监测信息不完整状态下的大坝整体性态监控方法

针对大坝原始监测数据不完整、难以融合多测点数据诊断大坝整体性态问题,提出采用概率主成分分析(PPCA)对测值不完整的原始监测数据进行重构,提取表征大坝整体性态的概率主成分(PPC),并建立了PPC监控模型。算例表明,PPCA能够有效地从不完整监测数据中提取关键信息,PPC监控模型能够高精度地实时监控大坝整体性态。     

基于M-ELM的大坝变形安全监控模型

针对大坝变形监测数据存在的非线性强、异常值诊断和剔除工作复杂及传统监控模型抗粗差能力差等问题,结合稳健估计理论抗粗差性强和极限学习机在处理非线性问题方面的优势,建立了基于稳健估计极限学习机的大坝变形安全监控模型。试验确定网络隐含层层数,构建4次方损失函数,采用加权最小二乘法计算输出权值,实现原始监测数据的拟合和预测。以某工程大坝变形监测数据为例进行建模分析,结果表明:以反映模型预测精度的均方误差和平均绝对百分误差及反映模型鲁棒性的中位数绝对偏差作为评价指标,基于稳健估计极限学习机的大坝变形安全监控模型的各项指标明显优于对比模型。     

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

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。     

贝叶斯框架下的大坝变形交互式时变预测模型及其验证

大坝变形是同一时刻内外多重风险因素综合作用的结果,应用时序分析方法挖掘历史监测数据潜在规律是变形预测的常用方法,现有时变预测模型不仅参数配置难度高,且难以融入专业知识,导致预测效果并不理想。本文提出一种耦合自动预测算法与大坝专业知识的交互式变形预测模型。该模型在贝叶斯框架下,以加法模型为基础重构各时序分解项作为模型底层,根据仿真结果甄选模型参数缺省值进行自动预测,通过结合参数化检测与直观参数配置实现交互式建模,并借助拟合可视化和统计指标准确反映预测误差来源,从而进一步修正参数以提高模型适用性。基于上述流程协同构建的大坝变形循环预测体系,以某混凝土坝多测点长期变形监测数据为例,对模型的准确性、鲁棒性和灵活性进行了有效验证与分析,为大坝变形安全预测与分析提供了新的模型和手段。     

基于 EMD － ＲVM － Arima 的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法( EMD) 、相关向量机理论( ＲVM) 以及 Arima 误差修正模型对大坝变形监测数据进行分析预测。首先利用 EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数( IMF) 以及残差序列,再以 ＲVM 预测模型对上述结果进行分析预测,最后利用 Arima 误差修正模型对预测残差进行误差修正,从而建立了以 ＲVM 为基础预测模型的 EMD － ＲVM － Arima 大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为 2. 89 mm,同时计算出SVM、ＲVM 法的平均残差为 11. 62 mm、9. 30 mm。可以看出,EMD － ＲVM － Arima 模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于主成分的大坝监测资料时变预测模型

由于内外各种因素的影响,大坝安全监控参数会随时间而变化,而常规监控模型常常采用非时变的参数。基于主成分分析,利用缩减后的主成分荷载建立了时变预测模型。实例表明,该模型可以减少计算时间,有效削弱因子多重相关性的影响,提高大坝监测效应量的预测水平。     

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KPCA-ICFSFDP-MOGP的拱坝多测点变形数据预处理及预测方法

为更高效地对高拱坝的多测点变形数据进行分析,引入了核主成分分析(KPCA)算法重构误差以识别多测点序列中的异常值；为解决用于测点聚类的密度峰值聚类(CFSFDP)算法高维表现较差的问题,利用KPCA算法对其进行降维操作,并提出了自动选取聚类中心与截断距离的改进CFSFDP(ICFSFDP)算法；基于KPCA-ICFSFDP和多输出高斯过程(MOGP)算法,按分区建立了多测点变形MOGP回归模型。实例验证结果表明,对于簇内点数量较少的类,相较于不分区的MOGP模型,预测效果得到了一定的提升,同时在整体MOGP模型表现良好的测点,分区后仍然保持较高的预测精度,且与单输出高斯过程模型对比均有所提升。     

Gompertz模型在大坝沉降安全监测中的应用

分析大坝在整个填筑过程中的沉降特点,提出采用Gompertz模型预测其沉降量的方法。采用某大坝的沉降监测数据对该模型的适用性进行了验证,与其他传统预测方法进行了对比,发现该法比双曲线模型、幂函数模型与对数函数模型的预测精度要高。最后采用Gompertz模型对3座大坝的沉降进行预测,与实测结果进行对比,最大误差均在5%以内。当利用现有观测数据预测后期沉降量时,利用越多的观测数据可以获得更好的预测精度。     

基于 PCA － ＲBF 神经网络的混凝土坝位移趋势性预测模型

为了提高混凝土坝位移趋势的预测精度,提出了一种基于主成分分析( PCA) 和径向基( ＲBF) 神经网络的混凝土坝位移趋势性预测模型( PCA － ＲBF) 。首先,利用主成分分析,将混凝土坝多测点 的径向位移监测数据降维,消除影响分量数据集的多重相关性,分别提取出主元位移和主元影响分 量。然后,把主元位移和主元影响分量输入径向基神经网络并构建模型,对提取出的主元位移进行预 测。最后,将本法应用于某混凝土坝,结果表明,PCA － ＲBF 模型的均方根误差( ＲMSE) ,平均绝对 误差( MAE) 和平均绝对百分比误差( MAPE) 分别为 2. 037 8 mm,1. 698 6 mm 和 3. 32% ,显著低于传 统的多元回归统计模型、径向基神经网络模型( ＲBF) 和利用经主成分分析进行因子处理的 BP 神经网 络模型( PCA － BP) ,说明 PCA － ＲBF 模型有着良好的预测精度。     

基于EEMD-ELM的大坝变形预测模型

建立合理可信的大坝变形监控模型对科学有效地分析大坝变形监测数据和准确可靠地评估大坝工作运行状况意义重大。通过EEMD算法分解大坝变形量,得到代表不同特征尺度的本征模函数(IMF)分量,针对不同IMF分量选择不同影响因素,将各IMF分量作为极限学习机(ELM)的训练样本对大坝变形分量进行分析、拟合、预测,最后累加各IMF分量的预测结果得到大坝变形预测值。以某碾压混凝土重力坝为例,利用EEMD-ELM模型对大坝变形量进行预测,同时与BPNN模型和ELM模型的预测结果进行对比分析,其中EEMD-ELM模型的平均相对误差为0.566,较BPNN模型、ELM模型分别降低54%和14.8%,表明EEMD-ELM模型预测精度更高,具备一定的应用价值。     

基于小波EGM-ISFLA-SVR的大坝变形组合预测模型

为了提高大坝变形监控模型的预测能力,充分挖掘变形实测数据并及时了解大坝的运行性态,提出了一种基于小波EGM-ISFLA-SVR的大坝变形组合预测模型。该模型首先应用小波分析进行去噪,提取变形监测序列的时效分量以及由水压、温度分量组成的综合效应分量。然后,分别运用均值GM(1,1)模型和基于改进的混合蛙跳算法的支持回归机模型对两种序列进行建模和预测。最后,经小波重构得到组合模型。通过工程实例对模型效果加以检验,采用多项指标分别与传统统计模型的拟合精度和预测精度进行对比。结果显示,该模型拟合时具有比统计模型更大的复相关系数和更小的均方差;预测时均方差、平均绝对百分比误差和平均绝对误差均小于统计模型,表明该模型具有更高的拟合和预测精度和更强的泛化能力。     

基于图像处理技术的大坝监测数据粗差识别

为实现大坝长久稳定的安全服役, 避免监测资料中的粗差对大坝安全监测结果产生影响, 需要对监测数据中的粗差进行剔除。由于目前的粗差识别方法依旧会造成粗差漏判、误判情况的发生, 通过模仿人工识别数据粗差的过程, 运用程序设计语言, 提出一种基于图像处理技术的自动化粗差识别方法。首先对依据监测数据绘制出的散点图进行高斯模糊和二值化处理, 再提取主要趋势线, 最后识别出监测数据中的粗差点并进行剔除。选取某实际工程大坝监测资料, 运用该方法对其进行粗差识别, 并与传统 3R 识别准则的粗差识别效果进行对比。算例结果表明: 该方法对数据粗差的识别效果更加显著, 避免了粗差漏判情况的发生, 对粗差的剔除更彻底; 利用该方法识别后得到的统计模型复相关系数为 0.999, 标准差为 0.192, 模型精度更高, 也更符合工程实际情况。因此, 该方法具有一定的工程应用前景和实用价值。     

基于统计诊断的大坝监测数据合理性检验

基于统计诊断的异常数据划分,并结合大坝监测数据的误差成因,将监测的异常数据划分为随机误差、粗差、系统误差等,并辨识强影响数据。继而基于均值漂移模型,研究不同异常数据的诊断方法,包括以模型扰动值为依据的粗差的t检验法和以模型扰动对拟合参数的影响为依据的强影响数据的Cook距离检验法。以大坝典型位移监测数据为例,采用上述统计诊断方法对原始监测数据进行合理性检验,结果表明可有效辨识误差数据和强影响数据,能提高数据进一步建模分析的准确性。     

基于改进粒子群算法的大坝监控加权统计模型

用于大坝安全监控的加权统计模型主要依据工程经验确定各因子的权重,这种求解方式易导致部分因子信息的缺失。根据大坝安全监测数据,应用粒子群算法可优化确定加权统计模型中各参数的最优解,但对于高维度优化问题,该算法存在收敛速度慢、易陷入局部最小等不足。针对这些不足,考虑粒子种群平均位置信息的影响,提出一种新的改进粒子群算法,利用单体与种群平均位置的距离信息确定两者之间的学习因子。土石坝工程实例分析结果表明:改进粒子群算法加强了种群跳出局部最小的能力,所得加权统计模型的权重符合工程实际情况。尤其在大坝运行初期,监测资料较少的情况下,基于改进粒子群算法的大坝监控模型具有较高的预测精度和预报能力,可为大坝监控领域提供一种新的数据分析方法。     

风险分析及其在大坝安全监测上的应用

监测项目设置和测点布置是安全监测中的基本问题,为提高安全监测项目设置和测点布置的针对性,文章在分析基于规范的安全监测项目设置和测点布置特点的基础上,引入风险分析理论,对基于规范的监测项目设置和测点布置进行了优化,并以工程实例说明该方法是可行的。     

基于BP-ARIMA的混凝土坝多尺度变形组合预报模型

针对大坝变形常规统计预报模型在监测信息挖掘时的优势单一性及预报精度欠佳等问题,视大坝变形观测资料为非平稳时间序列,从影响大坝变形的因素出发,将其分为周期性影响因素与随机影响因素,利用多尺度小波分析方法将大坝变形监测序列分解并重构,结合BP神经网络与自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)对其随机信号与系统信号分项训练预报,并将其预报值相叠加,据此,应用时间序列原理提出了一种基于BP-ARIMA的混凝土坝多尺度变形组合预报模型。工程实例分析表明,所建组合模型较常规模型能够有效挖掘监测信息中所蕴含的有效成分,预报精度显著提升,且计算分析过程简便,为高边坡及水工建筑物中其他监测指标的预报提供了新方法。