考虑时间序列关联的大坝监测异常数据清洗

针对传统大坝安全监测中异常数据清洗方法主要分析单一监测效应量,较难区分粗差和环境突变引起的异常值,提出一种利用关联规则约束和引导大坝安全监测异常数据清洗方法。首先,通过关联规则辨识强关联性序列,结合基于密度的聚类算法识别序列中异常数据;然后,根据关联序列异常数据清洗规则,辨识大坝安全监测中粗差数据,并利用基于粒子群优化最小二乘支持向量机模型重构异常数据。最后,对大坝典型位移量数据进行异常数据清洗。结果表明:该方法能够甄别监测效应量中环境突变引起的异常值,提高了大坝安全监测数据中数据清洗的准确性。     

基于相空间重构的大坝服役性态小波支持向量机预测模型

通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。     

基于图像处理技术的大坝监测数据粗差识别

为实现大坝长久稳定的安全服役, 避免监测资料中的粗差对大坝安全监测结果产生影响, 需要对监测数据中的粗差进行剔除。由于目前的粗差识别方法依旧会造成粗差漏判、误判情况的发生, 通过模仿人工识别数据粗差的过程, 运用程序设计语言, 提出一种基于图像处理技术的自动化粗差识别方法。首先对依据监测数据绘制出的散点图进行高斯模糊和二值化处理, 再提取主要趋势线, 最后识别出监测数据中的粗差点并进行剔除。选取某实际工程大坝监测资料, 运用该方法对其进行粗差识别, 并与传统 3R 识别准则的粗差识别效果进行对比。算例结果表明: 该方法对数据粗差的识别效果更加显著, 避免了粗差漏判情况的发生, 对粗差的剔除更彻底; 利用该方法识别后得到的统计模型复相关系数为 0.999, 标准差为 0.192, 模型精度更高, 也更符合工程实际情况。因此, 该方法具有一定的工程应用前景和实用价值。     

基于Apriori和GP-XGBoost的特高拱坝变形缺失数据填补方法

变形监测数据作为特高拱坝服役性态最直观的表征,蕴藏着丰富的时空信息和演变规律,对工程长治久安意义重大。然而,多源多维的变形监测数据受仪器本身及外界因素影响,往往存在数据缺失的现象,会对接下来的数据分析工作造成干扰。针对大坝变形监测序列中的缺失数据,基于Apriori关联规则算法挖掘测点变形在空间维度上的关联性,得到目标测点的强关联测点,随后以强关联测点的变形监测数据作为输入样本,利用贝叶斯优化的XGBoost回归模型填补了目标测点的空缺变形监测序列。结合锦屏一级特高拱坝工程实例表明,该填补方法实现了变形监测空缺信息的高效、精准填补,可用于类似大坝工程的变形缺失数据填补。     

基于多测点云相似的混凝土坝变形性态关联分析

大型混凝土坝的安全监测测点数量多、布置广泛,海量监测数据给及时准确分析评估大坝安全性态带来困难,为此引入云模型理论对变形监测资料表征混凝土坝性态的差异性及关联性进行分析。将大坝每个测点的监测数据视为一个云,单个测值视为云滴,进行云参数计算获取测值序列的云数字特征,进而通过多测点的云参数,计算测点之间的相似度和相似系数,用以表征不同测点反映大坝整体变形状态的差异和相关性。实例分析表明,云相似度能够迅速发现同类坝段中的异常测点,通过云相似系数的聚类分析实现测点分组,在实现大坝变形性态关联分析的同时,测点分组管理可有效提高监测数据分析效率。     

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。     

基于Prophet-GMM的大坝监测数据异常检测算法

大坝监测数据受环境等因素影响,往往存在异常数据,异常数据的检测对于大坝的正常运行起着不可或缺的作用,但是传统异常检测算法对于大坝监测数据往往达不到精度要求。提出了一种基于Prophet-GMM的异常检测算法,利用Prophet算法较好的拟合性能对大坝数据进行拟合,由拟合数据与实测数据求残差序列,再利用GMM算法对残差序列进行聚类,从而准确识别出异常值。结果表明：Prophet-GMM法对于不同类型的大坝监测数据都能准确识别出异常值,与传统检测算法相比,在查准率、查全率及准确率3个检测指标上,均有较为明显的提升。     

基于关联规则的大坝变形性态预判模型

为剖析大坝变形与其影响因子间的关联模式,合理构建大坝变形性态预判模型,通过引入关联规则算法,对监测数据进行挖掘,构建关联规则库;然后利用库中的关联规则进行大坝变形性态预判;针对因关联规则前端影响因子数量不同而引起的预测精度下降问题,用影响因子与变形量间的关联度改进关联规则算法中的重要参数(最小支持度和最小置信度),以提...     

基于卷积神经网络的大坝安全监测数据异常识别

为了减轻大坝安全监测数据异常识别的数据处理压力,解决传统方法难以辨别非最值异常点的问题,提出利用卷积神经网络(CNN)识别大坝安全监测数据异常模式。监测数据过程线的周期性及异常值的显著差别使CNN得以发挥图像分类功能,分别将存在单个突跳点、无异常、存在震荡段、台阶、多个突跳点、台坎的监测数据过程线作为6类图像,人工生成65 000张训练数据及6 500张测试数据,6类图像的数量比为1∶1.5∶1∶1∶1∶1。利用CNN对混合6种过程线图像的测试数据集进行图像分类,总体准确率为0.973 1,且6种图像的准确率都至少为0.93。进一步对CNN进行改进,构建CNN监测数据异常识别模型,增加数据异常位置搜索功能;模型输入为监测数据过程线图像,输出为图像编号、图像类别及异常位置。研究成果有助于实现大坝自动、及时预警,及时了解大坝安全状况。     

大坝多测点异常性态Bayes融合诊断模型

现有的单测点监测数学模型在反映大坝整体结构性态和诊断大坝异常现象等方面存在不足,有必要将多个测点的监测资料有机地联系起来进行建模。利用数据融合技术中的Bayes理论,以方差为特征参数,建立了多测点异常性态融合诊断模型,提出了多测点异常性态融合诊断准则,并给出了一个工程实例。研究表明:基于Bayes理论的多测点融合模型为大坝整体性态的定量描述和异常测点的分析诊断提供了一条有效的新途径。     

基于M-ELM的大坝变形安全监控模型

针对大坝变形监测数据存在的非线性强、异常值诊断和剔除工作复杂及传统监控模型抗粗差能力差等问题,结合稳健估计理论抗粗差性强和极限学习机在处理非线性问题方面的优势,建立了基于稳健估计极限学习机的大坝变形安全监控模型。试验确定网络隐含层层数,构建4次方损失函数,采用加权最小二乘法计算输出权值,实现原始监测数据的拟合和预测。以某工程大坝变形监测数据为例进行建模分析,结果表明:以反映模型预测精度的均方误差和平均绝对百分误差及反映模型鲁棒性的中位数绝对偏差作为评价指标,基于稳健估计极限学习机的大坝变形安全监控模型的各项指标明显优于对比模型。     

基于面板数据分析方法的混凝土拱坝变形数据时空聚类模型

变形数据可以直接表征混凝土拱坝安全状况,但传统变形分析一般仅针对单个监测点,不同监测点之间变形的相似和关联性质仍有待挖掘。基于时空数据挖掘领域的聚类方法,分析混凝土拱坝变形序列的变化过程,提取变形序列的相似性特征;提出混凝土拱坝变形数据不同时间截面、不同测点变形序列的绝对距离、增量距离、增速距离3种相似性指标及相应的综合距离指标,由此定量分析变形时间截面和变形空间测点的相似程度;利用Ward联结聚类方法,对混凝土坝变形时段及相应变形区域进行划分;在此基础上,建立基于面板数据分析方法的高混凝土坝变形测点聚类分析模型,并结合工程实例,验证时空聚类模型的聚类效果。结果表明所提出的聚类相似性指标合理,时空聚类模型便捷、有效,可用于研究大坝相时段变形状态。     

一种空间误差模型在混凝土拱坝变形预测中的应用

混凝土拱坝作为一种高次超静定结构,具有较强的自适应性和整体性,但传统混凝土拱坝变形统计模型主要考察单个测点的变形序列,不能体现不同测点之间的相互作用。基于传统混凝土拱坝变形统计模型,用空间计量方法挖掘了拱坝不同测点同一时刻误差项空间面板数据的空间关联特性;进一步采用空间面板自回归模型拟合变形序列误差项面板数据,建立了混凝土拱坝变形预测空间误差模型。小湾拱坝坝体34个监测点水平向变形监测序列分析结果表明:误差面板数据之间存在很强的正空间关联性质,空间误差模型的预测效果优于传统统计模型,具有一定应用前景。     

拱坝变形监测预报的随机森林模型及应用

大坝变形预报对大坝运行安全评估起着至关重要的作用。传统模型预报精度不够、模拟效果不稳定;若大坝变形数据有异常值时,传统机器算法模型识别和处理异常值的灵活性很小,导致预报结果有偏差。为了解决这些问题,首次将随机森林算法运用到大坝变形监测领域,将大坝测点根据随机森林相似性矩阵分成若干个子集,针对每一个子集建立随机森林预测模型,分区建立预测模型更符合工程实际情况。选取拱坝变形作为研究对象,验证所建模型的适用性。结果表明,根据随机森林的相似性矩阵对大坝各测点的分区情况符合物理和工程实际意义,对各分区子集测点利用随机森林模型建立的预测模型,与支持向量机、BP神经网络模型相比,预测结果精度较高、模型稳定性好,为大坝变形监测提供了新思路。     

基于最大熵和云模型的RCC坝变形监控指标拟定

变形监控指标是评估和监测大坝安全的重要指标。以高寒地区某碾压混凝土重力坝的挡水坝段为例,首先引入改进的快速Myriad滤波法对大坝变形监测数据进行预处理,然后采用最大熵法和云模型法拟定大坝运行期变形监控指标,最后探讨了异常概率与云模型弱外围元素对定性概念贡献率之间的联系。实例分析表明,虽然云模型法按3E_n原则拟定的变形监控指标与最大熵法按照异常概率为1%与5%拟定的变形监控指标存在一定差异,但在监测时段内大坝实测变形最大值均小于两种方法拟定的变形监控指标,由于两者均通过数字特征值进行计算,包含的主观成分少,拟定的变形监控指标更可信;采用云模型中的弱外围元素拟定的变形监控指标与异常概率2.15%时的变形监控指标较接近,云模型弱外围元素对定性概念贡献率的计算可以为变形监控指标拟定的异常概率确定提供参考。     

模糊聚类法在大坝监测资料分析中的应用

为了解模糊聚类法在大坝监测资料分析中应用的适宜性,利用该法对水布垭面板堆石坝2013年面板挠度变形监测数据开展了研究。首先将监测管道划分为若干监测点,运用模糊聚类分析法对监测点进行分类,并采用F统计量评价聚类效果以确定最佳分类,对分类结果进行分析比较,可确定关键的面板变形监控点。随后建立面板挠度变形统计模型,考虑上游水深、温度、时效等因素,利用多元逐步回归分析法对关键点监测数据进行预报拟合。结果表明,利用模糊聚类分析法处理大坝监测数据具有便捷、高效的优点,模型预报结果拟合度较高。     

基于统计诊断的大坝监测数据合理性检验

基于统计诊断的异常数据划分,并结合大坝监测数据的误差成因,将监测的异常数据划分为随机误差、粗差、系统误差等,并辨识强影响数据。继而基于均值漂移模型,研究不同异常数据的诊断方法,包括以模型扰动值为依据的粗差的t检验法和以模型扰动对拟合参数的影响为依据的强影响数据的Cook距离检验法。以大坝典型位移监测数据为例,采用上述统计诊断方法对原始监测数据进行合理性检验,结果表明可有效辨识误差数据和强影响数据,能提高数据进一步建模分析的准确性。     

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。     

考虑多重共线性影响的特高拱坝时空监控模型

为了解决特高拱坝时空监控模型中因子数目众多、因子之间存在多重共线性以及各测点之间存在空间关联性的问题,基于大坝变形原型监测资料,采用核独立分量分析(KICA)方法提取独立分量,将多个测点信息转化为少数几个综合指标;将提取的独立分量代入利用灰狼优化(GWO)算法优化的支持向量机(SVM)模型,对特高拱坝空间测点进行回归预测,构建了KICA-GWO-SVM特高拱坝时空监控模型。工程实例分析结果表明,KICA-GWO-SVM特高拱坝时空监控模型与多元回归模型、BP模型及SVM模型相比,其非线性表达能力强且性能良好,能够降低多重共线性对大坝变形监测的影响,对特高拱坝变形序列的拟合与预测精度高,可以更加准确全面地表征大坝整体的时空变形性态。