基于BO-GRU的混凝土坝变形预测模型

针对混凝土坝变形具有较强的非线性特点、目前大坝变形预测模型出现参数过多及易陷入局部最优等问题,提出了一种深度学习中的门控制循环单元(GRU)模型,并结合贝叶斯优化算法(BO)对门控制循环单元的超参数进行优化,建立BO-GRU模型应用于混凝土坝变形预测。为检验模型的可行性,以实测变形监测数据为基础,并与极限学习机、相关向量机和基于遗传算法优化的支持向量机等模型预测结果进行对比。结果表明:该模型的泛化能力强、运行效率高,能有效运用于混凝土坝的变形预测。     

基于PSO-SVM的碾压混凝土坝变形预测模型

为提升大坝变形预测能力,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的混凝土重力坝变形预测模型.通过粒子群算法对支持向量机惩罚函数C与核函数σ进行寻优,避免了拟合过程中易陷入局部最优解的问题,提高了模型的拟合精度.以新疆北疆某碾压混凝土坝2014年～ 2019年变形监测数据为例,建立了逐步回归、SVM、P...     

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。     

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。     

混凝土坝安全监控最小二乘支持向量机模型

传统的混凝土坝安全监控模型难以精确反映大坝变形的非线性变化规律,一定程度上影响模型的预测效果。基于统计学习理论的支持向量机,采用结构风险最小化准则,具有结构简单、理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点。将最小二乘支持向量机应用于大坝安全监控领域,建立了混凝土坝的支持向量机监控模型。工程案例证明,该模型精度较高,具有广泛的实用性。     

基于果蝇优化算法的支持向量机径流预测

为了提高径流预测的精度和可靠性,将支持向量机应用到单因子月径流预测建模中。针对支持向量机模型参数的选择费时费力且效果差的问题,利用全局寻优的果蝇算法优化选择支持向量机的惩罚参数和核参数,提出了基于果蝇算法优化支持向量机参数的FOA-SVM预测模型,并利用新疆某站的月径流历史数据进行了仿真测试。结果表明:与GA-SVM模型和PSO-SVM模型相比,FOA-SVM模型能够提高径流预测的效率与精度。     

基于CNN的混凝土坝变形预测深度学习模型研究

混凝土坝变形监测与预测分析是一个长期需关注的问题。考虑到混凝土坝变形预测模型是预测结构性态演化、评价安全服役状况的关键措施,充分利用谷歌开源深度学习框架TensorFlow平台,结合深度学习理论中成熟的卷积神经网络技术建立了基于深度学习的混凝土坝变形安全预测模型,并以残差图、均方误差和平均百分比误差等指标评价作为模型的拟合、预测精度评价标准。通过仿真实例表明,相比于浅层神经网络模型和传统的统计模型,基于深度学习的混凝土坝变形预测模型预测精度更高,性能更加稳定,为混凝土坝变形监测提供了一种新方法。研究所得成果为混凝土坝变形预测提供参考依据。     

基于APSO和TWSVM的特高拱坝变形预测模型

为挖掘混凝土大坝变形监测数据与各影响因素之间复杂的非线性关系,提高特高拱坝变形预测精度,在孪生支持向量机(TWSVM)模型基础上,引入位置因子与速度因子,运用自适应粒子群优化(APSO)算法进行参数优化,构建了特高拱坝变形的APSO-TWSVM预测模型。实例验证结果表明,该模型可有效挖掘拱坝变形与影响因子间复杂的非线性关系,模型运算速度和精度均比传统SVM模型有明显提升。     

最小二乘支持向量机模型在大坝监测中的应用

提出了一种基于混沌时间序列的最小二乘支持向量机预测方法,该方法的依据是相空间重构技术以及最小二乘支持向量机模型(LS_SVM)。阐述了基于混沌时间序列的最小二乘支持向量机模型的算法步骤,并指出该模型的评价指标为平均绝对误差(MAE)以及预测均方误差(PMSE)。利用该模型对某混凝土大坝5#坝段102号测点的垂直位移进行了预测,结果表明:基于混沌时间序列的LS_SVM模型的预测性能较好,能够很好地体现出模型的实际应用能力;模型的拟合及预报结果能够满足精度要求,与回归模型相比具有预测结果精度较高的优点。     

基于贝叶斯优化LightGBM的大坝变形预测模型

为了解决大坝变形预测模型易陷入局部最优及不适用大规模数据等问题,采用一种快速高效的基于决策树的梯度提升框架LightGBM,并结合全局优化算法——贝叶斯优化进行大坝变形预测。为验证模型适用性,以两座实际混凝土坝工程为例分析,并与多元线性回归、支持向量回归机和多层神经网络等预测结果进行比较。结果表明,该模型均方根误差(RMSE)和平均绝对误差(MAE)等指标均优于其他方法,验证了该模型的可行性及优越性。LightGBM可对输入参数的重要性进行评估,对影响大坝变形的特征进行筛选,从而确定对大坝变形影响更显著的因素,为后续的安全评估工作提供参考。     

基于深度神经网络的高位滑坡范围预测

以贵州尖山营滑坡为工程背景,通过对深度学习的总结与分析,建立多层感知器模型以对该滑坡危险区范围进行非线性预测研究。通过对深度神经网络算法的优化,构建64-128-32-1四层多层感知器模型,并以滑坡最大高差、滑坡体积、滑源区坡度、坡脚坡度、地层倾角作为输入量,以滑坡最大水平运动距离作为输出量对该模型进行训练,实现影响因素与运动距离的非线性映射。根据对贵州省尖山营滑坡调查和研究,尖山营滑坡区域面积约648 700 m2,体积约1 200万 m3,属于特大型滑坡。依据最优模型对该滑坡进行滑距预测,滑坡平面直线距离1 769 m区域内为危险区域。     

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。     

基于Shapley值的西安市生活需水量组合预测研究

利用等维灰数递补法、非线性回归、广义回归神经网络等3种方法进行了西安市生活需水量预测,比较了不同方法的预测误差,然后根据各种方法对总预测值的信息贡献能力形成Shapley值组合需水量预测方法,计算了不同预测方法的Shapley值及其组合权重,形成组合预测需水量模型。预测结果表明:组合方法误差曲线平缓、平均误差值较小,具有一定的预测精度,适用于需水量的中短期预测。     

沉降预测模型在高填方路堤中的应用研究

针对两种较为常用的路堤沉降预测模型——泊松曲线模型与灰色理论模型,结合高填方路堤的实测结果对高填方路堤中的沉降预测机理进行研究。得出二者均能够较好地预测路堤的沉降变形情况,其中以灰色理论模型拟合效果更佳;灰色理论模型预测的最终沉降量显示路堤中心线处为0．199m,路肩处为0．182m。     

基于遗传2神经网络的实时水质预测模型

基于高频水质在线监测数据, 结合遗传算法和神经网络模型, 建立基于遗传-神经网络( Improved Genetic Algorithm-Back Propagation Neural Network, IGA2BPNN) 的河流水质预测模型, 实现对河流水质的实时预测预警。 将该方法应用于美国波托马克河流中, 对其水质参数浊度( TURB) 和电导率( SC) 进行实时预测, 并对预测结果进行 性能分析, 以验证基于 IGA2BPNN 的河流水质预测模型的准确性与可靠性。与 BPNN 模型的水质预测结果进行对 比分析, 结果表明: IGA2BPNN 模型对水质参数 TURB 和 SC 有更准确的预测效果。同时, IGA2BPNN 模型对正常 平稳条件下的水质参数 TURB 和 SC 预测结果的区间覆盖率 PICP 分别为 99.81% 和 100% , 预测结果具有一定的 可靠性。IGA2BPNN 水质预测模型可以有效地识别长时间的水质异常或瞬时显著的水质变化情况, 可实现对河流 水质的风险预警, 最终可为河流突发水污染的应急处置措施的制定提供科学依据。     

滑坡灾害空间预测方法研究综述

滑坡灾害空间预测是对滑坡可能发生的空间位置的预测,目前已形成了多种结合GIS制图的空间预测方法。介绍了国内外多种常用的空间预测方法,结合实际应用对比了不同方法的特点及其适用性,认为确定性模型物理力学意义明确,但假设条件与所需参数类型较多;统计预测方法相对简单,应用广泛,但难以描述滑坡与相关因素之间的非线性关系;模式识别模型适用于非线性问题,但也存在计算耗时,参数难以确定和噪声影响等问题;模糊综合评判更适用于单体滑坡的评价。尽管空间预测模型朝着越来越复杂的方向发展,但预测研究必须建立在坚实的地质分析基础上。针对目前空间预测效果检验常用已发生的滑坡位置与预测结果重合度作为评判标准,认为采用不稳定斜坡和有复活迹象的古滑坡作为检验样本更为合理。大型复杂单体滑坡需要高精度的空间预测评价,针对不同单体滑坡建立确定性模型是更可行的方式。     

拓扑灰预测模型在河川径流量预测中的应用

运用拓扑灰预测模型对河川径流量进行预测,以沂河为例,进行验证分析,结果表明模型的拟合效果好,估值具有很高的精确性和可靠性,适宜于对河川径流量进行预测。     

拓扑灰预测模型在河川径流量预测中的应用

运用拓扑灰预测模型对河川径流量进行预测,以沂河为例,进行验证分析,结果表明模型的拟合效果好,估值具有很高的精确性和可靠性,适宜于对河川径流量进行预测.     

基于分位点回归模型的洪水概率预报方法

采用分位点回归模型分析洪水预报的不确定性, 提供洪水预报倾向值( 预报概率分布的中位数) 和 90% 置信度的预报区间成果, 实现了洪水概率预报。基于/ 精度2可靠性0 联合评价指标对分位点回归模型计算的预报倾向值 和预报区间成果进行了评估。在信江流域梅港站的应用结果表明: 基于分位点回归模型提供的倾向值定值预报结 果可进一步提升洪水预报的精度; 同时该模型提供的 90% 预报区间结果具有较高的覆盖率( 约 90% ) 且离散度较小 ( 小于 01 20) , 表明预报区间以较窄的宽度包含了绝大多数的实测值, 预报可靠性较强。     

水泥的化学收缩研究

化学收缩是混凝土产生收缩裂缝的基本原因之一。研究水泥的化学收缩及其预测模型对研究混凝土的体积稳定性,提高混凝土的抗裂性能有重要的意义。采用自制的化学收缩试验装置对3种常用水泥的化学收缩进行了试验研究,提出了水泥最终化学收缩值的计算方法及化学收缩的预测模型,模型的预测值与测试值吻合得很好,对工程实践和科学研究具有指导和参考作用。