大坝安全监控模型因子相关性及不确定性研究

针对最小二乘法难以克服因子多重共线性对回归模型精度影响的不足，本文对大坝安全监控模型因子间的相关性及其不确定性进行了研究。引进偏最小二乘法，对大坝安全监测变量及其影响因子进行偏最小二乘回归分析，将建模预测分析方法与非模型式的数据内涵分析有机结合，可同时实现回归建模、数据结构简化以及因子相关的不确定性分析，所建立的大坝安全监控模型，其精度可通过交叉有效性检验来控制。工程应用实例和模型对比分析研究表明，偏最小二乘回归模型能有效克服各类因子变量间的多重共线性对模型拟合精度及其预测能力的影响，因而比目前常用的最小二乘回归模型更具广泛适用性。     

偏最小二乘回归在大坝位移资料分析中的应用

介绍了偏最小二乘回归的基本原理、建模基本思路和交叉有效性判别方法，编制了偏最小二乘回归程序；指出偏最小二乘回归可以很好地应用于大坝位移监测中。通过算例分析表明：建立的模型有很好的拟合和预报功能。     

偏最小二乘回归在大坝位移资料分析中的应用

介绍了偏最小二乘回归的基本原理、建模基础思路和交叉有效性判别方法，编制了偏最小二乘回归程序；指出偏最小二乘回归可以很好地应用于大坝位移监测中。通过算例分析表明：建立的模型有很好的拟合和预报功能。     

基于递阶偏最小二乘回归的数据分析

针对最小二乘法难以克服因子多重共线性对回归模型精度影响的不足和大坝观测数据分析中因变量较多的特征，引进递阶偏最小二乘法，对大坝安全监测变量及其影响因子进行递阶偏最小二乘回归分析，将建模预测分析方法通过递阶分层处理，可同时实现回归建模和数据结构简化，所建立的大坝安全监控模型精度可通过交叉有效性检验来控制．工程应用实例和模型对比分析研究表明，递阶偏最小二乘回归模型能有效克服由于各类因子变量间的多重共线性和因子变量数目较多而对模型拟合精度及其预测能力的影响，相对于传统回归模型有更好的解释能力，因而具有一定的实用价值．     

基于偏最小二乘回归的大坝位移混合模型研究

介绍了偏最小二乘法的建模基本思路和交叉有效性判别方法,编制了偏最小二乘回归程序,与弹性力学有限元联系,建立了基于偏最小二乘回归的大坝位移混合模型。算例分析表明,建立的模型有较好的拟合和预报功能。     

偏最小二乘与人工神经网络耦合模型在酸雨pH值预测中的应用

将偏最小二乘与人工神经网络耦合,建立了一种新型耦合预测模型———偏最小二乘与人工神经网络耦合模型。该模型利用了偏最小二乘方法有效处理自变量之间多重相关性问题和人工神经网络可以较好地解决非线性问题的能力,在城市酸雨pH值预测中的应用表明,该模型预测精度高,明显优于偏最小二乘回归模型和人工神经网络模型。     

偏最小二乘法与神经网络耦合的大坝监测模型

针对人工神经网络在大坝变形监测模型应用中所出现的收敛慢和稳定性差等问题,提出了偏最小二乘法与人工神经网络耦合的大坝变形监测模型,提高了神经网络的学习速率和稳定性.首先运用偏最小二乘法对多维自变量进行主成分提取和降维处理,解决了变量之间的多重相关问题,而后把降维的数据输入神经网络进行训练.对比实例应用结果表明,偏最小二乘神经网络耦合模型的拟合速度和精度都高于传统的神经网络.     

基于偏最小二乘回归和最小二乘支持向量机的大坝渗流监控模型

利用偏最小二乘回归法对影响大坝渗流的诸多因素进行分析,提取对因变量影响强的成分,克服了变量间的多重相关性问题,降低了最小二乘支持向量机的输入维数,从而可以较好的解决非线性问题,建立了基于PLS-LSSVM的大坝渗流监控模型。实例分析表明,PLS-LSSVM模型的拟合与预测精度均优于独立使用PLS或LSSVM建模的精度;PLS-LSSVM模型的学习训练效率比LSSVM模型有较大的优势,更适合于大规模的数据建模。     

偏最小二乘法回归的建模思路及其在水库大坝监测中的应用分析

常规最小二乘法回归的不足之处是:难以有效识别和消除自变量因子间的多重相关性影响;然而偏最小二乘法回归模型却能够有效消除因子相关性对模型回归系数估计和回归分析效果的影响。文章介绍了偏最小二乘法回归基本原理和建模思路,并结合水库大坝监测实例分析了偏最小二乘法回归,实例表明,偏最小二乘法分离效果更好,反演结果精度更高,能满足对大坝安全监控的要求,在水利工程安全监测及有关数据的统计分析方面具有广阔的应用前景。     

将偏最小二乘回归模型应用于非点源负荷预测

介绍了偏最小二乘回归的基本原理,建模思路和方法,将偏最小二乘回归模型应用于泾河流域非点源污染年负荷量预算,对计算结果的代表性和有效性进行了分析,并将其与最小二乘的多元回归模型预测结果进行了对比.实例计算分析结果表明,偏最小二乘回归分析对于反映因变量与多个相关性自变量之间的关系有较高的精度.     

地下河天窗水位变化分析及预测

以贵州省普定县后寨地下河流域内平山天窗水位为研究对象,分析了水位变化规律,并采用偏最小二乘回归、人工神经网络及两种方法的结合建立了高水位阶段水位半日预测模型,对各模型进行了对比分析。结果表明：天窗水位变化划分为枯水位、开采-恢复、高水位3个阶段;高水位阶段天窗水位主要受前半日内的降雨及前半日时的水位影响;偏最小二乘回归是进行天窗水位预测的合适方法。该研究有助于岩溶地区水循环规律的认识及地下河水资源的开发利用。     

基于YOLO模型的堤坝管涌监测智能识别方法

针对堤坝管涌现象的监测识别问题,提出一种基于YOLO模型的堤坝管涌识别方法。该方法通过引入改进的残差块及替换模型的激活函数来提升YOLO v3模型的网络性能,构建了基于堤坝管涌感兴趣区域提取的Piping YOLO模型来提取管涌感兴趣区域,并采用二维主成分分析方法提取管涌现象的特征,将其作为多权值神经网络的输入,经训练后实现管涌状态的分类识别。基于自主搭建的管涌渗漏试验平台建立了数据集并进行了试验验证,结果表明,提出的方法能有效识别堤坝管涌现象,在堤坝管涌无人巡检领域具有一定的应用前景。     

基于支持向量机的离心泵磨损特性分析方法

针对离心泵磨损机理错综复杂和高度非线性的特点,提出了基于最小二乘支持向量机的离心泵磨损特性分析方法,通过对算法的实现,建立了离心泵的磨损特性分析和几何参数优化的智能模型,模拟得到离心泵的磨损特性关系,分析了磨损随轮叶片几何参数的变化规律。与神经网络和普通支持向量机方法进行计算比较,结果表明,最小二乘支持向量机磨损预测模型得出的的平均相对误差只有0.005%,学习速度为12步,训练时间为1.1s,学习速度和预测精度得到了很大的改善。可为离心泵的磨损特性分析及其抗磨可靠性设计提供新的可行方法。     

平原河网水动力模型及求解方法探讨

参考国内外有关资料 ,根据河网非恒定流水动力模型的控制方程组和汊点衔接条件 ,建立平原河网水动力节点 河道模型。介绍用特征线法 ,有限体积法和有限差分法中的直接解法、分级解法、汊点分组解法、矩阵标识法、非线性方法等求解的基本思路。对比单元划分模型、混合模型以及人工神经网络模型等平原河网水动力模型 ,分析各个模型的优缺点 ,结果表明 ,节点 河道模型原则上可以求解任何水网的水力参数 ,单元划分模型仅适用于河道流速时空变化不大的情况 ,人工神经网络模型的验证比较困难。指出改进和设计计算方法、应用向量运算和并行算法、数值模拟可视化、数值计算模型软件化是河网数值模拟的主要发展方向     

基于新偏最小二乘回归法的系列水文资料分析

在实际问题中,经常会碰到海量数据或者样本点较少,自变量较多的数据。对此可以利用递阶偏最小二乘回归来建立线性模型。但是一个直接的问题是如何对自变量进行分组。由此提出了基于聚类分析的递阶偏最小二乘回归方法,在对解释变量分组时引入聚类分析。通过对长江宜昌段水沙观测数据作实证分析后发现,基于聚类分析的递阶偏最小二乘回归方法是有效可行的,而且用该方法建立的回归模型比一般的偏最小二乘回归模型拟合能力更强。     

基于人工神经网络的卡尔曼滤波实时校正技术

针对人工神经网络技术在实际应用中常出现的过拟合现象，设计了以人工神经网络模型做初级预报，用卡尔曼滤波技术对初级预报结果进行二次预报的方法。该方法用于淮河王家坝水文站最高洪水位的预报和岷江上游段紫坪埔水文站的流量预报，并与标准的BP网络模型以及卡尔曼滤波模型进行了比较。两个应用实例的计算结果表明，以上两种技术的结合，不仅有利于预防过拟合问题，还可提高预报精度。     

基于GA-BP神经网络的碾压混凝土压实度实时评价方法

针对碾压混凝土现场压实程度的实时工艺评价需求,选择含湿率、碾压层表面应力横波波速、级配以及胶砂比为预测参数,构建了GA-BP神经网络压实度预测模型;结合现场应用实例,验证该方法实时预测评价的有效性。结果表明:与BP神经网络模型比较,GA-BP神经网络模型不仅预测精度更高,而且偏差波动范围更小,稳定性好,能更准确有效地预测现场碾压层混凝土压实性;GA-BP神经网络模型对碾压混凝土压实度下限值更敏感,压实度处于93%～96%的样本点,模型预测值的平均误差仅为0.08%,最大误差仅为0.17%,预测精度很高。     

堆石体流变本构模型参数的智能反演

提出基于演化神经网络和序列二次规划算法的智能反演方法，通过实测变形资料对堆石坝流变本构模型参数进行反演分析，算例计算表明，该方法高效且具有全局收敛性。采用该方法对某堆石坝9参数流变模型参数进行反演分析，计算结果表明，利用反演的模型流变参数所计算的坝体流变变形与实测资料在发展规律及数值上均比较吻合。最后采用反演后的参数对该堆石坝后期变形进行了考虑流变效应的流变计算，预测出该堆石坝的后期变形量，预测结果合理可信。