基于改进GWO和SVM的大坝变形预测

建立准确可靠的大坝变形预测模型是大坝安全评价的重要内容,为此,将差分进化算法的交叉和变异算子引入灰狼优化算法(GWO),提出一种基于改进灰狼算法(MGWO)优化支持向量机(SVM)的大坝变形预测方法。通过差分进化算法丰富初始种群,提出改进灰狼优化算法(MGWO),并采用MGWO算法优化SVM的惩罚因子和核函数,建立基于MGWO-SVM算法的大坝变形预测模型。以锦屏一级特高拱坝实测数据为例,将MGWO-SVM模型与SVM、GWO-SVM模型的预测结果进行比较。结果表明,MGWO-SVM模型可以有效提高大坝变形预测精度。     

非参数投影寻踪回归在土石坝震损裂缝预测中的应用

根据汶川地震中绵阳市受损土石坝的实测数据,以大坝所在位置的地震烈度和地震发生前大坝的性态等因素作为预测因子,构造出土石坝震损裂缝预测的投影指标,采用可变阶的正交Hermite多项式拟合岭函数,并用单纯形算法优化投影指标函数,进而构建基于投影寻踪回归分析的震损裂缝预测模型,并将其用于该地区96座震损土石坝进行裂缝预测.将...     

基于改进PSO-RF算法的大坝变形预测模型

针对传统随机森林参数寻优方法的不足,引入均衡惯性权重和自适应变异对粒子群优化算法进行改进,提出了一种基于改进粒子群优化算法和随机森林算法(改进PSO-RF算法)的大坝变形预测模型。实例验证结果表明,在计算效率方面,与传统网格搜索法相比,改进PSO-RF算法显著提升了模型的寻优速度;在预测精度和稳定性方面,基于改进PSO-RF算法的大坝变形预测模型明显优于长短期记忆网络、支持向量机和BP神经网络模型。     

基于DCGAN的水下结构物表面缺陷图像生成

为提升水下结构物表面缺陷图像数据集的质量和规模，促进深度学习相关方法在水下检测领域中的应用，开展数据增强方法研究，提出一种基于深度卷积生成对抗网络(DCGAN)的水下结构物表面缺陷图像生成方法。首先，设计了一种水下结构物表面缺陷图像采集装置，通过改变拍摄距离和补充光照强度，探究出一种保证水下图像质量的采集方式；其次，通过改进损失函数优化DCGAN,建立水下结构物表面裂缝图像生成模型，实现了水下结构物表面缺陷图像的生成；最后，利用YOLOv5检测网络验证生成图像的有效性。结果表明：生成的水下结构物表面裂缝图像平均峰值信噪比为25.142 6 dB,平均结构相似性为0.716 8,将生成图像和真实图像共同输入检测模型可有效提高检测精度。研究成果为大坝和引水隧洞等水工结构物的健康检测提供技术支撑。     

Matlab仿真平台下大坝位移BP神经网络模型研究

基于人工神经网络的非线性映射能力,应用Matlab7.1网络仿真平台,结合辽宁省白石水库多年大坝位移实测数据,建立了3种不同改进BP算法的多层前馈神经网络模型。并通过LM算法、BR算法、GDX算法的BP网络模型的拟合、预报结果,对3种模型的应用效果进行了比较分析,得出了LM算法的BP网络更适合用于建立坝顶位移监控模型的结论,以实现对大坝位移实时、有效的监控。     

基于模态分解和云粒子网络的大坝基岩地震动输入研究

在大坝抗震安全评价中基岩地震动输入多采用实测数据或人工生成等方式,而当坝址仪器损坏或历史震害资料不足时,确定基岩地震动就变得尤为困难。本文提出对大坝基岩地震动进行反演的研究思路,并开发了基于经验模态分解和云粒子网络的分解—训练—反演混合模型,在不依赖场地历史震害资料的情况下,仅用少量周边测站数据即可确定大坝的基岩地震动。首先,选取坝址周边地表及基岩的地震动实测记录,采用经验模态分解法将地震加速度序列分解;其次,通过粒子群算法建立与神经网络连接权值的映射,采用云理论优化粒子群算法的全局寻优能力,建立反演模型,将分解后的加速度序列作为训练集进行反演训练;然后,选取与大坝处于相似地质情况的地表实测地震动信息,结合反演模型对大坝基岩输入地震动进行反演;最后,以紫坪铺大坝为研究实例,通过对比传统输入方法,验证该模型的适用性。结果表明：本文所提的混合模型综合性能稳定,能较好地反演地震加速度序列,模型决定系数均大于0.9,平均绝对百分比误差均在11%左右;采用本文反演得到的基岩地震动进行计算,较已有研究成果计算误差降低0.79%~17.28%,与工程实际动力响应更为吻合。本文方法可为解决大坝基岩输入地震动的获取提供一条新途径。     

基于小波消噪及BP神经网络的大坝变形分析

基于港口湾大坝多期变形观测数据,采用Matlab语言、小波消噪及BP神经网络分别建立了基于时间序列和基于环境因素的大坝变形监测BP神经网络模型,并利用模型分别对大坝某点变形值进行预测。时间序列BP模型具有结构简单、学习速率快的特点;环境因素BP模型精度高,可有效反映变形因素,便于拟合预测复杂的测点变形,相对前一种模型能更好地揭示大坝变形规律。两种建模方法先应用小波分析对原始观测数据消噪,训练过程中采用附加动量法等改进BP算法,大大提高了BP神经网络的计算效率,克服了其易陷入局部极小的缺陷,取得了良好的拟合效果和预测精度。     

粗集和神经网络融合的混凝土坝裂缝成因研究

鉴于混凝土坝裂缝产生原因的复杂性,分析了粗集理论和人工神经网络技术各自在数据挖掘应用中的优缺点,建立了基于粗集和神经网络融合技术(简称RSNN)的裂缝成因挖掘模型,并给出了详细建立方法.结合工程实例,得到了混凝土坝产生裂缝的主要成因,验证了这一模型在大坝裂缝成因挖掘中的成功应用及未来前景,为裂缝成因分析提供了一种科学化的分析方法.     

基于XGBoost的水库大坝基础设施潜在风险评估预测

水库大坝基础设施潜在风险评估是水库大坝风险评估体系的重要组成部分，然而水库大坝基础设施数据量大、数据特征多、还存在数据缺失的情况。XGBoost算法作为一种基于决策树的集成算法，在应对大规模含有缺失情况的、具有混合类型的特征数据方面具有独特优势。为了更快速准确地对水库大坝基础设施潜在风险进行评估，提出了一种基于XGBoost的水库大坝设施潜在风险评估预测方法。首先将水库大坝统计数据进行预处理，并用该数据对XGBoost模型进行训练，然后通过GridSearch和Cross-validation计算模型最优参数，最后根据准确率、召回率等精度指标对模型进行评价。预测结果表明：XGBoost在测试集上的准确率达91.26%,相比于其他4种常规机器模型(随机森林、人工神经网络、最邻近算法、支持向量机)高出2.12%,5.59%,19.31%,38.65%,满足工程实际的要求。     

混凝土高拱坝裂缝光纤监测网络构型的优化

提出基于瑞利散射的混凝土高拱坝裂缝分布式光纤监测网络优化的目标及技术路线;针对基于瑞利散射的光纤监测网络构型的优化,进行了正交失效混凝土模型试验,发现在光纤与裂缝面交角成60°时,在大坝安全监控缝宽控制范围内光纤最小裂缝分辨率仅达到我国水利技术标准规定的1/6;指出要满足大坝裂缝监测灵敏性的要求,对于基于瑞利散射的光纤裂缝传感,应将光纤布置在与预期的裂缝面成交角小于60°的范围内。基于此,结合小湾拱坝裂缝光纤监测研究,初步提出高拱坝裂缝光纤监测网络优化的构型。     

基于鸡群算法优化相关向量机的混凝土坝变形预报模型

针对混凝土坝变形监控模型中大坝变形与环境影响因素之间的复杂非线性问题,为提升大坝变形监控模型的预报能力,提出了一种基于鸡群算法(CSO)优化相关向量机(RVM)的混凝土坝变形预报模型。考虑到相关向量机核函数参数的选取直接影响其回归分析性能,采用鸡群算法对其核函数参数进行寻优处理。据此,构造了基于鸡群算法优化的相关向量机模型,进而提升相关向量机的预报精度和泛化能力。以某混凝土坝长期变形监测资料分析表明,基于鸡群算法优化的相关向量机模型预报可有效挖掘大坝变形与环境因素间复杂的非线性函数关系,相比传统的相关向量机模型,该模型的拟合与预报精度更优,有效验证了所提方法的合理性与有效性,为大坝变形分析与预测提供新的模型方法。     

土石坝渗流性态分析的IAO-XGBoost集成学习模型与 预测结果解释

针对现有土石坝渗流数值模拟方法计算效率较低、难以实时分析大坝渗流性态，而现有基于机器学习算法建立的代理模型又存在模型可解释性较差的问题，提出土石坝渗流性态分析的IAO-XGBoost集成学习模型，并基于Shapley加性解释(SHapley Additive exPlanation, SHAP)理论对预测结果进行解释。在采用多地质体自动建模方法和CFD技术对大坝渗流场进行计算分析的基础上，基于改进的天鹰(Improved Aquila Optimization, IAO)算法优化极限梯度提升(eXtreme Gradient Boosting, XGBoost)集成学习算法中的n＿estimators、max＿depth和learning＿rate等超参数，进而建立基于IAO-XGBoost集成学习算法的大坝渗流性态指标预测模型，以揭示上下游水位和坝基地层渗透系数等输入特征变量与渗流性态指标模拟值间的复杂非线性映射关系。进一步地，将IAO-XGBoost集成学习算法与可解释机器学习框架SHAP理论相结合，挖掘影响大坝渗流性态指标预测结果的关键特征，并解释特征变量对渗流性态指标预测的影响...     

基于LMD与样本熵的多尺度大坝变形预测

针对大坝变形数据的多尺度特征,将局域均值分解、样本熵及高斯过程算法应用于大坝变形预测中,提出了多尺度大坝变形预测新模型。首先利用局域均值分解算法对变形数据进行多尺度分析,挖掘变形数据隐含的信息,随后根据各变形分量特征,构建基于高斯过程的多尺度大坝变形预测模型,并利用样本熵对模型进行简化。通过实例分析,证实该大坝变形预测新方法精度高于BP网络和最小二乘支持向量机模型。     

CPSO-NN模型在大坝安全监控中的应用

针对大坝安全监控中传统BP神经网络模型由于采用最速下降法求解网络权值而存在的计算过程复杂、易陷入局部极值点等缺点,提出大坝安全监控神经网络权值的协同粒子群优化求解方法。该方法先把网络权值的计算问题转化为粒子群的寻优问题,然后通过粒子群协同寻优实现对网络权值的计算。工程实例分析结果表明:基于协同粒子群算法的神经网络模型计算简单、收敛速度快、拟合精度高,为大坝安全监控分析提供了一种有效的新方法。     

基于粒子群优化算法的RBF神经网络在闸墩裂缝宽度预测中的应用

针对RBF神经网络选取网络参数及结构不当导致网络收敛慢的问题,采用粒子群算法优化RBF神经网络参数,建立了基于粒子群优化算法的RBF神经网络模型(PSO-RBF神经网络模型),对双台子河闸闸墩混凝土表面裂缝宽度进行了模拟和预测。结果表明,与单一的RBF神经网络模型相比,PSO-RBF神经网络模型预测精度更高。用训练好的PSO-RBF神经网络模型预测了2015年5月21日~6月14日闸墩混凝土表面裂缝宽度,发现该闸墩混凝土表面裂缝宽度呈周期性变化且有变大的趋势。     

基于AFSA-灰色神经网络模型的大坝裂缝预测

针对灰色神经网络模型的权值和阈值是人工随机初始化的,当对相关问题进行预测时,容易陷入局部最优解,导致预测精确度偏低的问题,采用人工鱼群算法(AFSA)对灰色神经网络的初始参数进行优化,构建AFSA-灰色神经网络预测模型,并利用该模型对某大坝的裂缝开度进行预测。与传统的BP神经网络、灰色神经网络的预测结果对比表明:AFSA-灰色神经网络模型的预测精确度更高,可以对大坝裂缝开度进行预测。     

基于SVM的混凝土坝变形监控模型预测能力实例分析

大坝变形与水位、温度、时效等较多因素非线性相关,支持向量机(Support Vector Machine, SVM)适用于小样本、非线性、高维学习问题,在大坝安全变形监控上具有很大的优越性。阐述了支持向量机的原理,介绍了应用SVM建立混凝土坝变形监控模型的步骤及其参数优化方法。针对预测样本数目的合理取值问题,通过实例分析,研究基于SVM的混凝土坝变形监控模型的预测能力。结果表明,基于SVM的混凝土坝变形监控模型短期预测能力优于长期预测能力,且其预测能力受预测集数目的影响大于算法优化的影响。因此,合理选择预测集数目对变形监控模型有效预测尤为重要。     

人工神经网络优化模型在洪水预报中的应用

应用人工神经网络技术,采用动量法和学习率自适应的改进算法,并对组成网络结构的各影响因素进行分析,通过试算法得到网络模型的优化参数,该优化模型能够有效提高训练速度和学习效率.结合鄱阳湖洪水历史资料,构建了鄱阳湖洪水预报模型,分析结果表明该模型操作过程相对简便易行,精度较高.对BP网络模型结构及其算法,鄱阳湖洪水预测优化网络模型的建立及其实际适用情况作了简要介绍.     

基于改进PSO算法和SVM的大坝监控模型研究

针对传统大坝安全变形预警监控模型对缺失数据敏感、精度易受其它因素影响的特点,提出了一种利用粒子群算法与支持向量机相结合的建模方法。即通过粒子群算法对支持向量机模型的参数进行寻优,同时改进了惯性权重因子与学习因子,并引入参数收敛程度,有效地解决了粒子群算法存在的早熟收敛问题,提高了全局收敛能力。阐述了模型建立的算法步骤,并利用某水电站观测数据进行了验证。结果表明,相对于传统优化算法,改进的PSO-SVM模型在大坝安全变形监控上具有很大的优越性,而且也扩展了粒子群算法的应用范围。      

基于蚁群神经网络的裂缝开合度预测模型

大坝裂缝开合度是体现大坝安全的重要参量.针对传统裂缝开合度预测模型的不足,提出了基于蚁群神经网络的裂缝开合度预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高了学习速度,加快了收敛速度,缩短了训练时间,并通过实例验证了其拟合预报精度,说明该方法具有较强的实用性.