灰色回归模型及其精度分析

本文根据灰色系统基本理论,结合大坝变形的实际情况,建立了描绘大坝变形的动态灰色回归模型,并且利用该模型结合各种类型的实测数据,在模型的精度,各类因子的正确选择,以及模型的预报精度都进行了进一步的讨论,并得到了相应的结论.     

未确知滤波法和灰色模型在大坝变形预测中的应用

对大坝变形进行预测时,观测序列中的粗差不可避免地影响预测精度,同时,监测序列较短也会影响预测的精度,针对这些情况,将未确知滤波法和灰色模型应用到大坝变形预测中。首先利用未确知滤波法对大坝变形监测序列进行粗差识别,并修正粗差,再采用灰色模型预测大坝的变形。实例分析表明,通过 2 种方法有机地结合,可以显著地提高大坝变形预测的精度,具有较高的工程实用价值。     

灰色模型改进的大坝变形分形几何监控模型

为了对大坝安全进行准确监控,利用分形几何理论预测大坝变形。针对一般常维分形分布不能很好分析大坝变形数据的问题,对监测数据进行N阶累计和变换,对变换后的数据利用分段变维分形模型计算各阶变形维数序列,再选择效果较好分形维数已知序列预测未知分形维数,最后反推大坝变形预测数据。针对传统变维分形预测模型分形维数预测方法的不确定性和所需监测数据量大的缺点,利用灰色模型预测分形维数,建立改进的大坝分形几何监控模型。结合工程实例,对比插值法预测分形参数的传统分形几何预测模型和灰色模型改进后的预测模型之间的预测精度,结果表明,改进分形模型不仅在预测精度上有所提高,而且更具稳定性和抗波动性。     

大坝沉降的灰色预测

根据灰色系统理论的相关知识，建立了小浪底大坝坝顶视准线监测点沉降变形的GM（1，1）模型，并用该模型对大坝沉降变形量进行了预测，结果表明，灰色模型可以较准确地预测大坝的沉降变形量。在实际预测过程中，应不断代入新测的沉降值，调整或更新GM（1，1）模型，以提高预测精度。     

改进的灰色马尔科夫模型在大坝变形预测中的应用

针对灰色模型在建模过程中受到随机扰动影响这一问题,利用马尔科夫模型预测波动性数据准确的优势,对灰色模型进行改进,并应用于大坝变形预测计算与分析。结果表明,改进的灰色马尔科夫模型对存在扰动数据的大坝变形预测中,可以获得较好的预测效果,提高预测精度。     

灰色—马尔科夫模型在南俄5水电站大坝变形预测中的应用研究

利用灰色—马尔科夫模型对南俄5水电站大坝变形进行预测分析研究,利用数据分组技术进一步提高了灰色—马尔科夫模型预测变形的精度。以南俄5水电站大坝表面水平位移观测值为样本,将大致能够拟合为指数函数曲线的数据分为一组,然后分别考虑不分组和分组两种情况预测其未来值。经过计算对比后发现合理的分组可以使预测值的相对误差缩小到11%以内,精度较之前有了明显的提高。由此表明,利用灰色—马尔科夫模型并结合适当的数据分组技术对大坝变形的预测有较好的效果。     

高层建筑沉降预测的灰色模型研究

针对高层建筑的沉降变形预测问题,根据灰色系统为理论,以杨凌示范区某高层建筑沉降观测的工程为例,对工程案例的观测数据采用灰色GM(1,1)模型进行预测,并将预测结果与实例数据进行比照分析。结果表明:预测值与实测值吻合度良好,预测精度为一级,充分说明灰色模型对高层建筑沉降变形预测行之有效,为高层建筑沉降变形预测提供典型案例,也可为设计与施工等方面提供借鉴。     

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。     

灰色动态神经网络模型及其应用

介绍了灰色动态神经网络的基本原理，分析了传统误差反向传播(BP)算法所存在的缺陷，并提出了解决这些问题的主要途径。根据灰色系统理论，对大坝安全监控模型的因子集进行优化，选择有显著影响的因子建立模型，能明显减少计算工作量，提高工作效率。利用对隐含层结点数的动态调整，有效地解决了隐含层结点数难以确定的矛盾，同时，通过两组样本的相互校验，使训练后的网络预测精度更高。最后，以大坝安全监控模型为实例，对该模型的精度等进行了分析。     

缓冲算子改进灰色模型在变形预测中的应用

灰色模型用于建筑物变形监测分析和预测时,通常依靠时间信息建立预测模型,但该类模型不能充分反映点位变化规律。在对变形监测时间序列定性分析的基础上,提出利用缓冲算子对变化幅度大的点进行调整,以此建立改进的灰色模型,再进行预测,并用实例进行分析验证,取得了更优的预测效果,精度也有所提高。更多还原     

灰理论在土石坝沉降分析中的应用

土石坝沉降主要是时效变形，一般采用回归模型进行分析。针对土石坝沉降的特点．引入了能反映工程动态变化的炭理论模型，介绍了灰理论的基本原理和灰建模的求解过程。结合陆浑水库实测沉降资料进行了分析，结果表明所建立的模型精度高，能反映沉降的最新变化趋势。     

基于PLSR的静态灰色模型在大坝安全监控中的应用

本文将偏最小二乘回归运用到静态灰色模型中，消除了因子间多重共线性的影响，建立了一种新型的大坝安全监控模型，并对黑河水库的应变资料进行了分析。研究分析表明，基于偏最小二乘回归的静态灰色模型优于传统的静态灰色模型，这为大坝安全监控提供了一种新的思路和研究方法。     

灰色系统模型在混凝土坝应力分析中的应用

在混凝土坝蓄水初期应力观测数据较少的情况下，为分析坝体的应力影响因素和变化规律，该文利用有限元确定性模型与灰色系统模型相结合的方法，建立了混凝土坝应力分析灰色混合模型。桃林口水库混凝土坝体的应力分析结果表明该方法是合理的。     

毛尖山拱形土石坝变形性态的数值模型分析

结合变形实测资料,分别建立毛尖山大坝位移的统计模型和灰色模型,量化各影响因素对大坝变形性态的影响程度,评价了大坝的变形性态。数值模型分析结果表明：大坝变形变化规律正常,时效变化量趋于稳定。     

基于LSTM-Arima的大坝变形组合预测模型及其应用

大坝变形是水压、温度等多种因素综合作用的结果,变形监测数据是非平稳非线性的时间序列,并且在时间维度上具有关联性。为充分挖掘变形监测数据在长短时间跨度上的关联性,提出了应用长短期记忆网络(LSTM)预测大坝变形的方法。为进一步提升预测精度,利用自回归差分移动平均模型(Arima)对预测残差进行误差修正,从而建立基于LSTM-Arima的大坝变形组合预测模型。以某混凝土重力坝为例,将组合模型的预测结果与Arima模型、支持向量机(SVM)的预测结果进行对比分析。结果表明LSTM-Arima的预测结果优于Arima模型和SVM的预测结果,LSTM-Arima的均方根误差(RMSE) 比Arima模型和SVM分别降低了40.65%和59.00%,平均绝对误差(MAE)分别降低了35.49%和55.60%,表明LSTM-Arima模型具有较高的预测精度。研究成果对于更精确地开展大坝变形预测有一定参考价值。     

动态模糊神经网络在大坝变形预报中的应用

针对静态模糊神经网络的局限性,提出了在线动态建模的模糊神经网络方法.当新增样本进入训练集之后,根据新样本对模型的贡献大小,在已有模型的基础上进行动态修正,这样可以减少建模的计算时间.新方法实现了增加样本而矩阵阶数不增加,避免了矩阵求逆运算,理论上可以提高计算效率.实例表明动态模糊神经网络方法是可行的,可实现持久预报,具有较强的适应能力和较高的预报精度,可应用于在线实时变形预报及相关领域.     

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。     

水口电站19号坝段观测数据处理方法

本文以闽江水口水电站19号坝段实测数据为依据,建立灰色回归-时序组合模型以诊断观测异常值.处理后的数据具有较高的相关系数,能合理反映水口电站大坝的工作性态.