共查询到18条相似文献,搜索用时 187 毫秒
1.
2.
3.
针对重力坝变形监测中单一回归模型存在的不足,引入水位、温度和时效各因子,分别建立了逐步回归模型和偏最小二乘回归模型,选取A电站14年的资料共88组样本点,分别采用两种模型对上下游方向S02单测点进行分析。结果表明,两种模型在很大程度上对混凝土重力坝变形监测结果分析均适用,实测值与逐步回归计算值和偏最小二乘回归计算值基本吻合,但偏最小二乘回归模型各水位、温度和时效各因子有效避免了舍弃线性相关自变量,对大坝变形的影响较逐步回归模型更加接近实际规律,在大坝变形监测中将二者方法得到的结果结合起来,得到的监测资料更为准确。 相似文献
4.
5.
清江隔河岩水电站自1993年蓄水发电至今已运行近20年,各项性态趋于稳定。根据清江隔河岩大坝近年来的大坝安全监测资料,主要针对拱冠梁15号坝段的位移,在基于物理推断分析的基础上,采用统计模型和反向传播(BP)神经网络模型进行了分析与研究。通过对2种模型分析的结果进行比较,应用BP神经网络模型进行分析具有更高的拟合精度和预测精度。分析结果表明:隔河岩大坝拱冠梁径向位移与上游水位呈正相关,与气温呈显著的负相关;拱冠梁切向位移与上游水位和气温无明显的关系,且径向位移非常小,拱冠基本呈对称状态,符合拱坝变形规律。 相似文献
6.
对碧口土石坝竖向位移实测数据资料进行了系统分析和研究,通过时空定性分析,确定了坝体沉降变形的主要影响因子,在此基础上建立了各竖向位移测点的统计模型,并采用逐步回归分析方法,对各测点的实测位移进行拟合和分离,进而定量分析水压、温度、时效等分量变化对坝体竖向位移的影响作用,综合分析认为,碧口大坝累计沉降量相对较小,竖向位移变形基本趋于收敛稳定. 相似文献
7.
针对宁波市周公宅水库大坝垂线观测资料进行了计算分析,研究了拱坝变形的一般规律,并采用逐步回归方法分析了水位、温度及时效因子对拱坝变形的影响。从统计模型、工程概况、测点布置、回归成果分析几个方面介绍并分析了各因子影响大坝位移的程度,得出了大坝位移主要受温度影响的结论。 相似文献
8.
为安全监控大坝,以棉花滩大坝为例,提出了一种多测点监测数据的方法,通过对环境变量和大坝效应量之间关系的分析,将多测点监测量转换为几个相互独立的潜变量来实现多测点数据的降噪和减缩,并采用最小二乘支持向量机(LS-SVM)建立环境变量因子对潜变量的预测模型,以实现对大坝状态的监控。 相似文献
9.
基于面板数据格式的特高拱坝变形性态分区方法 总被引:1,自引:0,他引:1
特高拱坝运行中受多因素协同作用,不同高程和区域的变形规律差异较大,坝体局部单测点的变形量并不能代表大坝整体的安全性发生变化。为此,综合考虑多测点、多测次监测量的内在关联性,构建了特高拱坝变形面板系列的表征方法;基于面板数据聚类理论,建立了大坝变形相似性指标及度量方法;利用熵权法构建大坝变形区域数的确定准则,提出了特高拱坝变形分区方法及实现步骤;通过利用特高拱坝两个维度的变形监测信息,将传统的"点"分析方法转变为区域分析方法。某特高抛物线双曲拱坝实例应用表明,该方法可根据39个变形监测点确定六大类测点,每类测点可以综合描述大坝对应区域的总体变形特征,再根据测点所在的位置将大坝分为六个变形区域,有效描述了特高拱坝的实际变形规律,可弥补传统分析方法上的一些不足,为特高拱坝变形分析提供了新方法。 相似文献
10.
11.
以水口水电站坝体为例,基于Matlab中BP神经网络构建了效应量与环境量的网络模型,结合网络的权值和偏置值的综合影响,定量分析和研究了决定大坝效应量的水位、温度和时效等因素的重要性,并与传统的统计结果进行对比。结果表明,该方法可确定水位、温度等分量占效应量的比例,具有实用性和有效性。 相似文献
12.
13.
14.
15.
为降低白家包滑坡可能造成的危害,收集并分析白家包滑坡自2006年以来的专业监测数据及变形机制,确定降雨和库水位等外界因素是导致滑坡体变形的主要因素。为预测白家包滑坡在外界诱因下的位移发展变化趋势,采用灰色关联法计算滑坡位移与降雨量、库水位升降的关联性,利用BP神经网络算法预测白家包滑坡累计位移,并对比分析了实测位移与预测位移的差异。结果表明,库水位下降和降雨是诱发白家包滑坡变形的主要因素;BP神经网络算法预测效果较好,白家包滑坡在2014年10月~2016年10月的累计位移预测曲线呈台阶状变化,ZG324、ZG326测点的最大位移达到1 031、1 209mm。 相似文献
16.
为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。 相似文献
17.
为提高大坝变形预测精度,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的大坝变形预测新算法(EMD-SVM)。该算法先对大坝位移序列进行经验模态分解,有效分离出隐含在时序中的非线性高频波动成分和低频趋势成分;然后应用支持向量机对各分量进行建模预测;最后叠加各分量预测值得到预测结果。通过算例验证,并与BP神经网络、支持向量机对比分析表明,该算法具有较强的泛化能力和自适应拟合能力,能在一定程度上保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。 相似文献
18.
针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。 相似文献