基于混沌理论的混凝土裂缝开合度改进混合预测模型

针对传统混凝土裂缝开合度统计模型对温度非线性因素和残差特性考虑不足导致预测效果不佳的问题,首先考虑温度非线性因素,建立裂缝开合度改进统计模型,进而借助混沌理论与相空间重构理论对改进统计模型的残差时间序列进行混沌特性分析与相空间重构,采用遗传算法优化的BP人工神经网络对残差进行预测,最后集成获得改进混合预测模型对混凝土裂缝开合度进行预测。结合某泄水闸检修门库裂缝实测开合度,对比分析了传统统计模型、改进统计模型和改进混合预测模型的预测效果。结果表明：改进混合预测模型的预测误差更小,能有效改善裂缝开合度的预测效果。     

基于混沌时间序列的大坝变形短期预测

将混沌时间序列预测理论应用到大坝变形预测中，根据非线性大坝变形时间序列，运用相空间重构理论，建立了加权一阶局域法、基于最大Lyapunov指数法大坝预测模型，对混沌的大坝变形数据短期预测模型进行了研究，对比分析了各自的特点，并结合实例完成了对大坝变形的预测。计算分析表明，该模型预测误差较小，与传统的自回归模型预测结果相比，基于混沌时间序列的预测方法在大坝变形的短期预测中具有更高的精度。     

加权一阶局域法在边坡位移预测中的应用研究

目前,常用的变形预测分析方法有[1]:确定函数法、统计回归分析法、混沌时间序列分析法等.其中混沌时间序列分析法可以在未直接考虑引起位移变形的有关随机因素的条件下,对历史观测数据进行重构相空间处理,建模比较简单、计算量小、预测精度较高. 研究建立了加权一阶局域法多步预报模型,运用Matlab6.5编制了计算程序,并利用预报模型进行了典型混沌系统的预测和水利工程高边坡位移预测,取得了较好的预测效果.     

加权一阶局域法在边坡位移预测中的应用研究

目前，常用的变形预测分析方法有：确定函数法、统计回归分析法、混沌时间序列分析法等。其中混沌时间序列分析法可以在未直接考虑引起位移变形的有关随机因素的条件下，对历史观测数据进行重构相空间处理，建模比较简单、计算量小、预测精度较高。研究建立了加权一阶局域法多步预报模型，运用Matlab6，5编制了计算程序，并利用预报模型进行了典型混沌系统的预测和水利工程高边坡位移预测，取得了较好的预测效果。     

用"探索性数据"分析优选预测模型的研究

 为了从三峡工程大量安全监测数据中,找出内在变化规律,建立一个能客观预测键建筑部位变形及应力、应变情况的数学模型,采用"探索性数据"分析法即类比优选法对预测模型的构建进行了研究。以三峡二期上游围堰第一道防渗墙为例,用多元回归、灰色模型、时间序列统计方法构造了3种预测模型,通过对预测模型的计算值及实测值进行对比分析,可以看出：多元非线性回归模型的残差较小,计算结果的拟合程度及模型反映的规律性均较好;时间序列模型次之;灰色模型的拟合程度及残差均偏离较大。实测数据检验表明,回归模型预测效果较好,其测值在预报范围内的可能性为95%,为此,选定多元非线性回归模型为预测模型。     

混凝土裂缝开度混合预测模型

分析了传统统计预测模型的不足,研究了统计与混沌混合预测模型建模的一般原理,提出了一种混凝土坝裂缝开度的统计与混沌混合预测模型,利用紧支柱径向基函数对该模型进行了实现,结合实例对这种混合预测模型进行了检验,实例分析表明,该模型预测精度较高,具有一定实用性.     

混沌时间序列的伏尔托拉滤波器在大坝监测分析中的应用

基于混沌动力系统相空间的重构，对大坝变形回归模型的残差序列采用二阶伏尔托拉(Volterra)滤波器建立模型，将回归模型与Volterra滤波器模型相结合，进行大坝变形观测数据的拟合与预报。应用实例表明，应用二阶Volterra滤波器对具有混沌成分的回归模型残差时序列进行分析，可以有效地提高拟合精度和预报精度。     

基于信息粒化和支持向量机的风功率预测

基于信息粒化和支持向量机对大型风电场的输出功率进行短期预测,利用国内某大型风电场的实测输出功率数据进行回归预测模型的构建,应用结果表明:小样本情况下有效克服了传统的时间序列模型仅是单一线性模型的缺点,该方法可以有效的预测大型风电场的输出功率变化范围。     

基于Ito随机微分方程大坝实时性态预测方法

针对大坝实时性态预测方法精度,首先基于Ito随机微分方程对某坝的多年扬压力监测极值建立GM(1,1)了实测序列预测模型,并根据建立模型的残差序列构建了Markov残差模型,其次对比分析了GM(1,1)残差预测模型和Markov残差模型。最后,综合GM(1,1)模型和Markov残差模型建立灰色Markov模型,并利用灰色Markov模型预测扬压力的极大值。计算结果表明,建立的灰色Markov模型不仅能提高预报精度还能真实地反映其过程的摆动性。     

基于RBF-Markov串联模型的危岩裂缝变形预测

基于危岩裂缝变形的渐变性及随机性,将径向基网络(RBF)预测模型与马尔科夫(Markov)概率转移模型结合起来,建立危岩裂缝变形的RBF-Markov串联预测模型.该串联模型主要是在RBF模型中输入已有数据进行训练,通过相应的径向基函数输出拟合结果,然后对拟合结果与实测值的残差进行分类,运用Markov概率转移模型计算出未来k步时间序列的相对误差,当输入最近的实测值,结合RBF模型预测值及Markov残差修正值可实现对危岩裂缝变形的最终预测.经忠武管道张家沟C1危岩裂缝变形实例验证,该串联模型既充分发挥了RBF模型反映裂缝历史发展趋势的特点,又考虑了Markov模型反映随机波动性对变形预测的影响.结果表明:串联模型具有预测精度高、收敛快等优点,且短期预测效果较好,为危岩裂缝的短期变形预测提供了新的途径.     

基于优化经验模态分解和最小二乘支持向量机的边坡位移预测

我国库岸滑坡灾害频发,采用高精度优化算法对边坡位移时间序列进行预测对防灾减灾具有重要意义。边坡位移时间序列通常表现出高度非线性特征,传统模型难以对其进行准确预测。为此,本文提出一种基于优化经验模态分解和最小二乘支持向量机的边坡位移时间序列预测模型。该模型采用基于软筛分停止准则的经验模态分解（SSSC-EMD）,可自适应地将边坡位移时间序列分解为多个本征模态分量和1 个残余分量。将残余分量定义为趋势项;通过K-means 聚类方法对分量进行聚类,将其定义为周期项和随机项。采用最小二乘法对趋势项进行预测;建立最小二乘支持向量机回归（LSSVM）模型对周期项和随机项进行预测。将各预测值累加求和,即得到累计位移预测值。以山口岩大坝为例,采用SSSCEMD-LSSVM 模型对厂址边坡位移时间序列进行预测。结果表明：模型能够有效预测位移时间序列,精度优于传统BP 神经网络和LSSVM 模型。     

柴河水库大坝坝基渗流监测数据研究

柴河水库大坝右坝段坝基存在渗漏问题,为了水库大坝的安全建设和运行对大坝监测数据进行研究非常重要。采用逐步回归分析法对大坝坝基测压管多年监测数据建立了统计回归分析模型,计算结果表明,观测值与拟合值统计复相关系数较大,估计标准误差较小,模型有效地反映了坝基渗流的变化规律和发展趋势。为了监控大坝的安全运行和辅助决策,利用小波神经网络建立了有效的坝基渗流量预测模型,计算结果表明,该预测模型收敛速度较快、预测精度较高,能正确地模拟和预测大坝的渗流量。     

大坝变形的小波-云预测模型

大坝变形原始观测信号可视为真实信号与白噪声的叠加。为实现对大坝变形的有效预测,将小波去噪与云模型相结合,提出一种大坝变形时间序列分析的小波-云预测模型。首先利用小波多分辨分析特点,分解出大坝原始变形时间序列中的真实信号项及噪声项;其次,创建变形预测的云模型语言规则,利用最大隶属度原则,确定被预测变形所属的规则前件及相应的历史云,结合历史云与被预测变形所在的当前云生成预测云;最后,以对某实际大坝进行变形预测为例,比较了传统统计模型、云模型和小波-云模型的预测精度。结果表明:所提出的小波-云预测模型能够提供更准确的预测结果,能够为大坝的安全运行提供有效依据。     

非平稳时间序列法在特殊裂缝观测资料分析中的应用

根据大坝裂缝开度实测资料的特点，将裂缝开度{Xt}看成一系列时刻t1,t2,…，tn得到的时间序列，采用基于滑动平衡模型MA（q）的非平稳时间序列法，对其进行模型识别，参数估计和新息预报。通过概率分布函数对其规律性进行统计描述，克服了常规回归分析方法的不足，计算结果表明，该方法预报精度高，是一种行之有效的方法。     

混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型

混凝土坝的总变形可以归结为由水压和温度变化引起的变形以及随时间发展的变形。其中,水压变形和温度变形体现为总变形中的周期性分量,而时效变形体现为总变形中的趋势性分量。借助复合建模思想,提出一种混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型。首先利用小波多分辨分析功能,分解出大坝变形时间序列中的趋势性项、周期性项;其次,运用EGM模型实现对趋势性项的有效预测,采用周期外延模型实现对周期性项的有效预测,在此基础上,利用ARIMA模型实现对EGM模型和周期外延模型残差项的有效预测;最后通过某工程实例,检验所提出模型的有效性。计算结果表明:该组合模型充分考虑大坝各变形分量的变化规律,并基于此,实现对大坝变形时间序列有效的拟合和预测,且其拟合和预测精度均明显优于传统统计模型。     

大坝变形的小波分析与ARMA预测模型

大坝变形观测资料可视为非平稳时间序列,从影响大坝变形规律的因素出发,可将其分解为主值函数项、周期函数项和改进后的平稳时间序列。其中主值函数项采用逐步回归法拟合,针对时效因子采用半经验公式无法准确拟合实际变化情况,采用小波分析法将序列分解为低频和高频两部分信号,其中低频部分代表时效等因素影响的变形趋势;高频部分代表水位、温度等影响的变化规律,应用时间序列原理分别建立变形预测ARMA（p,q）模型,从而在现有水位、温度观测资料下预测坝体未来的变形趋势。实例计算结果表明,结合小波分析的时间序列法建立的预测模型,预测精度高于统计回归分析,预测效果良好,可作为一种有效方法应用于大坝变形预测中。     

基于PSO-SVM的大坝渗流监测时间序列非线性预报模型

大坝渗流监测分析是大坝安全监控的重要内容，预测分析的难点之一在于渗流监测数据往往具有复杂的非线性特点。本文充分利用支持向量机的结构风险最小化与粒子群算法快速全局优化的特点，采用粒子群算法快速优化支持向量机的模型参数，通过该模型对非线性监测数据进行拟合，建立了基于PSO_SVM的大坝渗流监测的时间序列非线性预报模型。本模型应用于隔河岩水电站的坝基渗流量的预测，计算结果与实际监测值吻合良好。     

ABC-RBF神经网络在平板坝裂缝开合度监测中的应用

为提高混凝土平板坝裂缝开合度预测精度,针对混凝土平板坝裂缝开合度监测序列呈非线性以及周期性变化的特点,将基于EMD分解优化的ABC-RBF神经网络模型应用于混凝土平板坝裂缝开合度安全监测中,对比分析普通RBF和ABC-RBF神经网络模型。结果表明,ABC-RBF神经网络模型预测误差相对较小,可用于分析混凝土平板坝裂缝开合度的安全监测。