基于最小截平方和估计的混凝土坝变形监测粗差识别方法

粗差识别是混凝土坝安全监测数据预处理中的一项重要工作。结合变形监测统计分析模型,基于Fast-LTS算法,提出一种混凝土坝变形监测粗差最小截平方和估计识别方法。首先,基于最小截平方和估计,建立混凝土坝变形监测统计分析模型,挖潜变形监测序列与环境影响因子间的关系;其次,划分正常测值序列和疑似粗差测值序列,并针对疑似粗差序列,采用数理统计方法,逐一甄别直至判别出所有粗差。工程实例计算分析表明,本文方法粗差识别成功率达100%,远优于拉依达法则、格拉布斯准则与罗曼诺夫斯基准则等传统判别方法。更高的识别成功率,可为混凝土坝变形监测粗差识别提供一种新途径。     

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PCA-SSA-ELM的混凝土坝变形预测模型

混凝土坝变形与环境量之间有着复杂的函数关系,传统统计模型泛化能力较弱,难以处理高维非线性问题。为此,提出了一种基于主成分分析法和麻雀搜索算法优化极限学习机的混凝土坝变形预测模型,该模型通过主成分分析法(PCA)提取环境量中的关键因子作为模型输入变量,采用寻优能力强的麻雀搜索算法(SSA)选取极限学习机(ELM)中的初始输入权重和偏置的最优解。将该PCA-SSA-ELM模型应用到某高拱坝拱冠梁坝段测点径向位移的预测中,并与ELM、BP神经网络模型的计算结果进行对比分析,验证了新模型的有效性。     

基于CEEMDAN-PE-LSTM的混凝土坝变形预测

由于混凝土坝变形监测数据有明显的非线性、非平稳特征,且数据序列包含一定的噪声,容易导致模型预测精度不高。针对上述问题,提出了基于自适应噪声完全集合经验模态分解（CEEMDAN）-排列熵（PE）-长短时记忆神经网络（LSTM）的混凝土坝变形预测模型。利用CEEMDAN对非线性信号的自适应分解能力,将原始变形数据分解为频率不同、复杂度差异明显的一组固有模态函数（IMF）,降低序列中不同尺度信息的相互影响。基于PE算法将复杂度相近的IMF分量进行合并重组。最后,对若干重组序列分别构建LSTM模型进行预测,将预测结果相加得到最终变形预测值。以某混凝土坝水平位移监测数据进行建模分析,结果表明:CEEMDAN-PE-LSTM模型与常规模型相比预测精度显著提高,能更好地对非线性数据序列进行预测。与单一的LSTM模型相比,平均绝对误差、平均绝对百分比误差和均方根误差分别降低了76.43%、75.55%和74.73%,表明该模型通过对原始序列的分解与重组获取不同尺度特征,可以更好地把握非线性、非平稳数据的变化规律,提高预测精度,能有效运用于混凝土坝的变形预测。     

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。     

基于AdaBoost-SVM的混凝土坝变形预测模型

针对混凝土坝变形预测模型中环境量与效应量之间复杂的非线性问题,以及单支持向量机(SVM)模型预测精度不高的问题,提出一种AdaBoost-SVM的混凝土坝变形预测模型,该模型采用结构风险最小化的原则,并借鉴提升算法强化学习的思想,从而提高模型的学习性能,达到增强模型泛化能力和预测精度的目的。结合实例,经过AdaBoost-SVM预测模型对混凝土坝位移原型监测数据进行训练及预测,并将预测结果与单支持向量机模型的预测结果进行对比,结果显示:基于AdaBoost-SVM预测模型得到的均方差为0.5565,平均误差绝对值为0.40,预测精度比单支持向量机模型高出一个数量级;而且相较于单支持向量机预测模型,强化后的模型在预测时段表现出更好的稳定性。该模型综合了提升算法与支持向量机各自的优势,可作为混凝土坝变形预测的一种有效方法。     

基于LSTM的混凝土坝变形预测模型

为提升混凝土坝变形预测的精度,采用具有出色的非线性数据挖掘能力与时间序列长、短期预测性能的长短期记忆网络(LSTM),提出了基于LSTM网络的混凝土坝变形预测模型.实例分析表明,相比于常用的逐步回归、多元回归等方法,基于LSTM网络构建的变形预测模型可有效挖掘大坝变形与影响因子间复杂的非线性关系,模型的建模与预测精度均得以显著提升.     

基于奇异谱分析与PSO优化SVM的混凝土坝变形监控模型

针对混凝土坝自动化变形监测数据存在噪声成分,且变形与环境影响因素间呈现出复杂的非线性关系等问题,提出了基于奇异谱分析(SSA)与粒子群算法(PSO)优化支持向量机(SVM)的混凝土坝变形监控模型。模型利用SSA对实测变形进行分解,提取其蕴含的趋势与周期性成分并对变形加以重构;在此基础上,采用基于PSO优化的SVM对重构变形与环境影响因素间复杂的非线性函数关系进行挖掘。实例验证结果表明,该模型具有较好的拟合与预测精度,可以有效地挖掘实测变形蕴含的数据特征,减小噪声成分对建模精度的影响,具有一定的工程应用价值。     

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...     

大坝变形监测异常数据识别和重构模型

针对混凝土坝变形监测数据中的粗差和异常测值问题,提出了一种数据异常识别和重构模型。模型利用关联规则量化变形序列与水位序列的关联性,将监测数据输入DBSCAN聚类算法寻找异常点,利用关联结果将监测数据异常点分为粗差点与反映大坝性态点两类,保留反映大坝性态点,剔除粗差点,并利用改进的小波神经网络对粗差数据进行重构,保证监测序列完整性。某拱坝变形监测数据验证结果表明,该模型可以准确识别监测数据中的异常值,并能够获得更为准确的重构数据,为大坝实测性态评价提供了新的分析方法。     

基于分形插值的混凝土坝变形趋势分析

研究混凝土坝的变形趋势对判别大坝变形状态、保证大坝安全具有重要意义。针对混凝土坝的变形曲线呈现出明显的非线性特征,引入分形插值理论,首先利用分形维数识别混凝土坝变形时间序列的分形特征,然后基于分形插值函数建立了变形趋势的预测模型,并对变形状态进行判别。以某混凝土坝段变形为例,采用分形插值方法对坝段某高程水平位移的变形趋势进行预测,并与统计模型预测结果进行对比,结果表明,分形插值方法能更好地拟合变形曲线,表征大坝变形特性。     

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。     

严寒地区混凝土重力坝变形行为分析与预测模型

变形是环境荷载动态变化与结构性能演化耦合作用下大坝服役性态的直观表征,合理的变形行为分析与预测模型是科学诊断大坝健康态势并预测其未来运行行为的重要科学手段。考虑到严寒地区混凝土坝变形行为受环境温度变化影响显著,为有效解译环境温度动态波动导致的热变形特征,构建了基于实测边界温度的严寒地区混凝土重力坝变形行为分析模型。同时,为深入挖掘变形及其解释变量间复杂的因果函数关系,引入具有优良非线性训练能力的孪生支持向量回归(Twin Support Vector Regression, TSVR),并结合鲸鱼算法(Whale Optimization Algorithm, WOA)对TSVR参数优化求解,据此提出了基于优化TSVR的混凝土重力坝变形预测模型。以严寒地区某混凝土重力坝为例,利用所建变形行为分析模型剖析了该坝某表孔溢流坝段坝顶水平位移变幅大且与其它测点水平位移变化规律相反的不协调变形行为的成因,研究结果对深入认识严寒地区混凝土坝变形行为具有重要价值;同时,基于优化TSVR的变形预测模型拥有出色的非线性信息挖掘与建模预测能力,为高精度预测大坝变形提供了一种新方法。     

基于DTW-Wavelet的混凝土坝变形特征辨识方法

基于水压、温度、时效在混凝土坝变形监测数据中蕴含的不同时频特征,利用小波多分辨率特性,研究混凝土坝变形监测数据周期性分量、时效分量的辨识方法;针对影响辨识效率和精度的小波分解层数确定问题,引入动态时间弯曲距离用于度量周期性分量和环境量间的差异性,实现大坝安全监测数据更为客观、高效的特征辨识。通过实例验证表明,该方法用于实际工程中,所辨识得到的周期性分量和时效分量符合一般规律,说明将其应用于混凝土坝变形特征辨识是可行的、有效的,可为进一步深入研究提供可靠的数据资源。     

RS-RF模型在混凝土坝变形预测中的应用

高性能的混凝土坝变形预测模型作为结构安全性态诊断、预警和科学决策制定的重要参考,同时也是工程效益得以充分发挥的保障措施之一。针对混凝土坝变形监控模型中因子选取的主观性、因子间的多重共线性和预测模型泛化性差等问题,结合粗糙集和随机森林理论在特征属性约简、重要性评价和高精度预测等方面的优势,建立了基于RS-RF的混凝土坝变形预测模型。通过工程实例应用表明:基于RS-RF的混凝土坝变形监控模型可以对影响因子集进行约简并给出各因子的重要性,且预测精度优于常用的SVM模型和RF模型。由此可知,基于RS-RF的混凝土坝变形预测模型实现了影响因子优选,弥补了智能预测模型在定量化分析、预测泛化性等方面的不足,具有较强的工程实用性。     

IVDF模型在土石坝监测数据预测中的应用

土石坝的监测数据预测对于揭示坝体变形规律、保障坝体结构安全具有重要意义。基于分形理论,将改进变维分形模型(IVDF模型)应用于土石坝小数据量监测数据的预测,以铜山源土石坝为例,选取混凝土防渗墙的应变监测数据作为研究对象,对应变进行预测,并分别用灰色模型GM(1,1)和BP神经网络进行对比预测。计算结果证明,IVDF模型充分利用分形的自相似性特征,抗噪性强,预测精度高,适用于小数据量监测数据的预测,具有良好的应用前景。     

基于EEMD-ELM的大坝变形预测模型

建立合理可信的大坝变形监控模型对科学有效地分析大坝变形监测数据和准确可靠地评估大坝工作运行状况意义重大。通过EEMD算法分解大坝变形量,得到代表不同特征尺度的本征模函数(IMF)分量,针对不同IMF分量选择不同影响因素,将各IMF分量作为极限学习机(ELM)的训练样本对大坝变形分量进行分析、拟合、预测,最后累加各IMF分量的预测结果得到大坝变形预测值。以某碾压混凝土重力坝为例,利用EEMD-ELM模型对大坝变形量进行预测,同时与BPNN模型和ELM模型的预测结果进行对比分析,其中EEMD-ELM模型的平均相对误差为0.566,较BPNN模型、ELM模型分别降低54%和14.8%,表明EEMD-ELM模型预测精度更高,具备一定的应用价值。     

基于ISVM—逐步回归组合的混凝土坝变形监控模型

针对混凝土坝监控模型中监测数据较少、维数和非线性程度较高以及逐步回归方法预报值波动大,部分测值失真致拟合效果不佳等问题,鉴于支持向量机(SVM)能有效解决小样本、高维数以及非线性问题的能力,为此,基于改进SVM理论(ISVM)对大坝监控模型中的水压分量进行模拟,并采用逐步回归方法将模拟后的水压分量、温度分量与时效分量进行结合并模拟,建立了基于ISVM—逐步回归组合的大坝监控模型,将拟合和预报结果与逐步回归—逐步回归、ISVM—ISVM及逐步回归—ISVM组合的预报结果进行对比.结果表明,基于ISVM—逐步回归组合的混凝土坝安全监控模型拟合精度高,预测效果好,将更适于大坝监控模型的建立.     

基于EEMD-SE-LSTM的混凝土坝变形监测模型

为提高混凝土坝变形监测数据的预测精度,构建了一种基于集成经验模态分解(EEMD)与样本熵重构(SE)的长短期记忆网络(LSTM)预测模型.模型利用EEMD对原始数据序列进行分解,并计算每个分量序列的样本熵,以原始序列样本熵作为基准进行重构,再对重构后的各序列建立LSTM模型进行预测,最后把各预测值叠加以得到最终预测结果.以某混凝土拱坝为例,将该模型预测结果与EMD-LSTM、LSTM和SVM模型的预测结果进行对比,结果表明EEMD-SE-LSTM模型具有更高的预测精度,在混凝土坝的变形预测中具备更好的可行性与优越性.