重力坝挠度多测点空间模型研究

针对重力坝单测点位移监控模型存在的不足,从力学特性出发构建了重力坝挠度的多测点空间模型,并依托官地重力坝典型坝段原观监测资料分析了模型适用性及预测时间长短对模型精度影响等关键问题。结果表明,该模型较传统统计回归模型预测精度高,能通过有限测点掌控大坝变形的整体分布规律,可运用于大坝时空变形特性预测、缺测数据补齐等。同时,为保证模型预测误差控制在10%以内,建议其预测时长不超过90d。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

逐步回归和偏最小二乘回归模型在混凝土重力坝变形监测中的应用

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。     

基于小波熵的大坝变形多尺度多测点融合诊断模型

变形监测数据序列是由不同频率成分组成的、具有多尺度特性的动态信号序列,通过多尺度分解和融合,可获得其本质特性和关键信息。在单测点多尺度分解的基础上,分别采用模极大值法和小波熵加权法对多测点高频信号和低频信号进行融合,并以小波熵为特征参数,建立了用于大坝变形性态识别的多尺度多测点诊断模型,工程实例表明该方法诊断大坝健康状态效果良好。     

隔河岩大坝拱冠梁位移与环境量关系的分析

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。     

碧口土石坝竖向位移监测的逐步回归模型拟合与分析

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.     

周公宅水库拱坝变形回归分析

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。     

基于LS SVM的大坝多测点潜变量监控模型

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。     

基于面板数据格式的特高拱坝变形性态分区方法

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。     

ABC BP模型在混凝土双曲拱坝变形监控中的应用

因大坝变形具有很强的非线性、随机性,致使预测困难,将人工蜂群算法(ABC)与BP神经网络相结合,利用人工蜂群算法具有强全局优化能力、强鲁棒性等优点,克服BP神经网络收敛速度慢、易陷入局部极小点等缺点,建立ABC BP、BP神经网络大坝变形预测模型对小湾大坝变形监测数据进行预测。结果表明,与单纯的BP神经网络预测模型相比,ABC BP算法提高了大坝变形预报的精度,加快了网络的收敛速度,能更高效准确地进行大坝变形监控预报。     

确定大坝效应量分量比重的方法研究

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。     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

RBFNN在大坝变形长期预测中的应用

针对大坝变形预测模型长期预测精度较低的问题.提出了一种基于中心等分布的RBFNN长期预测模型,以东江流域某混凝土双曲拱坝为例进行了长期预测,并在同等条件下与BP神经网络和多元回归预测模型进行了比较.结果表明,该模型预测精度较高,具有良好的适用性.     

基于萤火虫算法的大坝安全监控BP网络模型及其应用

为改善大坝安全监控BP神经网络模型易陷入局部极值的问题,引入萤火虫算法,用来获取BP神经网络的连接权值和阈值的初始值。依据大坝安全监测数据,借助改进后的BP神经网络,实现大坝安全监控模型的构建和安全状况预测。实例验证结果表明,改进模型较常规BP神经网络模型的训练效果更稳定,预测精度更高。该方法具有一定的实用价值。     

三峡库区白家包滑坡变形特征及位移预测分析

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。     

基于GA-LMBP神经网络模型的大坝渗流压力预报分析

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。     

基于经验模态分解和支持向量机的大坝变形预测

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。     

基于CM-AFSA-BP神经网络的土石坝渗流压力预测

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。