某大坝安全监测资料分析研究

正确地预报大坝安全监测量,对指导大坝安全运行和辅助决策具有重要的作用。文中在分析传统的大坝监控统计模型基础上,将无线传感器网络,自回归模应用于大坝安全监测资料分析上,以解决日益突出的大坝安全问题,大坝安全监测资料分析及安全监测模型的建立是安全监测工作的最终价值体现。     

测量机器人与精密水准仪在大坝变形监测中的应用

通过对大坝变形监测监测成果的整编,分析和预报大坝的变形情况,为判断大坝的安全提供必要信息。     

三维渗流数学模型在于桥水库大坝渗流反馈计算中的应用

针对于桥水库运行管理和安全监测揭示的问题,基于多组库水位下的大坝渗流实测资料开展了蓄水现状下大坝渗流场的三维有限元法反馈模拟计算,对蓄水现状大坝渗流各部位的安全状态进行了分析评价,反馈计算结果与监测资料分析和隐患探测成果一致,误差控制在允许范围,该结论为水库大坝的渗透安全分析和高水位下渗流安全预报分析提供了有效的手段。     

大坝水平位移监测混合模型研究

大坝安全监测对可能发生险情时采取必要的防范措施具有重要意义。文章以恒仁水库大坝为研究对象,基于大坝的效应量与环境量的初步分析,建立了坝顶水平位移监测混合模型,预报结果显示,模型具有良好的预报效果,具有一定的实际应用价值。     

基于多元线性回归模型的大坝变形预报研究

大坝变形监测预报的准确性对大坝安全评估具有重要作用,而其变形又受诸多相互关系复杂的外界因素的影响。阐述了目前大坝变形预报的几种主要模型和方法,重点对多元线性回归模型进行了分析。针对温度因子和时效因子的特点,在建模时考虑了温度因子对大坝的时延影响,采用三角函数对温度因子进行表述;对时效因子采用衰减蠕变因子描述,建立了科学合理的回归方程。以三峡工程大坝安全监测为例,采用M at-lab语言对回归模型进行了编程实现。计算结果表明,采用多元线性回归模型能有效地对大坝变形进行预报,预报精度较高,对大坝安全评估具有重要意义。     

神经网络在土石坝位移监测中的应用研究

随着大坝建设中安全问题的不断出现,安全监测的重要性不容忽视。监测数据分析总结和超前预报是提前决策的重要基础,将直接影响整个大坝监测的成效。文章基于蚁群算法优化BP神经网络,结合实际工程建立了ACO-BP神经网络模型,计算成果表明在大坝安全监测中,该模型收敛速度更快,预测精度更高,可以在大坝的安全监测中推广使用。     

密云水库潮河主坝沉降监测资料分析

大坝安全监测是实时掌握被监测体的状态、保障其运行安全的重要手段,沉降是土石坝的一个监测重点.根据密云水库潮河主坝47 a来的沉降监测资料,选择有代表性的标点,绘制沉降过程曲线,进行回归分析,得出回归方程,对沉降进行预报,绘制大坝累计沉降量横断面、纵断面和等值线平面分布图,对大坝沉降的影响因素进行分析,揭示斜墙土石坝变形规律,判断大坝变形是否正常.     

南城子水库大坝安全管理保障信息系统建设探析

本文结合南城子水库除险加固应急工程建设需求,考虑到汛期洪水可能对水库防洪安全和大坝稳定造成的恶劣影响,将水文遥测、大坝监测、防汛会商等技术应用于水库安全管理保障信息体系中,集成预报、预警、分析、管理、会商等安全管理保障体系,实现水库安全的硬件监测支撑和软件应用平台服务的管理目标。     

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。     

大坝安全管理信息化

大坝安全管理信息化是水利信息化的重要组成部分。通过信息化，实现大坝安全管理信息在水利行业内共享和社会范围内有限共享，使大坝安全管理最大限度地造福社会。大坝安全管理信息系统架构可分为四类，即调度决策、分析评价预报顸警、监测控制和基础信息，包括大坝安全法规与标准管理系统、水文自动测报系统等13个系统。在实施信息化之前，需要进行规划，规划主要考虑已有系统、投资和技术力量等因素。     

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。     

灰色模型改进的大坝变形分形几何监控模型

为了对大坝安全进行准确监控,利用分形几何理论预测大坝变形。针对一般常维分形分布不能很好分析大坝变形数据的问题,对监测数据进行N阶累计和变换,对变换后的数据利用分段变维分形模型计算各阶变形维数序列,再选择效果较好分形维数已知序列预测未知分形维数,最后反推大坝变形预测数据。针对传统变维分形预测模型分形维数预测方法的不确定性和所需监测数据量大的缺点,利用灰色模型预测分形维数,建立改进的大坝分形几何监控模型。结合工程实例,对比插值法预测分形参数的传统分形几何预测模型和灰色模型改进后的预测模型之间的预测精度,结果表明,改进分形模型不仅在预测精度上有所提高,而且更具稳定性和抗波动性。     

拱坝变形监测预报的随机森林模型及应用

大坝变形预报对大坝运行安全评估起着至关重要的作用。传统模型预报精度不够、模拟效果不稳定;若大坝变形数据有异常值时,传统机器算法模型识别和处理异常值的灵活性很小,导致预报结果有偏差。为了解决这些问题,首次将随机森林算法运用到大坝变形监测领域,将大坝测点根据随机森林相似性矩阵分成若干个子集,针对每一个子集建立随机森林预测模型,分区建立预测模型更符合工程实际情况。选取拱坝变形作为研究对象,验证所建模型的适用性。结果表明,根据随机森林的相似性矩阵对大坝各测点的分区情况符合物理和工程实际意义,对各分区子集测点利用随机森林模型建立的预测模型,与支持向量机、BP神经网络模型相比,预测结果精度较高、模型稳定性好,为大坝变形监测提供了新思路。     

大坝垂线位移监测资料分析的4种统计模型

位移监测及分析是大坝安全监测的重点内容 ,垂线是使用最普遍的位移监测手段之一 ,它具有测点多、深入坝体等特点 ,获得的监测数据包含了反映坝体安全状态的信息。为更好地分析这些信息 ,在已有的监测分析方法基础上 ,结合近期研究成果 ,阐述了目前位移监测模型的进展 ,归纳提出了可用于垂线位移分析的 4种统计模型 ,并结合实例给予说明。这些模型为全面分析垂线位移提供了可能 ,可在不同情况下选择使用。     

隔河岩电站进水闸位移的前馈网络预测模型

通过对清江隔河岩水电站进水闸的位移监测资料的分析，发现进水闸顶的位称过程线呈多峰型曲线，应用常规统计模型所建立的预测模型其精度不够理想，在对大坝安全监测资料进行物理推断分析的基础上，针对水电站进水闸顶位移建立了基于前馈人工神经网络模型的预测模型，对闸顶视准线的位移量的前馈人工神经网络模型预测研究表明，其精度较高，通过进一步的研究后可望推广到大坝安全监测实际中去。     

基于多因子融合和Stacking集成学习的大坝变形组合预测模型

变形是反映大坝服役形态变化的直观表征,构建高效准确的变形预测模型对于大坝结构安全控制十分重要。传统单因子及单算法变形预测模型存在泛化能力不足、鲁棒性差等问题,易出现预测偏差甚至误判。针对这一问题,本文选取不同变形解释因子及回归算法,构建多种单因子单算法预测模型,结合Stacking集成学习思想,对上述模型进行组合,提出了大坝变形组合预测模型。该组合模型以Stacking集成学习为核心,采用高斯过程回归作为元学习器,从算法、因子两方面对单因子单算法预测模型进行集成,并通过k折交叉验证减小模型过拟合风险。以某混凝土拱坝变形监测数据为例,通过多模型构建与性能比较,对所提出模型的准确性与有效性进行评估。结果表明：单因子单算法预测模型具备准确性和多样性的特征;通过算法、因子集成,组合模型的预测精度和鲁棒性得到了显著提高,在水位波动期的预测能力得到了有效增强。综上,大坝变形组合预测模型具备出色的非线性信息挖掘与建模预测能力,可为大坝安全监测提供可靠依据。     

江垭水利枢纽大坝运行监测与安全评估

以江垭大坝（碾压混凝土重力坝）安全监测实测资料为基础,通过对大坝变形、渗流、应力应变和温度的分析,对江垭大坝安全运行进行了综合性评价。由于江垭大坝特殊的地质结构,出现了坝区和坝基抬升的现象,经研究分析和坝区抬升监测,抬升量是有限的,其它运行状态符合一般大坝运行特征。     

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。     

A factor mining model with optimized random forest for concrete dam deformation monitoring

The unique structure of a dam complicates safety monitoring. Deformation can provide important information about dam evolution. In contrast to model prediction, actual dam response monitoring data can be used for diagnosis and early warning. Given the poor data mining ability of the conventional methods, it is essential to develop a method for extracting the factors influencing a dam. In this study, a data mining method and a model for evaluation of concrete dam deformation were developed using the evidence theory and a random forest. The model has the advantages of being easily understood, visualization with low complexity of training time, and accurate prediction. The model was applied to an actual concrete dam. The results indicated that the proposed random forest model could be used in analysis of concrete dams.