基于GA-PSO混合优化BP的面板堆石坝爆破料压实质量评价

碾压质量评价是大坝智慧化施工的关键技术之一，对坝体安全稳定性具有重要影响，而目前对其评价模型和方法尚未达成一致认识。以新疆阿尔塔什面板堆石坝为依托工程，结合现场填筑碾压监测数据和试坑检测试验数据，提出基于遗传算法和粒子群算法混合优化的BP神经网络算法(GA-PSO-BP)的爆破料压实质量评价模型。通过与BP、GA-BP、PSO-BP 3种预测模型进行对比分析，证明该模型的精度和优越性。结果表明：提出的基于GA-PSO-BP模型收敛速度更快、性能更好，且基于GA-PSO混合优化后的BP神经网络爆破料压实质量评价模型精度相对较高，可用于与新疆阿尔塔什混凝土面板堆石坝类似工况的压实质量评价。     

EGM2008重力模型在工程GNSS高程拟合中应用探讨

在GNSS控制网高程拟合高程系统转换过程中,将EGM2008地球重力场模型应用到高程异常值求取中,采用合适算法求解高程异常值,进而提高GNSS高程精度。通过对工程实例进行分析,结果表明采用EGM2008的GNSS高程精度得到显著提高,通过与水准限差比较,能够满足四等水准精度要求。     

基于Prophet-GMM的大坝监测数据异常检测算法

大坝监测数据受环境等因素影响,往往存在异常数据,异常数据的检测对于大坝的正常运行起着不可或缺的作用,但是传统异常检测算法对于大坝监测数据往往达不到精度要求。提出了一种基于Prophet-GMM的异常检测算法,利用Prophet算法较好的拟合性能对大坝数据进行拟合,由拟合数据与实测数据求残差序列,再利用GMM算法对残差序列进行聚类,从而准确识别出异常值。结果表明：Prophet-GMM法对于不同类型的大坝监测数据都能准确识别出异常值,与传统检测算法相比,在查准率、查全率及准确率3个检测指标上,均有较为明显的提升。     

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GA-BP神经网络的碾压混凝土压实度实时评价方法

针对碾压混凝土现场压实程度的实时工艺评价需求,选择含湿率、碾压层表面应力横波波速、级配以及胶砂比为预测参数,构建了GA-BP神经网络压实度预测模型;结合现场应用实例,验证该方法实时预测评价的有效性。结果表明:与BP神经网络模型比较,GA-BP神经网络模型不仅预测精度更高,而且偏差波动范围更小,稳定性好,能更准确有效地预测现场碾压层混凝土压实性;GA-BP神经网络模型对碾压混凝土压实度下限值更敏感,压实度处于93%～96%的样本点,模型预测值的平均误差仅为0.08%,最大误差仅为0.17%,预测精度很高。     

基于孤立森林算法的取用水量异常数据检测方法

水资源管理系统中储存着海量的取用水量数据,通过筛选数据中的异常值定位异常取水行为,是水资源监管的重要手段。对取用水量数据中的异常值普遍缺乏明确定义,传统的异常值检测算法在实时性和稳定性方面存在不足。在总结归纳现阶段取用水量异常数据种类、特点的基础上,首先运用平均插值法对可直观识别异常值进行预处理,在预处理后的数据中随机取样训练,建立多个孤立二叉树形成孤立森林,以此为工具对数据样本进行异常值检测。对某供水公司连续两年日取水量监测数据的实证分析结果表明,基于孤立森林算法的异常值检测方法将数据样本的特征通过非监督学习方式存储在森林中,具有更高的稳定性;能够准确检测出数据样本中的异常值,相比于传统最小二乘拟合方法具有更高的检出率。     

不同VC值下基于压实功的RCC碾压参数控制标准确定方法

碾压混凝土(RCC)的压实质量主要由VC值及各施工碾压参数(碾压机静压力、激振力、行驶速度、碾压遍数等)控制。若对单个碾压参数分别加以控制,不但会增加控制难度,而且由于现场施工情况的多变性,不易保证压实质量。本文基于压实功这一综合反映施工碾压参数的指标,利用自主研制的多参数可调式RCC碾压模拟试验装置,开展了不同VC值下RCC碾压试验,分别建立了考虑VC值的改进单位体积压实功与RCC本体压实密度、改进单位面积压实功与层面抗剪强度比的关系模型,进而提出了基于压实功的不同VC值下碾压参数控制标准的确定方法。结果表明:所建立的关系模型相关性良好,利用提出方法确定的碾压遍数标准与实际施工基本一致,从而可为应对现场VC值变化情况下的RCC碾压参数的动态调整提供依据和途径。     

基于FOA-RF算法的心墙砾石土压实质量预测模型

针对随机森林(RF)算法预测心墙砾石土压实质量存在决策树数量选取缺乏深入研究和忽视P0.075质量分数对压实质量影响的问题,提出了一种基于果蝇优化(FOA)算法的随机森林算法(FOA-RF算法),并构建了基于FOA-RF算法的心墙砾石土压实质量预测模型(FOA-RF模型)。该模型一方面通过对料源参数和干密度进行相关性分析,新增了P0.075质量分数作为模型的输入参数;另一方面利用FOA算法对随机森林进行优化,解决了RF算法难以取得决策树数量最优解、没有同时考虑决策树数量与随机特征数影响的问题。以西南某在建砾石土心墙堆石坝工程为例,分别应用基于传统RF、BP神经网络、多元线性回归的预测模型和FOA-RF模型进行压实质量预测。结果表明,FOA-RF模型在预测精度上具有优越性,并基于该模型开发压实质量预测模块,将该模块嵌入碾压质量实时监控系统中可实现压实质量的实时预测。     

基于施工全过程参数的堆石坝掺砾土心墙压实质量实时评价

料源参数和施工参数是影响掺砾土心墙压实质量的重要因素。针对当前研究中料源参数被局限于掺砾土,且施工参数考虑不全面,缺乏掺拌参数,不能客观实时评价仓面压实质量的问题,提出了一种基于双向极限学习机(Bidirectional extreme learning machine, B-ELM)算法,综合考虑施工全过程参数的掺砾土心墙压实质量实时评价模型。研究模型将掺砾土心墙碾压填筑施工过程中土料参数、石料参数等料源参数,掺拌参数、碾压参数等施工参数和气象参数作为模型的输入参数,采用B-ELM算法构建压实质量实时评价模型,将该模型嵌入堆石坝碾压施工质量实时监控系统中,可以实现压实质量的实时评价。结合西南某在建的掺砾土心墙堆石坝,采用本文提出的压实质量实时评价模型,实现了对碾压施工单元压实质量的实时评价。此外,将该模型与基于掺砾土料源参数的压实质量评价模型进行对比,结果表明,二者在精度上具有一致性,该模型在鲁棒性上具有优越性,并且可以实现压实质量的实时评价;与现场实测压实度比较分析,该模型对压实度评价更为准确和稳定。研究成果可为碾压堆石坝施工技术和设计工作提供参考。     

基于瑞雷波速的碾压混凝土压实效果评价

针对碾压混凝土坝现场碾压工艺压实效果的可靠评价和实时动态控制问题,提出了基于瑞雷波速检测的碾压热层高效压实度评价方法。依托切比雪夫Ⅰ型高通滤波联合小波阈值的信号去噪方法,构建了仓面网格化单元样本测点的压实度回归预测模型,通过Kriging空间插值法进行压实质量全仓面可视化评价。结合工程现场应用实例,结果表明:联合去噪方法可以有效抑制施工现场的干扰噪声,计算波速值分布;基于瑞雷波速和含湿率的多元非线性回归模型在拟合优度和预测精度方面上均优于其他对比模型;利用Kriging空间插值法进行区域性优化赋值,可以实现全仓面质量缺陷实时动态控制。     

基于碾压波速的堆石坝压实质量实时监测指标的研究

已有的连续压实质量评价指标在评估堆石坝料的压实质量时仍存在评价精度低、表征压实效果复杂以及结果易受压实材料属性影响等缺点.为给堆石坝施工质量的连续控制提供有效指标,本文采用数据延拓式相关的相位差求解方法来间接获取碾压波速(VR),提出了以实时监测的VR作为堆石坝料压实状态的表征指标.从定性分析角度考虑碾压参数对VR的影...     

应用优化神经网络算法预报地下水位

根据地下水及其影响因素之间存在的映射关系，在BP网络模型的基础上，提出一种Levenberg-Marquart优化神经网络算法，并用于地下水位的预测．与传统的BP算法相比较，该算法的预测精度较高，计算结果稳定性好，收敛速度快．     

基于遗传算法的神经网络优化预测模型及其在年径流预报中的应用

根据径流中长期预测的特点，将遗传算法和神经网络相结合，提出一种年径流预测新算法——遗传神经网络优化预测方法．该方法提高了径流中长期预测模型的优化能力，有效地克服了人工神经网络学习速度慢、存在局部极小点的固有缺陷．最后对实例分别用几种不同的模型进行预测，经比较分析，证明所提出的方法能有效地提高预测精度和速度     

基于数字图像处理的土石坝坝料合格性智能检测方法

土石坝坝料的合格性检测通常是通过判断现场筛分试验获得的级配参数是否满足设计要求来实现的,然而通过筛分试验获取级配参数的方法存在采样率低,操作过程繁琐,智能感知程度差等缺点以致检测结果代表性差。为了提高坝料级配参数的智能检测程度,依托辽宁某电站现场挖坑检测位置处的图像和级配数据,采用融合空间信息的直觉模糊C均值聚类（SIFCM）算法进行土石坝料数字图像的分割,并利用等效椭球体积的方法实现了土石坝料的三维体积重构,进一步通过基于BP神经网络的级配修正模型修正后,得到真实条件下的坝料全级配特征曲线,进而获得评价坝料合格性的4个指标：最大粒径、P5含量、曲率系数C_c和不均匀系数C_u。实际工程应用表明,本文建立的基于SIFCM_BP算法的坝料级配特征智能识别修正模型具有较高的识别精度,本文方法为大坝碾压施工前坝料合格性快速判别与施工过程中坝料压实特性的实时评价提供了重要支撑。     

自适应变步长BP神经网络在水质评价中的应用

为克服传统的BP网络的不足，采用自适应变步长算法（ABPM）来训练前馈人工神经网络。根据黄河流域的大汶河水系的水质监测的数据，建立了一个对地面水质进行判别的多层前馈网络数学模型。以地面水质七项污染指标为训练样本，对网络进行训练，并将训练好的网络用于水质进行评价，将计算结果与BP网络评价结果、单因子评价结果进行了比较分析。结果表明，ABPM神经网络方法收敛速度较快，预测精度很高，为水质评价提供了一种新方法。     

应用GA-BP神经网络预估砾类土的最大干密度

建立砾类土最大干密度预估模型,为控制砾类土工程填筑压实质量、选取满足工程压实性能要求的砾类土提供最大干密度预估参考。颗粒级配是决定砾类土最大干密度的关键因素,收集并整理得到92组砾类土数据,以全级配(d₁₀～d₁₀₀)作为BP(GA-BP)神经网络的输入变量,利用遗传算法优化BP神经网络的初始权值与阀值,构建基于BP神经网络和遗传算法的砾类土最大干密度预估模型,并与BP神经网络进行对比。86组训练样本预估结果的平均相对误差为0.54%,决定系数为0.983;6组检测样本预估结果的平均相对误差为0.57%,证明该网络模型泛化性能良好。采用GA-BP神经网络,由全级配能较好地预估砾类土最大干密度,收敛速度、预估精度及泛化性能均优于标准的BP神经网络模型。     

基于遗传优化LMBP算法的变形分析与预报

本文针对传统BP神经网络存在收敛速度慢、计算量大、易收敛于局部最小点的缺点,引入遗传算法与LM算法优化BP神经网络,并对优化后的BP神经网络进行训练与预测。实验结果表明：优化后的模型具有训练速度快、预测精度高的特点,更适用于大坝的实时预报。     

基于GA-BP神经网络的粗粒土渗透系数预测

针对粗粒土渗透性能受颗粒级配、密实程度等因素影响而呈现明显差异,提出一种粗粒土渗透系数预测方法。收集并整理得到93组粗粒土数据,以全级配(d₁₀~d₁₀₀)和孔隙比作为BP神经网络的输入变量,利用遗传算法优化BP神经网络的初始权值与阀值,构建基于BP神经网络和遗传算法的粗粒土渗透系数预测模型。结果表明:该GA-BP神经网络经过55次迭代之后精度满足要求;87组训练样本预测结果的平均相对误差为5.10%,其中有75%的样本相对误差小于平均相对误差;6组检测样本预测结果的平均相对误差为6.39%,该网络模型泛化性能良好。采用GA-BP神经网络,由全级配和孔隙比能较好地预测粗粒土的渗透系数,且收敛速度、预测精度及泛化性能均优于标准的BP神经网络模型。