基于模糊神经网络和遗传算法的大坝安全监控模型

应用监控模型来监控大坝的工作性态是一条有效途径，但由于大坝工作条件复杂，影响因素繁多，为以精确的数学进行描述带来了很大的困难，而应采用从定性到定量的综合集成的方法，将专家知识，监测数据和各种信息与计算机软硬件技术结合起来，把坝工理论和坝工家的经验结合起来对其进行研究，文中应用模糊神经网络和遗传算法等人工智能技术，依据专家的经验确定隶性函数，从而建立模糊神经网络预报模型，根据专家对实际情况的正确分析，对预报结果进行修正，达到进一步提高预报精度的目的。     

相空间神经网络模型在大坝安全监控中的应用

本文将混沌理论和神经网络理论相结合，并针对某一混凝土重力坝水平位移实测值建立相空间模糊神经网络预报模型。首先对水平位移的实测序列，进行相空间重构，求算关联维，说明该序列存在混沌成分和奇异吸引子；应用自适应模糊神经网络，对水平位移实测序列构成的相点，建立相空间神经网络模型。计算结果表明，相空间神经网络模型用于大坝监控中是可行的，其预报精度优于常规的统计回归模型，能揭示大坝的非线性性质，能更好地对大坝运行性态进行分析。     

基于模糊聚类算法的大坝监控模型的研究

将模糊理论和神经网络相结合，建立了基于模糊聚类算法的模糊神经网络的大坝安全监控模型，并针对某一大坝变形水平位移实测数据进行分析，计算结果表明，其拟合和预报精度优于常规统计模型，从而表明这一模型的有效性。     

神经网络理论在水口水电站工程在线监控及反馈分析系统中的应用

并行推理和动态建模是提高大坝在线监控及反馈分析系统分析速度、拓宽系统适用性的一个重要方面，中引入人工神经网络技术，利用其独特的结构和处理信息的能力，结合坝工理论和水口水电站大坝的工作特点，探讨了系统神经网络推理模型和神经网络监控模型的建立，实例分析，其效果较好，为水口水电站工程在线监控及反馈分析系统功能的实现提供了有力的技术支持。     

综论大坝安全监控中的智能遥控技术

智能遥控是一门边缘交叉学科，随着对大坝安全监控的实时性、可靠性和智能化要求的提高，对大坝安全监控中的智能遥控技术的研究也越来越迫切，大坝安全监控自动化系统只有与大坝安全在线分析专家系统（DSOAES）有机地结合，才能真正发挥其实时监近伯作用，专家系统实质上是一种智能系统，它应用人类专家的知识，给问题以专家水平的解答，模糊神经网络独特的分布式结构、并行信息处理机制和处理不确定性信息的能力，使之在许多领域得到应用，结合大坝安全监控的特点，应用模糊神经网络不仅可以用于建立监控数学模型。对解决传统专家系统中的“瓶颈”问题也是一个很好的思路。     

基于ISVM—逐步回归组合的混凝土坝变形监控模型

针对混凝土坝监控模型中监测数据较少、维数和非线性程度较高以及逐步回归方法预报值波动大,部分测值失真致拟合效果不佳等问题,鉴于支持向量机(SVM)能有效解决小样本、高维数以及非线性问题的能力,为此,基于改进SVM理论(ISVM)对大坝监控模型中的水压分量进行模拟,并采用逐步回归方法将模拟后的水压分量、温度分量与时效分量进行结合并模拟,建立了基于ISVM—逐步回归组合的大坝监控模型,将拟合和预报结果与逐步回归—逐步回归、ISVM—ISVM及逐步回归—ISVM组合的预报结果进行对比.结果表明,基于ISVM—逐步回归组合的混凝土坝安全监控模型拟合精度高,预测效果好,将更适于大坝监控模型的建立.     

基于鸡群算法优化相关向量机的混凝土坝变形预报模型

针对混凝土坝变形监控模型中大坝变形与环境影响因素之间的复杂非线性问题,为提升大坝变形监控模型的预报能力,提出了一种基于鸡群算法(CSO)优化相关向量机(RVM)的混凝土坝变形预报模型。考虑到相关向量机核函数参数的选取直接影响其回归分析性能,采用鸡群算法对其核函数参数进行寻优处理。据此,构造了基于鸡群算法优化的相关向量机模型,进而提升相关向量机的预报精度和泛化能力。以某混凝土坝长期变形监测资料分析表明,基于鸡群算法优化的相关向量机模型预报可有效挖掘大坝变形与环境因素间复杂的非线性函数关系,相比传统的相关向量机模型,该模型的拟合与预报精度更优,有效验证了所提方法的合理性与有效性,为大坝变形分析与预测提供新的模型方法。     

Matlab仿真平台下大坝位移BP神经网络模型研究

文中基于人工神经网络的非线性映射能力,应用Matlab7.1网络仿真平台,结合辽宁省白石水库多年大坝变形实测数据,建立了三种不同改进BP算法的多层前馈神经网络模型,分析其拟合、预报结果,选择更为合适的网络模型,实现对大坝位移实时、有效的监控。     

Matlab仿真大坝位移BP神经网络模型研究

文章基于人工神经网络的非线性映射能力,应用Matlab7.1网络仿真平台,结合辽宁省白石水库多年大坝变形实测数据,建立了三种不同改进BP算法的多层前馈神经网络模型。分析其拟合、预报结果,选择更为合适的网络模型,实现对大坝位移实时、有效的监控。     

Matlab仿真平台下大坝位移BP神经网络模型研究

基于人工神经网络的非线性映射能力,应用Matlab7.1网络仿真平台,结合辽宁省白石水库多年大坝位移实测数据,建立了3种不同改进BP算法的多层前馈神经网络模型。并通过LM算法、BR算法、GDX算法的BP网络模型的拟合、预报结果,对3种模型的应用效果进行了比较分析,得出了LM算法的BP网络更适合用于建立坝顶位移监控模型的结论,以实现对大坝位移实时、有效的监控。     

基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSO-ANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。     

神经网络在大坝安全评判专家系统中的应用

大坝的结构和地质条件复杂，荷载种类众多，常规专家系统采用的知识表示方法和推理机制有时难以及时准确地对大坝的工作性态作出评价。本系统提出了传统专家系统与神经网络相结合的原理及实现方法，详细论述了系统的知识表示、学习、推理的机理和功能。系统已成功地应用于某混凝土面板支墩坝的疑点物理成因分析。     

土坝观测数据的模糊人工神经网络分析

本文介绍了土坝观测数据的模糊人工神经网络分析方法，讨论不同影响因素与大坝位移变形量间的模糊关系，并在此基础上应用模糊人工神经网络进行位移量的预报。     

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。     

ABC-RBF神经网络在平板坝裂缝开合度监测中的应用

为提高混凝土平板坝裂缝开合度预测精度,针对混凝土平板坝裂缝开合度监测序列呈非线性以及周期性变化的特点,将基于EMD分解优化的ABC-RBF神经网络模型应用于混凝土平板坝裂缝开合度安全监测中,对比分析普通RBF和ABC-RBF神经网络模型。结果表明,ABC-RBF神经网络模型预测误差相对较小,可用于分析混凝土平板坝裂缝开合度的安全监测。     

基于混沌的大坝监测序列小波RBF神经网络预测模型

本文结合混沌理论、小波分解与重构,以及径向基函数(RBF)神经网络的优点,提出了一种基于混沌的大坝监测序列小波RBF神经网络预测模型。该模型主要利用小波分析将大坝监测序列分解为趋势项和细节时间序列,并利用RBF神经网络和基于RBF神经网络的混沌理论对两种时间序列进行预测,最后通过小波重构得到预测值。实例分析表明,本模型能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,对监测数据的预测精度较高,可应用于实际工程。     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。     

主成分-BP组合模型在坝顶位移监控中的应用

在大坝位移监控中,主成分分析和BP神经网络方法运用较广,建立两种方法的组合模型,可以结合两种方法的优势,利用主成分分析消除坝顶位移预测中多重相关性给模型带来的不利影响,利用BP网络可通过自组织、自学习和高容错性等功能解决复杂非线性问题。通过实例计算可知,组合模型精度能够达到要求,可以推广应用。