基于RBF-BP组合神经网络模型的特高拱坝混凝土浇筑仓最高温度预测

鉴于混凝土浇筑仓最高温度对特高拱坝温控防裂的重要性,为了实现对混凝土大坝最高温度的有效控制,将BP神经网络、RBF神经网络相结合,选取浇筑温度、施工现场环境气温、浇筑仓层厚、水管布置、通水的水温和流量作为输入矢量,浇筑仓最高温度作为输出矢量,建立一种基于RBF-BP组合神经网络的浇筑仓最高温度预测模型,并将其应用于溪洛渡特高双曲拱坝中。结果表明,基于RBF-BP组合神经网络预测模型可行、有效,且精度较高、收敛速度快。     

BP神经网络在新浇筑混凝土最高温度预测中的应用

鉴于在坝体混凝土开仓前准确预测新浇筑混凝土最高温度对防止大坝开裂的重要性,基于BP神经网络原理,以混凝土浇筑温度和冷却水管布置方式、通水温度、通水流量及气温、浇筑层厚度、混凝土龄期7个因素作为输入层,以实测混凝土浇筑仓内最高温度为输出层,利用Matlab神经网络工具箱,建立了新浇筑混凝土最高温度的BP神经网络预测模型,并通过实例对模型进行了验证分析。结果表明,冬季、夏季浇筑仓内混凝土最高温度的预测值和实测值之间的误差均约为0.5 ℃,二者吻合较好,可见该模型满足实际工程要求,也说明了BP神经网络在预测新浇筑混凝土最高温度方面具有可行性和实用性。     

基于均匀设计的混凝土浇筑仓最高温度预测模型及应用

为快速准确地预测施工期间拱坝浇筑仓最高温度,基于均匀设计的思想,挑选某在建混凝土拱坝浇筑仓4因素30水平中30组数据进行试验,以浇筑温度、冷却水流量、冷却水水温、环境气温为输入矢量,实测最高温度为输出矢量,构建了混凝土浇筑仓最高温度神经网络智能预测模型,训练后获得了基于均匀设计的混凝土浇筑仓最高温度预测模型。应用结果表明,该预测模型预测值与实测值吻合较好,运算速度快,可快速准确地预测施工现场的混凝土浇筑仓最高温度,特别适用于施工单位现场即时跟踪监测温度变化规律。     

某拱坝基础垫层温度应力场仿真分析

针对碾压混凝土拱坝基础垫层易存在温度裂缝的问题,以某碾压混凝土拱坝基础垫层为例,采用三维有限元浮动网格法,模拟基础垫层跳仓浇筑过程,并进行温度应力场仿真分析。结果表明,控制混凝土浇筑温度14℃,采取通水温度20℃、通水时长15d等温控措施,可使最大温度应力满足应力控制标准;上部碾压混凝土浇筑时间应早于2016年10月15日。研究结果为碾压混凝土拱坝基础垫层混凝土施工及确定上部碾压混凝土开浇时间提供了依据。     

基于LSTM神经网络的高拱坝混凝土温升阶段温度预测

为实时掌控高拱坝混凝土温度变化,及时制定合理控温措施,防止产生温度裂缝,深入分析了混凝土温升阶段温度影响因素,并选取初始浇筑温度、环境气温、通水温度、通水流量、绝热温升等5个主要因素作为LSTM神经网络的输入因素,建立了基于LSTM神经网络的高拱坝混凝土温升阶段温度预测模型,同时采用最大误差、平均绝对误差(M_MAE)、对称平均百分比误差(S_SMAPE)等评价指标检验模型精度,最后以白鹤滩高拱坝为例,对大坝混凝土温升期的温度进行预测。结果表明,所建预测模型的最大绝对误差为0.58℃,M_MAE、S_SMAPE分别为0.30℃、1.35%,预测精度较高,可操作性强,能为高拱坝混凝土温度控制提供决策支撑。     

混凝土拱坝导流底孔坝段施工期温度及应力仿真分析

针对目前混凝土拱坝导流底孔坝段温控仿真研究较少的问题,通过模拟拱坝导流底孔坝段施工过程中混凝土温度场和应力场,获得不同浇筑方案下拱坝导流底孔段的最高温度及顺河向温度应力、横河向温度应力和第一主应力。结果表明,高温季节浇筑薄层混凝土易产生温度倒灌,而低温季节采取薄层浇筑有利于降低混凝土最高温度和最大温度应力,由此提出相应大坝混凝土浇筑温控建议措施,对于类似工程安全施工和进度控制具有重要意义。     

通水冷却对碾压混凝土消力池温度应力的影响

针对碾压混凝土施工普遍存在的温度裂缝问题,以某水利枢纽工程碾压混凝土消力池为例,采用三维有限元浮动网格法对其全过程温度场和应力场进行仿真研究,计算过程中考虑了冷却水管间距、通水水温、通水时间、混凝土水化热温升及弹性模量等对消力池温度场和应力场的影响,对比分析了不同方案的温度及应力变化规律。结果表明,施工期对高温季节浇筑混凝土埋设冷却水管进行通水冷却,可将最高温度降低4～6℃,最大温度应力降低0.38～0.47MPa,通水冷却效果明显;在不改变通水时间和通水水温的条件下,冷却水管水平间距减小0.5m,可将基础混凝土最高温度降低0.6℃左右,最大温度应力降低0.11～0.13 MPa;在不改变通水时间和冷却水管间距的条件下,混凝土大层浇筑完毕通3d10℃的制冷水、7d14℃的制冷水和20d的河水相比单一的通30d河水,可将基础弱约束区混凝土最高温度降低1.5℃左右,最大温度应力降低0.3MPa左右。     

混凝土拱坝坝体二期冷却降温速率监控指标拟定与预警

采用小概率法估计温度监控指标的目的是根据混凝土坝体抵御已经历过的温度荷载的能力来评估和预测抵御可能发生温度荷载的能力,以西南某在建混凝土拱坝第二期冷却(简称二冷)期间的温度监测资料为例,求得已灌区各浇筑仓二冷期间最大的降温速率后,采用小概率法拟定该坝二冷降温速率监控指标,以指导现场混凝土通水冷却措施。实践表明,当有足够多的二冷期间的温度监测资料时,采用小概率法拟定二冷期间降温速率监控指标是可行的。     

高拱坝施工期温控参数敏感性分析

在混凝土高拱坝浇筑过程中,影响坝体施工期温度场及温度应力的因素有很多,因此选用适当的浇筑方案对于节约工程成本及提高坝体安全性有着重要意义。以孟底沟水电站工程为例,选用多种施工方案,并利用三维有限元方法进行仿真分析,分析了浇筑季节、浇筑层厚、间歇时间及浇筑温度等因素对坝体施工期的敏感性。结果表明,低温季节浇筑、在防止热量倒灌的前提下尽量减小浇筑层厚度、缩短间歇时间、降低浇筑温度有助于降低温度应力,提高坝体安全性。     

MgO掺量对混凝土不同浇注温度下拱坝应力的影响

为了研究不同浇筑温度下MgO掺量对混凝土拱坝应力的影响,采用有限元数值模拟对某外掺MgO混凝土拱坝施工期温度场、应力场进行仿真分析,对比不同掺量不同浇筑温度下特征点的温度、应力和掺MgO引起的自生体积变形过程。结果表明,不同浇筑温度下,MgO对应力场有效补偿量相差不大,对于低温季节浇筑的混凝土,适当增加MgO的掺量可有效补偿坝体应力;对于高温季节,温降产生的拉应力很大,最好配合分缝措施或避开高温季节浇筑。     

碾压混凝土拱坝一期冷却和汛期过流防裂研究

基于碾压混凝土拱坝具有碾压混凝土弹性模量发展较慢但其终值较大、汛期往往基坑淹没且浇筑温度较高的特点,以善泥坡水电站碾压混凝土拱坝为例,分析了各种温控措施对汛期碾压混凝土坝表面拉应力和一期冷却效果的影响。结果表明,碾压混凝土坝一期冷却宜采用长时间大流量低温冷却水,以确保在弹性模量较小时充分降低坝体温度;汛期过水对坝体应力影响较大,过水时混凝土应有足够的龄期。     

基于实测数据的RCC重力坝浇筑块最高温度预测

混凝土浇筑块内部温度是RCC重力坝施工期重要控制指标之一。浇筑块内部温度过高则形成较大温度梯度,从而产生较大温度应力,导致混凝土表面开裂。控制最高温度以减小温度应力是施工现场常用方法之一。依托施工期实测数据,建立MySQL温度数据库,采用Rough集理论约简条件属性得到最小规则集,并作为预测算法的输入;基于BP神经网络理论建立预测模型,实现对RCC重力坝施工期浇筑块最高温度的预测,并进行预警。模型预测结果可指导施工,做到"事前"感知,提升RCC重力坝浇筑质量。     

基于BP神经网络的混凝土坝温控措施智能优选方法

混凝土坝温控措施的制定是一个复杂的多因素系统优选问题。为了对混凝土坝的温控措施进行优选,以混凝土最高温度和最大日降温速率作为输入,通水流量、通水时间、通水温度和水管间距作为输出建立混凝土坝温控措施神经网络智能优选模型。采用均匀设计方法进行温控措施组合设计,并对其进行温度场仿真分析以获得学习样本,进而得到训练好的神经网络优选模型,输入实测最高温度和最大日降温速率优选出对应的温控措施。实践结果表明,该温控措施神经网络优选模型合理可行。     

高拱坝混凝土施工中缆机双仓联合浇筑模拟优化研究

缆机作为高拱坝混凝土浇筑的主要机械,提高其利用率对于加快工程进度、缩短工期、降低成本、保证工程质量具有重要实际意义。通过探入分析缆机双仓联合浇筑条件及干扰,充分发掘缆机的富余浇筑能力,建立了以缆机为基本决策单元的高拱坝缆机双仓联合浇筑模拟优化模型。优化模型以均衡施工强度、提高缆机利用率、加快施工进度为目标,通过对缆机的优化调度来比选方案。研究成果应用于某大坝混凝土浇筑施工中,对于指导高拱坝混凝土施工、优选浇筑方案具有重要理论意义。     

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.     

特高混凝土拱坝水管冷却效果评价

为评价混凝土拱坝水管冷却温控效果,根据混凝土浇筑到接缝灌浆各个阶段的不同特征,确立了评价指标体系,采用熵权法确定指标权重,并根据现有的温控标准,结合实际温度控制情况,运用模糊综合评价法确定水管冷却效果的评价等级。实例应用结果表明,该方法能有效判断本周水管冷却的薄弱环节,可为下周通水调整提供参考依据。     

基于多目标优化和误差修正的短期风速预测

提出一种多目标优化、误差修正的短期风速混合预测模型。首先对原始风速数据进行分解,降低序列的非线性,利用一种有效的多目标优化算法优化ELM神经网络,保证预测精度和稳定性。最后采用深度学习网络LSTM对初始预测结果进行误差校正,为克服超参数选取困难,利用乌鸦算法对层神经元数量进行优化。以中国华中某风电场实际数据为例进行分析,结果表明该方法具有较高的预测精度。