磁惯导系统在大坝变形监测中的应用研究

随着面板堆石坝建设高度的逐渐增加,用于大坝变形监测的常规仪器不能完全满足需要。为此,提出了利用磁惯导系统进行大坝变形监测的方法,对磁惯导系统的具体组成、监测原理进行了阐述。将磁惯导系统用于水布垭大坝面板挠度的监测中,通过对其连续两次监测数据的处理和分析,以及磁惯导系统监测结果与光纤陀螺系统监测结果的对比,发现磁惯导系统监测数据可以较好地反映出大坝面板的变形趋势,证明了磁惯导系统用于大坝变形监测的可行性。     

基于原型监测资料的特高拱坝变形实时风险率模型

混凝土坝风险率分析模型通常基于结构极限状态功能函数对单个监测点一维时间序列建模,未考虑变形监测点之间的相关性及多重共线性问题。基于原型监测资料,考虑各分区所有测点的相关性及不同分区变形之间的协同性,引入面板数据理论对特高拱坝监测点进行聚类分区,在拟定单测点风险率函数的基础上,提出计算特高拱坝变形分区单测点实时风险率的方法,基于Copula函数进一步构建基于原型监测资料的特高拱坝整体实时风险率分析模型。实例分析表明,所构建的模型确定了依据大坝长序列立体监测数据建立变形实测效应量与风险率的函数关系,可有效分析特高拱坝各分区变形风险率及整体变形风险率,能够客观刻画特高拱坝整体风险率变化的基本规律。     

石门子水库大坝变形监测及数据分析

结合工程变形监测的实际情况,说明了变形监测点点位选择的原则;通过对石门子水库大坝变形监测的实测情况说明GPS观测法的优越性;通过对变形监测数据的分析确定水库大坝的安全情况。     

集对分析聚类预测法在大坝变形分析中的应用

集对分析聚类预测法融合了集对分析中的同异反模式识别的＂择近原则＂和聚类分析的基本思想,是解决模糊、随机以及其他不确定性问题的一种新方法。简要介绍了集对分析聚类预测法的基本原理及其在大坝变形监测数据处理中的应用。通过对丹江口水电站坝体监测的连续观测数据的计算分析,论证了该方法在大坝变形监测中的可行性和有效性。     

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。     

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。     

大坝安全监控预报中的粒子群模糊聚类算法

将粒子群算法与模糊聚类算法相集成,建立粒子群模糊聚类算法并将其应用于大坝安全监控预报.通过粒子编码形式的确定,将模糊分类矩阵作为粒子.该算法具备粒子群算法的全局和局部搜索能力,充分利用正反馈信息,通过优化迭代计算,确定模糊分类矩阵.通过工程算例表明,该算法的模糊聚类效果与模糊聚类算法相比较优,可用于大坝安全监控预报.     

大坝沉降监测的时间序列与预报

基于平稳性时间序列分析理论,对大坝沉降监测数据时间序列进行模式识别、参数估计,建立变形监测分析与预报的ARMA模型。结合实例,运用该模型对变形监测数据进行动态分析和预报,将拟合和预报数据同原始数据进行比较分析,结果表明ARMA模型处理动态监测数据是十分可行和有效的,具有重要的应用价值。     

灰色模型在大坝变形监测与预报中的应用

建立有效实用的大坝变形监测模型,对于大坝运行意义重大。目前国内外常用统计模型和确定性模型来预报大坝变形,但精度普遍不高。作者提出一种基于不确定性模型的非等间隔灰色模型对大坝变形进行监测预报。预报过程建立在数学基础上,而且预报结果的精度能够满足工程需要。     

基于面板数据分析方法的混凝土拱坝变形数据时空聚类模型

变形数据可以直接表征混凝土拱坝安全状况,但传统变形分析一般仅针对单个监测点,不同监测点之间变形的相似和关联性质仍有待挖掘。基于时空数据挖掘领域的聚类方法,分析混凝土拱坝变形序列的变化过程,提取变形序列的相似性特征;提出混凝土拱坝变形数据不同时间截面、不同测点变形序列的绝对距离、增量距离、增速距离3种相似性指标及相应的综合距离指标,由此定量分析变形时间截面和变形空间测点的相似程度;利用Ward联结聚类方法,对混凝土坝变形时段及相应变形区域进行划分;在此基础上,建立基于面板数据分析方法的高混凝土坝变形测点聚类分析模型,并结合工程实例,验证时空聚类模型的聚类效果。结果表明所提出的聚类相似性指标合理,时空聚类模型便捷、有效,可用于研究大坝相时段变形状态。     

基于聚类分析的变形监测网拟稳点稳定性数学模型

提出了基于聚类分析方法确定全球定位系统（GPS）变形监测网拟稳点稳定性的数学模型，用以解决GPS变形监测网平差的基准问题。结合某大坝GPS变形监测网的3期观测数据，对GPS变形监测网拟稳点的相对稳定性进行了聚类分析。计算结果表明，提出的数学模型是可行和可靠的。     

基于聚类分区和MO-LSSVR的高拱坝变形预测模型

为解决传统单测点监控模型未考虑多测点间的内在关联,难以反映高拱坝变形区域分布特征的问题,提出了基于聚类分区和多输出最小二乘支持向量回归机(MO-LSSVR)的高拱坝变形预测模型。模型基于测点之间的复合相似性指标,借助层次凝聚聚类(HAC)算法实现空间测点的聚类分区,再利用融合测点关联特性的MO-LSSVR对分区内多测点进行建模。工程实例验证表明,模型聚类分区结果与坝体变形空间分布特征较吻合,具有较高的准确性和稳健性,为从多测点关联维度预测坝体变形和监控大坝整体安全性态提供了一种新方法。     

基于FCM-XGBoost的大坝变形预测模型

变形是评价大坝是否安全的重要指标之一。随着变形监测测点的不断增加,实现对所有测点的分析意味着消耗大量时间,往往会出现预报不及时的问题;另一方面,传统机器学习算法的引入虽然提高了预测精度,但参数选取不佳时对结果影响很大且建模过程十分复杂。引入模糊C-均值聚类(FCM)和极端梯度提升算法(XGBoost),首先对大坝的变形测点根据变化规律的相似性进行分区,然后针对每个分区建立XGBoost变形预测模型。以拱坝垂线径向变形监测资料为例,验证了聚类结果的可靠性,并将XGBoost变形预测模型结果与随机森林模型结果对比。结果表明,XGBoost模型在数据预处理、建模时间及预测精度上,都体现出更大的优势。     

模糊可拓模型在坝体变形评价中的应用

基于坝体各种变形实测资料,构造了坝体变形综合评价的经典域物元和节域物元,应用物元和可拓集合中的关联函数,结合变形监控模型,实现了坝体多种变形量的集成描述,建立了大坝变形性态综合评估的模糊可拓模型。实例分析表明该方法切实可行,分析结果综合反映了坝体各种变形监测量的变化性态,符合实际情况。     

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。     

基于时空分布模型的混凝土面板堆石坝挤压边墙变形监测资料分析

基于挤压边墙多测点变形监测资料,通过引入监测点的空间坐标标量,结合场理论建立了挤压边墙变形时空分布模型。结合建设中的涔天河水库扩建工程挤压边墙的实测变形资料,验证了本文建立的挤压边墙变形时空分布模型。结果表明,该混凝土面板堆石坝挤压边墙的监测区域上部仍处于发展状态,尚不适合面板混凝土的施工。