大坝变形监测异常数据识别和重构模型

针对混凝土坝变形监测数据中的粗差和异常测值问题,提出了一种数据异常识别和重构模型。模型利用关联规则量化变形序列与水位序列的关联性,将监测数据输入DBSCAN聚类算法寻找异常点,利用关联结果将监测数据异常点分为粗差点与反映大坝性态点两类,保留反映大坝性态点,剔除粗差点,并利用改进的小波神经网络对粗差数据进行重构,保证监测序列完整性。某拱坝变形监测数据验证结果表明,该模型可以准确识别监测数据中的异常值,并能够获得更为准确的重构数据,为大坝实测性态评价提供了新的分析方法。     

基于相空间重构的大坝服役性态小波支持向量机预测模型

通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。     

基于小波变换分析小浪底大坝渗流监测数据

把小波分析作为数值处理方法,结合小浪底大坝渗流监测数据噪声特点和测值干扰因素,通过小波和小波包两种方法对监测数据进行了有效的降噪处理,同时也可以分离提取出时效分量,直接用于评价大坝当前工作性态。通过对小浪底坝基实测资料的处理,证实了小波包去噪方法的去噪效果要好于小波去噪方法。     

大坝变形实测数据的多重分形特征解析方法

为更好地分析大坝变形实测数据的波动特征进而评价变形的整体性态,以某混凝土重力坝的实测数据为凭,将多重分形理论应用于大坝变形性态分析中,利用MF-DFA、MV-MFDFA和A-MFDFA解析变形性态的多重分形特征及其非对称性。结果表明,无论是多测点或单测点,实测序列均具有明显的多重分形特征,并且这种多重分形特征具有明显的非对称特性;实测序列从多测点到单测点、从整体波动到局部趋势均表现出良好的记忆性和长程相关性特征,在水位等大波动因素的影响下,该坝坝顶水平位移发展良好,大坝整体状态稳定。     

毛尖山拱形土石坝变形性态的数值模型分析

结合变形实测资料,分别建立毛尖山大坝位移的统计模型和灰色模型,量化各影响因素对大坝变形性态的影响程度,评价了大坝的变形性态。数值模型分析结果表明：大坝变形变化规律正常,时效变化量趋于稳定。     

基于偏最小二乘回归法的大坝渗漏分析与预测

渗漏是水库大坝主要病害形式之一,进行大坝渗漏分析预测对了解大坝渗流性态和提高工程管理具有重大意义。由于坝体内部渗漏表现出的灰色甚至黑色特征增加了渗流性态的分析难度,基于常规的最小二乘法无法解决渗漏变量间多重共线、样本较少等问题。针对此类分析的难点,本文通过偏最小二乘回归法,依据监测数据建立了渗流统计回归模型,探讨了主要影响因素与渗漏量的关联程度。采用该模型对吉林台面板堆石坝工程运行条件下渗漏量进行了预测,分析结果表明了该方法的可行性。     

基于偏最小二乘回归法的水库渗漏分析与预测

渗漏是水库大坝主要病害形式之一,对大坝渗漏进行分析预测对了解大坝渗流性态和提高工程管理意义重大。由于坝体内部渗漏表现出的灰色甚至黑色特征增加了渗流性态的分析难度,基于常规的最小二乘法无法解决渗漏变量间多重共线、样本较少等问题。针对此类分析的难点,本文通过偏最小二乘回归法,依据监测数据建立了渗流统计回归模型,探讨了主要影响因素与渗漏量的关联程度。采用该模型对吉林台混凝土堆石坝运行条件下渗漏量进行了预测,分析结果表明了该方法的可行性。     

孤立森林算法在大坝监测数据异常识别中的应用

大坝安全监测数据的可靠性和完整性是分析监测效应量变化规律、评判大坝运行性态的前提,有必要对大坝安全监测异常数据进行识别和清除,以提高监测数据质量。将适用于大数据处理的孤立森林算法应用于大坝监测异常数据识别中,首先通过小波变换提取监测数据的趋势项,然后采用孤立森林算法对扣除趋势项的剩余量进行异常值识别。通过实例对比分析发现该方法能有效识别大坝监测数据的异常值。     

基于多测点云相似的混凝土坝变形性态关联分析

大型混凝土坝的安全监测测点数量多、布置广泛,海量监测数据给及时准确分析评估大坝安全性态带来困难,为此引入云模型理论对变形监测资料表征混凝土坝性态的差异性及关联性进行分析。将大坝每个测点的监测数据视为一个云,单个测值视为云滴,进行云参数计算获取测值序列的云数字特征,进而通过多测点的云参数,计算测点之间的相似度和相似系数,用以表征不同测点反映大坝整体变形状态的差异和相关性。实例分析表明,云相似度能够迅速发现同类坝段中的异常测点,通过云相似系数的聚类分析实现测点分组,在实现大坝变形性态关联分析的同时,测点分组管理可有效提高监测数据分析效率。     

紧水滩拱坝变形性态分析

紧水滩大坝已运行了17年,实测资料有效地揭示了大坝变形的分布和变化规律。分析表明,紧水滩大坝实测变形性态正常。     

混凝土坝服役性态监测效应量安全监控指标拟定方法

表征混凝土坝服役性态变化的监测效应量,其变化客观反映了大坝的工作性态变化,为确保大坝的安全运行,需对相应的监测效应量拟定安全监控指标,传统的方法在假定一定失效概率的前提下拟定监控指标,人为因素影响较大。经对传统方法不足的分析,基于典型小概率方法和层次分析法的思想,提出了混凝土坝服役性态评价等级属性不等区间的划分方法,在此基础上,综合运用最大熵原理,构建反映混凝土坝服役性态变化的监测效应量概率密度函数,提出拟定对应大坝服役性态评价不同等级属性的监测效应量安全监控指标的方法,并通过工程实例验证了所提出方法的可行性和有效性。     

混凝土坝健康状态态势诊断方法

混凝土坝受到水文、地质、环境及不可控因素的累积影响,易出现不同程度的老化、服役性能衰减甚至恶化等问题。这些问题若不及时被发现并有效解决,将严重影响混凝土坝的健康,因此亟待开展混凝土坝健康状态诊断方法的研究。以往常基于统计分析的方法,通过拟定监测效应量诊断指标来诊断大坝健康状态,但方法存在人为假定及物理意义不明确问题,影响了诊断的质量和客观性。针对上述问题,本文提出态势诊断方法,该方法从表征混凝土坝健康状态监测效应量时空变化维度出发,构建大坝状态转异面板数据分析模型,用于确定健康状态可能恶化的不利工况及发生的时间,并基于灰色关联理论和最大熵理论,建立混凝土坝健康状态影响因素与不利工况间的灰色投影关系,提出识别疑似存在健康问题的阈值确定方法,据此实现混凝土坝健康状态诊断。     

基于PCA的高混凝土坝变形空间融合监控模型

针对单测点监控模型无法反映大坝整体变形性态的问题,提出了基于主成分分析(PCA)的高混凝土坝变形空间融合监控模型。以混凝土坝空间变形场多测点监测数据为基础,利用PCA提取能反映大坝整体变形性态的综合效应量,基于有限元对其建立混合模型,并以模型预测值与实测值之间的2倍标准差作为控制域进行大坝空间变形性态的融合诊断。应用此模型对某高拱坝进行建模分析,结果表明,所提取的第一综合效应量即可解释原29个坝体正垂线测点所共同表征的大坝变形性态,对其建立的混合模型中水压分量的调整系数为0.85,分离出来的时效变形分量尚未收敛,说明坝体目前仍有向下游侧的整体趋势性变形,与该高拱坝处于蓄水运行初期的状况相符。基于PCA的空间融合监控模型,可有效减少变形监控模型的数量,从而快速诊断高混凝土坝的整体变形性态。     

清江隔河岩大坝1998年变形分析

 1998年8月8日，清江流域超过了千年一遇的洪水标 准，隔河岩大坝蓄水位高达203.94 m，超出正常蓄水位3.94 m，对长江下游防洪渡汛起了巨 大的作用。在进行隔河岩大坝1998年变形监测资料分析中，选择3条横线(坝顶206 m高程、 坝体145 m高程和坝基)，4条竖线(右拱座#10坝段、拱冠#15坝段、左拱座#21坝段和 重力墩#26坝段)的分析路径，采用物理推断法对变形量大的测点作了特征值分析；针 对呈多峰曲线型的监测数据，采用广义线性多项式逐步回归方法建立了变形模型；最后对大 坝工作状况作出初步分析。     

Monitoring models for base flow effect and daily variation of dam seepage elements considering time lag effect

Affected by external environmental factors and evolution of dam performance, dam seepage behavior shows nonlinear time-varying characteristics. In this study, to predict and evaluate the long-term development trend and short-term fluctuation of the dam seepage behavior, two monitoring models were developed, one for the base flow effect and one for daily variation of dam seepage elements. In the first model, to avoid the influence of the time lag effect on the evaluation of seepage variation with the time effect component of seepage elements, the base values of the seepage element and the reservoir water level were extracted using the wavelet multi-resolution analysis method, and the time effect component was separated by the established base flow effect monitoring model. For the development of the daily variation monitoring model for dam seepage elements, all the previous factors, of which the measured time series prior to the dam seepage element monitoring time may have certain influence on the monitored results, were considered. Those factors that were positively correlated with the analyzed seepage element were initially considered to be the support vector machine (SVM) model input factors, and then the SVM kernel function-based sensitivity analysis was performed to optimize the input factor set and establish the optimized daily variation SVM model. The efficiency and rationality of the two models were verified by case studies of the water level of two piezometric tubes buried under the slope of a concrete gravity dam. Sensitivity analysis of the optimized SVM model shows that the influences of the daily variation of the upstream reservoir water level and rainfall on the daily variation of piezometric tube water level are processes subject to normal distribution.     

因素分析模型在拱坝观测数据分析中的研究与应用

针对拱坝安全监测中大量的观测数据以及数据之间复杂的相关性，从全坝多测点的测值所形成的相关矩阵中提取整体因素信息，分析各观测变量之间的相互关系，归纳出测量本质相同的变量，使分散复杂的观测数据成果简洁化、整体化，从而为观测资料的整体分析提供一种多元统计分析方法。     

基于示踪法的土石坝裂缝发育深度检测及成因分析

根据探地雷达的检测原理,引入与土体介电常数差异较大、具有强烈反射性的示踪剂,结合探地雷达技术来检测某黏心墙土石坝裂缝的发育深度。通过对灌入示踪剂前后探地雷达检测剖面图像裂缝深度的对比分析,发现裂缝深度检测值提高了20%~50%。通过对坝体监测资料中坝体变形、库水位和裂缝开度进行相关性分析,发现土石坝正常运行情况下,坝体前后变形、水平竖向变形的不一致会引起坝体的开裂,库水位的变化是导致土石坝坝体开裂的主因。通过对坝体的裂缝发育深度的检测以及裂缝成因分析,为土石坝工程的管理和维修加固提供了科学的决策依据。     

非线性振荡分析在土石坝变形监测资料的应用研究

传统的时间序列法是对土石坝变形观测量在特定时间范围内的变化特征进行拟合建模,无法揭示观测点变形测值之间的共性。采用分形理论中非线性振荡分析方法,研究了变形时间序列数据的相关性及后续建模选取数据的有效性,提出的定标指数可用来甄别监测点时间序列的位移值是否存在长期记忆性,有效的预测未来的发展趋势,并指出后续建模选取时间序列的起始范围。实例应用结果表明提出的方法可较好的分析土石坝变形性态及预测预报,为土石坝变形安全分析提供了一种新途径。     

基于Apriori和GP-XGBoost的特高拱坝变形缺失数据填补方法

变形监测数据作为特高拱坝服役性态最直观的表征,蕴藏着丰富的时空信息和演变规律,对工程长治久安意义重大。然而,多源多维的变形监测数据受仪器本身及外界因素影响,往往存在数据缺失的现象,会对接下来的数据分析工作造成干扰。针对大坝变形监测序列中的缺失数据,基于Apriori关联规则算法挖掘测点变形在空间维度上的关联性,得到目标测点的强关联测点,随后以强关联测点的变形监测数据作为输入样本,利用贝叶斯优化的XGBoost回归模型填补了目标测点的空缺变形监测序列。结合锦屏一级特高拱坝工程实例表明,该填补方法实现了变形监测空缺信息的高效、精准填补,可用于类似大坝工程的变形缺失数据填补。