GM(1,1)模型在大坝沉降预测中的应用

针对某水库大坝实际情况,提出在现有沉降观测数据的基础上,运用灰色理论的方法,建立GM(1,1)模型。通过数值试验确定模型最佳维数后,采取淘汰过于陈旧的数据信息、补充新观测数据的方法,即建立GM(1,1)等维新息模型,用以预测该大坝的沉降量,分析结果表明:GM(1,1)等维新息模型能较好地预测该大坝的沉降发展趋势。     

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。     

用引入时间参量的DGM(1,1)模型预测大坝沉降

针对传统灰色模型的预测稳定性缺陷,以及实际水利工程中监测数据采集不等时距的特点,提出了引入时间参量的离散灰色预测模型DGM(1,1)的建模方法。该方法在原离散模型的基础上,引入时间累积量修正模型参数,以此反映出数据的不等时距性以及时效性。通过对糯扎渡大坝心墙沉降观测数据的建模分析,将分析结果与另一模型的拟合和预测结果进行比较,证明新模型具有较高的预测精度。     

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。     

Hyperbola-Logistic叠加模型预测地基沉降

针对Hyperbola模型和Logistic模型的优缺点,提出Hyperbola-Logistic叠加模型,该叠加模型综合了两种单项预测模型的优点,以期达到高精度的预测结果。结合发电厂地基沉降现场观测数据,利用Hyperbola-Logistic叠加模型预测地基沉降,并与单项沉降预测模型的拟合结果进行比较分析。结果表明:与两种单项预测模型的预测结果相比较,叠加模型减小了系统误差,提高了整体的预测精度,拟合结果可靠,适用于发电厂地基沉降量的预测。新模型具有一定的适用性,是一种分析预测地基沉降的有效方法。     

软基沉降预测模型的比较分析与应用

公路软基沉降预测是目前高速发展的软土地区公路建设中亟待解决的一大技术难题,预测模型也有多种,预测精度不尽相同。对工程中基于经验公式法预测沉降的传统模型(指数模型、双曲线模型)和成长曲线模型(Logistic模型、Gompertz模型、Weibull模型)给予介绍,并分别对各模型进行了数学比较分析。结果表明:传统模型不能利用施工期间的观测数据,只能用工后资料预测工后沉降,且对工后资料的要求较高;成长曲线模型能较好的反映沉降全过程的变化规律。Weibull模型较其它两种成长模型有较广泛的适应性,其对沉降的预测与实际吻合较好。     

基于新维BP神经网络-马尔科夫链模型的大坝沉降预测

基于组合预测思想,结合BP神经网络和马尔科夫链2种预测方法,构建了一种新维BP神经网络-马尔科夫链大坝沉降预测模型。通过对训练样本的学习,利用新维改进的BP神经网络算法实现了对沉降位移时间序列的滚动预测。在此基础上,借助马尔科夫链模型对其随机扰动误差进行修正,有效地提高了预测结果的精度。将构建的组合模型应用于长洲大坝船闸控制楼沉降位移时序预测中,研究结果表明该模型预测精度较高、可靠性好,提高了模型的中长期预测能力,为大坝沉降预测提供了一种有效的新方法。     

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。     

基于小波去噪的高斯过程回归模型在面板堆石坝沉降预测中的应用研究

引起面板堆石坝沉降变形的环境因素复杂,观测数据呈现出明显的噪声干扰特性,限制了数学模型拟合及预测的精度。对原始信号进行小波变换可有效分解其中的有用信号和噪声,因此,引入小波变换理论建立了基于小波阈值去噪的数学模型,并对面板堆石坝（CFRD）的沉降变形实测数据实施去噪,再对去噪后的数据进行高斯过程回归（GPR）,建立了预测堆石坝沉降变形的模型。依托CFRD的实测沉降变形资料,采用Wavelet-GPR模型对大坝沉降进行了拟合与预测,并与未进行去噪的GPR模型计算结果进行对比。结果表明：Wavelet-GPR模型观测值与预测值的残差符合正态分布,去噪后学习段的均方根误差（RMSE）由0.928 7 mm减小至0.457 7 mm,平均绝对误差（MAE）由0.485 0 mm减小至0.330 6 mm;预测段的RMSE由1.308 9 mm减小至0.917 6 mm,MAE由0.926 3 mm减小至0.730 3 mm;且去噪后模型的样本观测值个数在其预测值95%置信范围内的占比有明显提升。因此,利用小波阈值去噪对实测沉降数据进行降噪处理能够降低噪声导致的数据观测值与真实值之间的误差,Wavelet-GPR模型用于预测面板堆石坝的沉降变形具有实用性与可靠性。     

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。     

沉降预测广义Usher模型参数确定的优化算法

为提高软土路基沉降预测精度,将用于资源预测的广义Usher模型引入软土路基沉降预测中;基于最小二乘原理,利用差分进化算法优化求解模型结构参数。分析表明,广义Usher模型包含了目前用于沉降预测的指数曲线模型、Logistic模型、Gompertz模型、Bertalanffy模型、Weibull模型、Usher模型共6种沉降预测模型,该模型具有更强大的可塑性和适应性。实例计算结果表明,经差分进化算法优化的广义Usher模型用于沉降预测效果良好,比Logistic模型、Gompertz模型、Bertalanffy模型、Usher模型这几种沉降预测模型具有更高的预测精度,可供工程应用参考。     

基于EEMD-PCA-ARIMA模型的大坝变形预测

针对大坝观测数据中存在的噪声容易掩盖实际变形曲线走势的问题,提出一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和自回归移动平均模型(ARIMA)的大坝变形预测方法。通过对观测数据进行EEMD和PCA,从而构建映射矩阵,然后利用映射矩阵对原始数据构建的样本矩阵进行转换,实现消噪效果,进而对处理后的观测数据进行ARIMA建模预测,据此构建EEMD-PCA-ARIMA模型。依据所提出的模型对实际大坝坝顶水平位移观测数据进行预测分析,并与实测数据和经直接去掉高频分量消噪后的ARIMA预测模型、ARIMA预测模型、BP神经网络模型预测模型进行对比分析。结果表明:此方法能够更好地获取大坝的实际变形曲线,对于大坝变形预测而言是一种有效的方法。     

基于 GIS 的沉降监测数据分析方法研究

以某大坝蓄水期间的沉降数据为例,应用 GIS 专业软件中的空间分析和三维分析模块,对观测数据进行综合处理和分析,利用 TIN 模型建立多期大坝沉降三维模拟图,并和其他监测指标进行对比分析。结果表明：通过 GIS 软件生成的沉降专题地图和统计图表比传统方法更快捷、简单、准确,信息量更丰富;沉降三维模拟图更直观、生动、逼真,可及时、有效地将沉降信息和变形情况反映给项目决策者和施工人员以提高作业效率和精度,从而为整个工程提供技术支持和决策依据,是一种快速、准确表达沉降观测成果的有效方法。     

基于小波包-卡尔曼的大坝变形数据处理研究

采用小波分析和卡尔曼滤波相结合的方法对乌鲁瓦提大坝变形数据进行处理,对比分析了小波分解与重构和小波包分解与重构后的结果,提前滤除了原始观测信号中的大部分高频噪声和粗差等,再运用小波与小波包和标准卡尔曼滤波相结合的模型对数据再次处理,结果表明该模型进一步提高了数据的可靠性和预测的精度。经工程实例分析得出:小波包进行分解与重构的数据残差小,更接近原始测值,有更高的应用价值;小波包卡尔曼组合模型对提高大坝监测数据分析的精准度优于小波和卡尔曼相结合的模型。     

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。     

基于时间序列的大坝早期变形预测

大坝早期变形是一个含有已知和未知因素的不确定的复杂过程,沉降变形计算和预测在水库运营管理中具有重要意义。针对大坝变形沉降曲线非平稳的特性,利用时间序列原理建模进行预测,并与实测数据进行比较。结果表明,时间序列预报模型较好地描述了变形监测点的变化规律,预测精度优于灰色模型,更适用于实际应用。     

大坝沉降变形的灰色分析方法

用灰色理论建立了大坝沉降变形的GM(1,1)预测模型,分析了观测数据列长度、观测时间的不等步长性、数据累加方式等对建模和预测精度的影响,考虑了荷载变化对沉降过程的影响和处理方法,探讨了灰色等维预测模型维数尺度的确定原则和精度标准。     

基于统计模型的高心墙堆石坝沉降变形研究

通过研究大坝沉降的统计模型,结合某高心墙堆石坝的实际工程概况,确定了坝体沉降变化的主要影响因子,在此基础上建立满足该大坝沉降规律的统计模型,采用多元回归分析方法确定了坝体典型剖面上测点的沉降模型,运用建立的沉降模型对测点沉降变化进行拟合和预测,验证了建立沉降模型的有效性。同时对各测点的观测值进行分离,进而定量分析填筑、水压和时效分量对坝体沉降的影响作用。     

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。     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。