白石水库大坝安全监测数据分析与预测

季节性和趋势性时间序列为水库大坝安全检测数据的典型特征,将非平稳时间序列数据利用ARIMA模型准确预测。文章采用差分法平稳化处理非平稳时间序列,并对模型利用偏自相关和自相关函数识别,从而获取多个初选模型,通过对模型参数的估计确定最终模型,依据贝叶斯信息准则拟合和预测了检测数据。以白石水库大坝为例,运用最终模型计算分析一组安全监测数据,在此基础上对比分析实际位移数据与模型拟合预测数据。研究表明:对于短期安全监测数据的分析和预测ARIMA模型具有较强可行性和较高精度,可为水库大坝安全运行和科学管理提供数据支撑。     

基于SVM-ARIMA的大坝变形预测模型

大坝变形的实测值序列是一个非线性、非平稳的时间序列,支持向量机引入核函数后能有效解决非线性问题,因此可用支持向量机对大坝变形进行预测。为了提高预测精度,进一步对残差序列进行分析,通过ARIMA模型对残差序列进行预测,建立了SVM-ARIMA组合模型。将大坝变形时间序列分为趋势项和误差项,分别用SVM和ARIMA模型进行预测,综合两项结果得到模型的预测值。结合实测资料对模型进行检验,结果表明组合模型精度较高。     

基于BP神经网络的土石坝变形预测模型研究

大坝变形是同一时刻内外多种荷载综合作用的结果,挖掘位移监测数据潜在规律和发展趋势是大坝变形预测诊断的关键技术,但常规GNSS+棱镜、自动化监测系统等进行观测存在较大非线性误差。为实现非线性、非平稳序列大坝变形数据的平稳化拟合处理,基于大坝变形位移关联性函数,构建了大坝变形预测BP神经网络模型。BP预测模型主要根据水压、温度和时效因子的特点,经实测数据的自适应学习训练获得能真实反映坝体变形规律及趋势的竖向位移预测数据,可为大坝变形安全预测与分析提供详实准确的数据支撑和技术保障。     

ARIMA模型在成都市供水量预测中的应用

随着我国经济的发展,城市化进程不断加快,城市水资源的供应和需求之间的矛盾不断加深。本文依据成都市供水量季度数据序列,根据刻画时间序列的自相关和偏自相关函数来最终确定ARIMA模型的具体形式,建立合适的模型来对成都市供水量做出预测。结果表明:拟合的模型参数是合适的,而且ARIMA模型对短期预测相当有效。     

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于 EMD － ＲVM － Arima 的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法( EMD) 、相关向量机理论( ＲVM) 以及 Arima 误差修正模型对大坝变形监测数据进行分析预测。首先利用 EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数( IMF) 以及残差序列,再以 ＲVM 预测模型对上述结果进行分析预测,最后利用 Arima 误差修正模型对预测残差进行误差修正,从而建立了以 ＲVM 为基础预测模型的 EMD － ＲVM － Arima 大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为 2. 89 mm,同时计算出SVM、ＲVM 法的平均残差为 11. 62 mm、9. 30 mm。可以看出,EMD － ＲVM － Arima 模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于PSO的SVM-ARIMA大坝安全监控模型

大坝监控过程中,大坝变形的实测值是一个非线性且非平稳的时间序列,支持向量机(SVM)适用于解决小样本、非线性问题,在SVM算法的基础上建立了改进的大坝变形监控模型,利用差分自回归移动平均模型(ARIMA)解决非平稳时间序列问题的优势,对SVM模型的残差进行处理,并采用粒子群算法(PSO)优化支持向量机(SVM)中的核函数。实例分析表明,优化后的组合模型预测结果可靠,且精度较SVM模型有所提高。     

熵权法并联组合模型在大坝变形监测中的应用

针对大坝沉降变形观测存在的相关问题,结合灰色理论适用于"小样本、贫信息"的特点,马尔可夫链能够准确拟合波动性较大数据的特点,ARIMA模型能够挖掘非平稳时间序列的内部信息、建模简单的特点,基于最大熵的原理对模型进行了合理组合,建立了基于最大熵原理的混合预测模型。将此组合模型应用于大坝的实际水平径向位移预测中,分别进行单一模型预测和定权后的组合模型预测,并进行对比,结果显示:熵权法定权后的组合预测模型精度优于ARIMA模型和灰色—加权马尔可夫链模型,且适用性更高,稳定性更强。     

基于ARIMA与ANN组合模型的需水量预测方法研究

需水量预测影响因素较多,具有线性和非线性特征。本文为了提高预测精度,提出基于ARIMA与ANN组合模型的需水量预测方法 ,利用ARIMA模型良好的线性拟合能力和ANN模型强大的非线性关系映射能力,把需水量时间序列看成由线性自相关结构和非线性结构组成,采用ARIMA模型预测需水量序列的线性部分,用ANN模型对其非线性残差部分进行预测,再将二者预测值进行组合预测。通过实例研究,组合模型预测精度更高,是需水量预测的一种有效方法。     

基于EMD分解法的大坝变形预测模型及应用

针对传统模型对脉动时间序列的预测效果较差的情况,结合经验模态分解(EMD)、相关向量机(RVM)理论以及改进粒子群算法(IPSO)的优点,提出一种基于EMD分解法的大坝变形预测模型。首先利用EMD分解法对大坝变形时间序列进行分解和重构,使非平稳的大坝变形时间序列平稳化,再以RVM理论为基础进行预测,核函数选用高斯核函数,并采用改进粒子群算法(IPSO)进行寻优,最终建立EMD-RVM(IPSO)大坝变形预测模型。通过实例计算得到,SVM、RVM和EMDRVM(IPSO)三种模型的平均残差分别为5.29 mm、3.13 mm、0.97 mm,并且EMD-RVM(IPSO)模型的预测值误差均控制在5%以内。这证明EMD分解法对非平稳时间序列的预处理可有效提高预测精度,相比于标准SVM模型和RVM模型,EMD-RVM(IPSO)模型的预测精度更高,且结构稀疏度更好,在实际工程中具有一定的可行性。     

大坝变形的小波分析与ARMA预测模型

大坝变形观测资料可视为非平稳时间序列,从影响大坝变形规律的因素出发,可将其分解为主值函数项、周期函数项和改进后的平稳时间序列。其中主值函数项采用逐步回归法拟合,针对时效因子采用半经验公式无法准确拟合实际变化情况,采用小波分析法将序列分解为低频和高频两部分信号,其中低频部分代表时效等因素影响的变形趋势;高频部分代表水位、温度等影响的变化规律,应用时间序列原理分别建立变形预测ARMA（p,q）模型,从而在现有水位、温度观测资料下预测坝体未来的变形趋势。实例计算结果表明,结合小波分析的时间序列法建立的预测模型,预测精度高于统计回归分析,预测效果良好,可作为一种有效方法应用于大坝变形预测中。     

短时变形测值序列的大坝安全监控模型

为解决大坝短时间序列安全监测数据的建模问题,利用单独1 a的监测数据,采用基于特征正交分解的方法建立了某重力拱坝的安全监控模型,分析了模型拟合精度和预测精度,并同常规逐步回归分析方法进行了拟合和预测精度的对比分析。工程实例表明,基于特征正交分解的逐步回归分析方法可以建立短时间序列的大坝安全监控模型,其技术指标明显高于采用一般逐步回归分析所建立的模型。     

采用阶跃函数分析经历地震的大坝安全监测数据

大坝经历大地震后,坝体位移监测数据会发生明显突变。利用传统统计模型对监测数据进行建模,拟合程度较低、效果较差。为此,将阶跃函数引入传统统计模型中,重新构建回归分析模型。以碧口大坝竖向位移监测数据资料为例,分别采用传统统计模型和阶跃函数模型进行逐步回归分析,并利用阶跃函数监测模型分离地震分量,通过分析地震对大坝竖向位移的影响规律,以验证阶跃函数模型的优越性。分析结果表明,阶跃函数模型的拟合精度及预测效果均高于传统模型,可供类似工程参考。     

基于周期外延法的监测效应量灰色时序组合预测模型

针对单一模型在大坝效应量监测数据序列拟合和预测方面存在的不足,采用Verhulst模型拟合监测数据序列中的趋势性成分,采用周期外延模型拟合监测数据序列中的周期性成分,采用自回归AR(p)模型拟合监测数据序列中的随机性成分,得到一种新的组合模型,并给出了一个工程实例。该组合模型丰富了监测效应量预测方法,可提高监测效应量的整体预测精度,深化对监测效应量变化规律的认识。     

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。     

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。     

基于EEMD-PCA-ARIMA模型的大坝变形预测

针对大坝观测数据中存在的噪声容易掩盖实际变形曲线走势的问题,提出一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和自回归移动平均模型(ARIMA)的大坝变形预测方法。通过对观测数据进行EEMD和PCA,从而构建映射矩阵,然后利用映射矩阵对原始数据构建的样本矩阵进行转换,实现消噪效果,进而对处理后的观测数据进行ARIMA建模预测,据此构建EEMD-PCA-ARIMA模型。依据所提出的模型对实际大坝坝顶水平位移观测数据进行预测分析,并与实测数据和经直接去掉高频分量消噪后的ARIMA预测模型、ARIMA预测模型、BP神经网络模型预测模型进行对比分析。结果表明:此方法能够更好地获取大坝的实际变形曲线,对于大坝变形预测而言是一种有效的方法。     

基于ARIMA模型的贵州省黄壤墒情预测研究

为预测贵州省黄壤墒情的变化趋势,采用时间序列的ARIMA模型进行研究,并用实测数据与模型的预测结果进行比较。结果表明:ARIMA时间序列模型拟合土壤墒情的变化趋势较好,预测的土壤含水率接近于观测值,最大绝对误差为0.6%,最大相对误差为4.2%,可为干旱地区土壤墒情研究提供参考。     

基于WA-LSTM-ARIMA的混凝土坝变形组合预测模型

针对混凝土坝变形实测数据序列的不规律性和预测精度欠佳等问题,基于复合建模思想提出一种基于WA-LSTM-ARIMA的大坝变形组合预测模型。首先通过小波多分辨率分析对原始监测序列进行多尺度分解,从中提取高频周期性分量、低频趋势性分量和高频随机性分量;然后将去噪处理后的随机分量与高频周期性分量融合得到综合高频序列,并使用LSTM进行建模预测,对于低频趋势性分量则应用ARIMA模型进行预测,将两组预测结果叠加后即可得到最终的坝体变形预测结果;最后通过工程实例证明该模型所得预测值与实测值拟合较好,与传统的静态模型预测结果对比表明,该模型的预测精度更高。     

基于CEEMDAN-PE-LSTM的混凝土坝变形预测

由于混凝土坝变形监测数据有明显的非线性、非平稳特征,且数据序列包含一定的噪声,容易导致模型预测精度不高。针对上述问题,提出了基于自适应噪声完全集合经验模态分解（CEEMDAN）-排列熵（PE）-长短时记忆神经网络（LSTM）的混凝土坝变形预测模型。利用CEEMDAN对非线性信号的自适应分解能力,将原始变形数据分解为频率不同、复杂度差异明显的一组固有模态函数（IMF）,降低序列中不同尺度信息的相互影响。基于PE算法将复杂度相近的IMF分量进行合并重组。最后,对若干重组序列分别构建LSTM模型进行预测,将预测结果相加得到最终变形预测值。以某混凝土坝水平位移监测数据进行建模分析,结果表明:CEEMDAN-PE-LSTM模型与常规模型相比预测精度显著提高,能更好地对非线性数据序列进行预测。与单一的LSTM模型相比,平均绝对误差、平均绝对百分比误差和均方根误差分别降低了76.43%、75.55%和74.73%,表明该模型通过对原始序列的分解与重组获取不同尺度特征,可以更好地把握非线性、非平稳数据的变化规律,提高预测精度,能有效运用于混凝土坝的变形预测。