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。     

BP模型在大坝安全监测预报中的应用

如何正确地预报大坝安全监测量，对馈控大坝安全运行和辅助决策具有重要的意义。文章提出应用神经网络的BP模型进行大坝安全监测数据的预报，并针对某一混凝土重力坝的水平位移实际测值构建了BP模型，其预报精度较以往统计模型有较大的提高。     

BP模型在大坝安全监测预报中的应用

如何正确地预报大坝安全监测量，对馈控大坝安全运行和辅助决策具有重要的意义。文章提出应用神经网络的ＢＰ模型进行大坝安全监测数据的预报，并针对某一混凝土重力坝的水平位移实际测值构建了ＢＰ模型，其预报精度较以往统计模型有较大的提高。     

大坝监测分析中的时间序列叠合模型

叙述了用时间序列叠合模型建立大坝监测预报模型的2种基本方法：统计-时间序列模型和确定性时序叠合模型。通过统计软件SPSS实现2种时序叠合模型的实例表明，在环境量记录完整的情况下，统计-时间序列模型比单纯的统计回归模型精度要高；在缺少环境量监测或与环境量的因果关系不明显的情况下，用确定性叠合模型分析和预报大坝监测效应量的测值，精度也很高，并能够分离出趋势性分量、周期分量和随机平稳分量，分析的结果简单明了，是大坝监测分析中一种比较好的方法。     

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。     

改进的BP神经网络模型在大坝安全监测预报中的应用

针对BP神经网络模型存在的缺陷进行了改进 ,并将改进的BP模型应用于大坝安全监测中效应量的预报。示例证明 ,改进的BP神经网络模型与常规BP神经网络模型及回归统计模型比较具有明显的优越性     

关联分析和改进BP网络在大坝测值预报中的应用

针对基于统计的大坝安全监测预报模型中,多效应量间和多影响因子间都存在互相关性,且效应量与影响因子又呈现出复杂的非线性动力系统特征,从而导致预报模型可信度降低的问题,提出了优化方案,首先对多效应量和影响因子采用基于主成分提取的关联分析,实现去相关和空间降维,并按关联性次序将变换后的正交基作为模型输入因子,建立改进的BP神经网络回归,利用人工粒子群算法搜索网络的最优参数,从而获得预报模型。经与逐步回归、简单BP神经网络回归比较验证,实例表明本预报模型具有收敛快、鲁棒性强和预报精度较优等特点,兼有大坝性态分析评估辅助意义,具有一定的工程实用性。     

基于遗传算法优化BP神经网络的大坝变形监控模型

一个合理的位移监控模型是通过大坝安全监测实现大坝安全监控的关键因素之一.针对传统的统计模型、确定模型和混合模型的不足,提出基于遗传算法优化BP神经网络的GA-BP模型的方法,并将该模型用于大坝变形预报研究.最后以某拱坝为例,对该拱坝拱冠梁坝顶径向水平位移实测值建立了GA-BP模型,并将模型用于某坝顶径向水平位移预报.结果表明GA-BP模型不仅比统计模型具有更高的拟合精度,且在大坝变形监测预报上也是有效的.     

大坝变形监测预报模型研究

建立大坝性状的数学解释模型是实现监测自动化的关键问题之一。本文对大坝变形资料的数学解释模型进行剖析,结合葛洲坝工程二江泄水闸蓄水期及运行初期的沉陷及水平位移资料分析,探讨了在环境原因量与运行效应量之间建立决定论模型及混合位移预报模型的途径。通过与实测资料分析比较,验证所建立的位移预报模型是比较合理可靠的     

分段法监控滩坑大坝渗流量

土石坝坝后量水堰测值是反映大坝渗流状况的重要监测量,然而该值易受客水干扰,特别是在降雨影响下,测值不能直接反映大坝的渗流状况,将影响大坝的结构安全评判结论.结合滩坑大坝渗流量实测数据,采用统计回归和LSTM方法,构建渗流量预报模型,可以较好地应用于不同降雨过程影响下的大坝渗流量预测预报.     

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。     

基于SSA-CSO-RVM的混凝土重力坝变形监控统计模型研究

以原型监测资料为基础,构建大坝的安全监控模型具有重要的理论意义和工程应用价值。文章以现有理论为基础,提出了基于SSA-CSO-RVM的混凝土重力坝变形监控统计模型,工程实例分析结果显示,模型具有良好的拟合及预报精度,可以用于大坝变形监控和预测研究。     

模糊聚类法在大坝监测资料分析中的应用

为了解模糊聚类法在大坝监测资料分析中应用的适宜性,利用该法对水布垭面板堆石坝2013年面板挠度变形监测数据开展了研究。首先将监测管道划分为若干监测点,运用模糊聚类分析法对监测点进行分类,并采用F统计量评价聚类效果以确定最佳分类,对分类结果进行分析比较,可确定关键的面板变形监控点。随后建立面板挠度变形统计模型,考虑上游水深、温度、时效等因素,利用多元逐步回归分析法对关键点监测数据进行预报拟合。结果表明,利用模糊聚类分析法处理大坝监测数据具有便捷、高效的优点,模型预报结果拟合度较高。     

基于PSO-SVM的大坝渗流监测时间序列非线性预报模型

大坝渗流监测分析是大坝安全监控的重要内容，预测分析的难点之一在于渗流监测数据往往具有复杂的非线性特点。本文充分利用支持向量机的结构风险最小化与粒子群算法快速全局优化的特点，采用粒子群算法快速优化支持向量机的模型参数，通过该模型对非线性监测数据进行拟合，建立了基于PSO_SVM的大坝渗流监测的时间序列非线性预报模型。本模型应用于隔河岩水电站的坝基渗流量的预测，计算结果与实际监测值吻合良好。     

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。     

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。     

混凝土重力坝扬压力监测资料分析方法

探讨了重力坝扬压力监测资料的分析方法,介绍扬压力分析模型的影响因子组成,并通过模型对水库实测资料进行分析,建立扬压力监测预报模型,对及时准确地掌握大坝的扬压力情况具有一定的参考价值。     

基于小波分解和支持向量机的大坝位移监控模型

常规大坝安全监控统计模型未能分别针对监测序列值内系统信号和随机信号特点进行模拟,故预报精度存在一定的提升空间。基于小波分解技术,利用监测序列值信号频率特征分离出系统信号与随机信号,并结合逐步回归与支持向量机(SVM)对不同信号的处理优势,在引入网格寻优与交叉验证确定SVM敏感参数的基础上,提出了一种基于多元统计结合小波分解和支持向量机的大坝位移监控模型,同时编制了其相应的计算程序。工程算例表明,该模型较常规模型能够同时考虑监测序列中的系统信号和随机信号,并且具有较强的模型寻优能力和更高的预报精度,从而验证了所建模型的有效性,该方法亦可推广应用于高边坡及大坝其他预警指标的监控。     

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。