,实现对水化过程和湿度多阶段演变的准确模拟,进一步建立湿度和应变之间的关系,使模型可以对湿度变化引起的应变应力特性进行描述.基于模型对不同水灰质量比及养护条件下的自干燥、自收缩、单轴扩散干燥试验进行模拟验证,并进行干湿循环试验的数值模拟.结果表明,所提模型具有较好的适应性,可以准确模拟试验中湿度和应变的演变过程,在干湿循环试验中由湿度引起的应变应力特性符合一般规律.该模型可以为水工混凝土结构的安全评估和寿命预测提供支撑.

高堆石坝变形监测和变形预测关键技术及工程应用

堆石坝坝体变形不协调或变形过大,会导致防渗体破损和失效,严重危及大坝安全。现有变形控制理论与技术难以满足高堆石坝要求,堆石坝变形控制与预测关键技术亟待突破。文章围绕堆石体力学参数确定新方法、变形监测新设备与变形预测新技术等研究,总结形成了一整套“宏细观、内外观、智能化”的堆石坝变形监测和预测技术体系。研究成果提升了堆石坝变形监测和变形预测水平,为高堆石坝变形控制提供了技术支撑,推动了水电行业的科技进步,推广应用前景广阔。

深度学习提取时空特征的堆石坝变形预测模型

当前堆石坝变形智能预测模型较少关注多测点变形时间序列在时空特征上的不均衡性,因此限制了变形预测精度的进一步提高。为了解决该问题,本文提出了一种结合卷积神经网络、注意力机制和长短期记忆神经网络的堆石坝变形预测模型(CTSA-ConvLSTM),该模型可以提取变形时空特征,对不同时刻和不同位置的测点赋予不同的权重系数,实现对堆石坝整体变形规律的自适应学习。以水布垭面板堆石坝为例,采用该模型和最大断面所有测点的变形监测数据,验证了模型的有效性。模型预测效果优于Holt-Winters等常规时序预测模型,预测精度也优于笔者提出的基于LSTM的变形预测模型。通过深度学习提取监测数据时空特征,进一步提高了大坝变形预测精度,为大坝安全监控模型提供了新的思路。

基于X-ray CT原位三轴剪切试验的砂土颗粒材料微观动力学

将X射线断层扫描技术(CT)与原位三轴剪切试验相结合,分析渥太华砂在剪切过程中的微观动力学演化规律.在试验过程中共完成15次X射线扫描,使用图像分割算法进行颗粒分割并使用球谐函数重构颗粒的表面形貌,根据颗粒的多尺度形态指标序列实现整个加载过程中颗粒的准确匹配与追踪,并分析颗粒位移、转动、局部非仿射运动和局部孔隙率等微观动力学和微观结构指标的演化规律.在剪切过程中颗粒体系的竖向位移分布呈现2个锥形区域,颗粒的转动分布出现明显的X型剪切带.用于度量局部塑性变形程度的局部非仿射运动和局部体积分数呈现出较为明显的相关关系,表明颗粒微观动力学与其微观结构之间存在因果关系,局部自由体积较大的地方更易发生塑性变形.

基于多特征融合与对象边界联合约束网络的建筑物提取

针对现有全卷积神经网络因光谱混杂造成建筑物漏检、误检以及边界缺失的问题,设计了一种基于多特征融合与对象边界联合约束网络的高分辨率遥感影像建筑物提取方法。所提方法基于编解码结构,并在编码阶段末端融入连续空洞空间金字塔模块,以在不损失过多有效信息的前提下进行多尺度特征提取和融合;在解码阶段,通过实现基于对象和边界的多输出融合约束结构,为网络融入更多准确的建筑物特征并细化边界;在编码与解码阶段间的横向跳级连接中引入卷积块注意力机制模块,以增强有效特征。此外,解码阶段的多层级输出结果还被用于构建分段多尺度加权损失函数,实现对网络参数的精细化更新。在WHU和Massachusetts建筑物数据集上进行对比试验分析,其中交并比和F1分数分别达到了90.44%、94.98%和72.57%、84.10%,且模型的复杂度与效率均优于MFCNN与BRRNet。

时空融合的堆石坝变形预测模型及在安全监测中的应用

变形预测是堆石坝安全监测与健康诊断的重要手段,现有研究多根据堆石坝监测数据建立单测点预测模型,未充分考虑测点之间相关性进行整体建模,且现有模型难以对漂移数据进行长期精准预测。本文考虑堆石坝变形序列的时序依赖性和测点之间的协同相关性,提出了基于图卷积和循环神经网络、引入概率预测与全过程训练的时空融合变形预测模型。该模型首先采用图卷积网络对多测点特征进行自适应汇聚,然后利用循环神经网络中细胞状态与隐层记忆沿时间轴的传递性,实现对时空信息的挖掘与融合,最后通过线性层得到概率预测参数,提高了模型对监测数据噪声的鲁棒性。采用全过程训练方式,提高模型对影响因子与累积变形量内在关系的学习能力,实现对漂移数据的长期精准预测。最后以水布垭面板堆石坝为例,进行了模型对比实验与消融实验,介绍了该模型在堆石坝安全监测和健康诊断中的三种具体应用。结果表明,本文模型有效融合了时空信息,在预测精度方面显著高于现有模型,解决了现有模型对大坝整体变形规律学习能力差、漂移数据预测精度低的问题,可用于堆石坝变形长期预测、测点异常检测与缺损数据补全。