基于最优加权组合预测的隧道监控量测数据分析

监控量测技术可收集能反映施工过程中围岩动态的信息,据此判断围岩的稳定状态、确定二次衬砌时机及验证所选支护方式的合理性。通过对华蓥山隧道的监控量测数据分析,建立了多个回归模型进行比选,得到拟合精度较高的回归模型;基于最优加权组合预测法对拱顶沉降量进行预测,通过对比组合预测和单一预测模型的预测精度,验证了最优加权组合预测法的优越性;将最优加权组合预测的结果应用于沉降速率的分析,可以确定隧道二次衬砌的时间。研究结果表明:最优加权组合预测法在隧道监控量测数据分析中的应用,可以提高预测精度,较单一预测模型能更加有效地反映拱顶沉降的发展趋势;选取精度较高的单一预测模型进行最优加权组合预测,分析变形速率,可以为确定隧道的二次衬砌时间提供依据,具有一定的实用价值。     

最优加权组合预测模型在大坝变形监测中的应用

探讨最优的大坝变形预测模型,为大坝安全运行提供依据。建立基于多元线性回归、时间序列、BP神经网络3个单项模型的一般组合及最优加权组合预测模型。并采用相关性系数、均方根误差对各模型预测精度进行检验。通过对水布垭面板堆石坝坝体沉降进行预测,其结果表明BP神经网络模型和最优加权组合模型的预测精度都比较高,均适用于该工程的变形预测,尤其是ARMA-BP加权组合预测模型,计算便捷,预测精度较高,可供同类工程借鉴使用。     

组合预测模型在土石坝沉降分析中的应用

根据最优加权组合建模理论,利用沉降观测资料,建立了最优加权组合预测模型,提高了建模精度,验证了组合预测模型的可行性,也为土石坝的沉降观测资料提供了一种有效的分析方法。     

改进的变权组合预测模型在水库坝基沉降预测中的应用

本文引用改进的变权组合预测模型对宁夏某水库坝基沉降进行预测,并结合坝基沉降监测数据对比改进前后的变权组合预测模型在大坝坝基沉降的预测精度。研究结果表明:改进的变权组合预测模型由于可以考虑并动态计算不同模型之间的权重系数,对水库坝基沉降的预测精度高于传统的变权组合预测模型,预测沉降值和实测的沉降值之间的误差小于15%,比传统变权组合预测模型相对误差减少3.19%,且在月沉降均值相关系数上,改进的变权组合预测模型预测值和实测值之间相关度提高0.2012。研究成果对于水库坝基沉降预测方法提供参考价值。     

实时洪水预报中的组合预测模型方法

通过分析最优加权组合预测模型的基本原理,提出了差分模型和衰减记忆最小二乘递推算法的组合预测模型,并将该模型应用到实时洪水预报中.结果表明:①最优组合预测模型比各单个预测模型精度高,稳定性较好;②提高单个预测模型的精度是提高组合预测模型精度的关键;③组合预测模型的实时洪水预报效果较好.     

日径流的组合预测模型

根据最优加权组合预测原理，建立了径流响应线性模型和时间序列模型的优化加权组合模型，以预测日径流，依据最小二乘法原理确定其优化加权系数，预测结果表明，优化加权组合模型可提高预测精度。     

最优加权组合模型在边坡变形预测中的应用

利用某岩质边坡2002年-2011年的变形监测资料,结合区域地质与气象背景,运用莱茵达准则选定有效的监测数据,分别建立了GM(1,1)模型和趋势曲线预测模型;最后,基于最优加权组合原理,建立了边坡变形的最优加权组合模型。运用组合模型对该岩质边坡的变形进行了拟合和变形预测,模拟变形趋势与实际变形趋势对比结果表明,组合模型的预测精度高于任何单一模型的拟合精度,证明该组合模型合理、可靠。     

组合预测模型在区域需水量预测中的应用

为实现水资源的合理利用与科学调配,准确的需水量预测方法是必不可少的。在采用多元线性回归模法、灰色预测模型以及神经网络模型进行区域需水量的基础上,结合信息熵原理确定各个单项模型的加权系数对需水量进行组合预测。计算结果表明,组合预测模型对各个预测模型的信息进行了优化整合,增强了预测的稳定性及精度,为水资源的合理规划提供了科学决策依据。     

基于主成分分析的黄土高填方工后沉降组合预测方法

黄土高填方场地的工后沉降预测结果,是后续地面工程规划布局及建设时机确定的重要依据。针对黄土高填方场地初期获得的工后沉降数据历时较短,采用传统单项模型方法预测效果较差的不足,提出了基于主成分分析（ＰＣＡ）的工后沉降组合预测方法。该方法的基本思路是:首先对各单项模型的预测结果进行主成分分析求出主成分,接着采用最优模型选择准则（ＡＩＣ）确定用于建模的主成分数量,其次建立沉降实测值（因变量）与所选取主成分（自变量）之间的多元回归预测模型,然后对模型预测值与实测值进行了比较,评价组合模型的预测效果,最后采用所建立的组合模型向后多步预测。实例检验结果表明,组合模型预测精度明显优于各单项模型,对于预测黄土高填方场地的工后沉降具有参考价值。     

大坝沉降变形的灰色预测分析研究

用实测沉降资料预测大坝沉降过程是目前国内外大坝沉降变形监测分析中常采用的一种方法,包括双曲线拟合法、指数曲线拟合法和基于灰色理论的GM(1,1)模型预测方法。由于灰色理论在预测时不需要较长的观测数列,且能通过动态预测模型,最大程度的反映新信息在预测中的作用,因此在沉降变形预测方面具有很大的优势。本文针对目前大坝沉降变形GM(1,1)预测分析中存在的一些问题,根据大坝沉降变形的特点,分析了沉降观测数据列长度、观测时间的不等步长性、数据累加方式等对建模预测精度的影响,探讨了用灰色等维预测模型动态预测非稳态沉降变形过程的方法,提出了灰色等维动态预测模型的维数尺度标准。     

改进的非等间距灰色模型在大坝位移预测中的应用

传统GM(1,1)预测模型在大坝位移拟合及预测中存在优化方式单一、适应性不佳等不足,一定程度上影响模型的预测效果。基于蛙跳算法,通过优化背景值和平滑系数、寻找最优定解条件以及残差优化等方法,提出了改进的非等间距GM(1,1)大坝位移预测模型。结合相关工程实例,对比分析了2种模型的拟合效果和预测精度,说明了相对于传统GM(1,1)大坝位移预测模型,改进的GM(1,1)大坝位移预测模型能有效提高位移预测精度,可以应用于实际大坝结构中的位移监控及预测。     

基于多组群教学优化的随机森林预测模型及应用

为有效提高水文预测预报精度,提出了一种基于多组群教学优化(MGTLO)的随机森林(RF)预测方法,利用MGTLO算法对RF两个关键参数进行优化,构建MGTLO-RF预测模型,并与基于MGTLO算法优化的支持向量机(SVM)、BP神经网络两种常规预测模型作对比分析。以云南省龙潭站月径流和年径流预测为例进行实例研究,利用前44 a和后10 a资料对MGTLO-RF等3种模型进行训练和预测。结果表明:所提出的MGTLO-RF模型具有更好的预测精度和泛化能力,可作为水文预测预报和相关预测研究的一种有效工具。     

指数平滑法预测滑坡变形的适用性探讨

为弄清滑坡变形预测中指数平滑法的适用情形,探讨了该法对三峡库区两种典型滑坡位移曲线--台阶型位移变形曲线和波动型位移变形曲线趋势预测的适用性。研究结果表明,对于台阶型位移变形曲线,在变形增量由大变小的转折点处,预测值曲线形成尖峰形状,使得预测值估计偏大,而其它阶段误差值相对较小;对于波动型位移变形曲线,指数平滑法具有相当的滞后性,滞后时间与选取的预测时间间隔大致一致,表现出较差的适应性。      

基于CEEMD-GRNN组合模型的月径流预测方法

针对径流序列的噪声因素与非线性特性,采用互补集合经验模态分解法(Complete Ensemble Empirical Mode Decomposition, CEEMD)与广义回归神经网络(Generalized Regression Neural Networks, GRNN)的组合模型,对汾河上游上静游站、汾河水库站、寨上站、兰村站1958～2000年的月径流序列进行实例研究,探究3种不同建模方式下的组合模型对预测精度的影响,其中组合模型1使用加权平均集成法将各分量预测结果相加,组合模型2去除高频分量后再使用加权平均集成法将剩余分量预测结果相加,组合模型3去除高频分量后将剩余分量预测结果直接相加;再将组合模型与单一GRNN模型进行对比。结果表明:各模型的确定性系数(NS)均大于0.5,预测结果均具有可信度;不同的月径流资料适用不同的建模方法,对于极差较小的月径流序列,组合模型1预测效果最好,与另外两种组合模型及单一模型相比,平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)分别平均减少26%,17%,23%;对于极差较大的径流序列,组合模型2预测效果最好,与另外两种组合模型及单一模型相比,MAE,MAPE,RMSE分别平均减少30%,28%,33%。组合模型2预测误差总小于组合模型3,即加权平均集成法对提高预测精度有一定作用。三种建模过程的CEEMD-GRNN组合模型预测误差均比单一GRNN模型小,说明组合模型较单一模型更适用于月径流预测。     

Artificial Neural Network Rainfall-Discharge Model Assessment Under Rating Curve Uncertainty and Monthly Discharge Volume Predictions

The accuracy of rainfall-discharge volume model predictions depends on the model design and uncertainty of the available stage-discharge measurements used to fit the rating curve, which converts a time-series of recorded stage into discharge. In general, the rating curve uncertainty is the product of several combined sources. Over Algerian rivers, the extrapolation of the rating curve beyond the gauging range is the main source of this uncertainty. This study, therefore, represents a quantitative approach to reflect rigorously the impact of the rating curve uncertainty on the improvement of monthly discharge volume prediction quality by the artificial neural network (ANN) rainfall-discharge model. The rating curve uncertainty of the Fer à cheval hydrometric station in the Mazafran watershed is performed within Bayesian analysis for stationary rating curves using the BaRatin method. This allows as to build a new time series of discharge in order to assess an ANN rainfall-discharge model. To do that, Levenberg–Marquardt back propagation neuronal network has been applied over 1972-2012 time-period, for five hydrometric stations in the Algiers Coastal Basin. The model inputs were constructed in different ways, during the algorithm development, such as precipitation, antecedent precipitation with different monthly lag times and antecedent monthly discharge volume. The results indicate that training/validation of ANN rainfall-discharge volume model is widely affected by the streamflow datasets uncertainty. A large proportion of model prediction errors are significantly improved when considering the rating curve uncertainty.     

水电站建成后分流河段水位流量关系的变化

在分流河段修建水电工程，因受工程建设的影响，其下游的水位流量关系曲线将不再是单一曲线，而是一束以全断面流量为参数的曲线组。这束曲线中的任一曲线应通过３个特征点。曲线起点、天然分流点、曲线终点，这３个点确定后，即可推求不同总流量情况下的水位流量关系曲线。     

基于RUN-XGBoost算法的土石坝渗流预测模型

针对传统土石坝渗流预测模型存在局部最优、抗干扰性差和预测精度低等问题,通过RUN算法优化XGBoost算法得到RUN-XGBoost算法,构建了RUN-XGBoost模型以获得更优的土石坝渗流预测结果。该模型在种群初始化时采用RUN算法对XGBoost算法的3个主要参数进行改进,使预测结果有较高的有效性;通过自动寻找最优参数增进算法的整体收敛速度和预测精度,同时引入随机解,使算法能够排除局部最小值并继续搜索,从而获得全局最优结果。工程实例验证结果表明,RUN-XGBoost模型具有简洁、高效、预测精度高、鲁棒性强等优点。     

基于多种混合模型的径流预测研究

变化环境下径流的波动不断加大,给径流的精准预报带来新的挑战。基于"分解-合成"策略的混合径流预报模型来提高预报精度是当前研究的热点之一。以往研究聚焦在单一的混合预报模型而忽视了它们的适用性研究。基于此,以渭河流域为例,在优选多元线性回归(MLR)、人工神经网络(ANN)和支持向量机(SVM)单一预报模型的基础上,分别基于经验模态分解(EMD)、集合经验模态分解(EEMD)和小波分解(WD)构建了多种混合模型,并融合了大气环流异常因子的信息。结果表明:(1)SVM模型预测精度高于ANN和MLR;(2)混合预测模型预测精度均高于单一模型,混合模型中WD-SVM的预测精度优于EMD-SVM和EEMD-SVM;(3)融合大气环流异常因子后WD-SVM模型预测精度最高,对极值预报精度的提高较为明显。     

软土地基沉降规律分析及沉降预测方法改进——以成都天府国际机场为例

曲线拟合法(指数曲线、对数曲线和双曲线)因精确度较高、计算方便经常被用来预测地面沉降量,而对于软土地基,双曲线法的预测效果更好。使用双曲线法对成都天府国际机场某试验段监测点数据进行沉降量预测分析并与实测数据对比发现,在监测周期内不同监测时间段和不同软土厚度时,预测误差规律不同。利用监测日期的时间序列和监测点的软土厚度因素对原有的双曲线法进行了改进,并与3种传统曲线拟合法的预测结果对比分析,发现改进双曲线法和指数法的预测精度均很高,但指数曲线法不适合长时间序列沉降预测。研究成果可为成都天府国际机场和其他类似工程地面沉降预测提供参考。