基于遗传规划模型的大坝变形监测预测模型

研究了基于遗传规划(GP)理论的大坝变形监测数学模型的建模方法.通过与回归分析模型和BP神经网络模型的拟合精度及预测效果的比较,证明GP模型有更高的拟合精度和更好的预测效果,为大坝变形监测数据处理开辟了一条新的途径.     

基于分位数回归的升船机变形监控模型构建方法

为深入分析升船机变形影响因素,提出了一种基于分位数回归的升船机变形监控模型构建方法。该方法根据升船机的结构特点,将温度、前期上游水位均值等因素引入候选影响因子集,采用自适应弹性网络分位数回归对影响因子进行筛选,建立各分位数下的回归模型,并根据拟合的良好性和检验的有效性原则选出最优的升船机变形监控模型。实例验证结果表明：相对于常规的逐步回归模型,本文方法构建的最优模型的预测精度波动性小,具有较强的稳定性,同时具有良好的长期预测能力。     

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。     

大坝安全监测的遗传—偏回归(GA-PLSR)模型研究及应用

基于在大坝监测中常用的偏回归模型的基础上引入了遗传算法,充分利用其强大的自适应全局优化概率型搜索功能,采用改进的遗传算法对偏回归系数进行寻优重估,建立大坝安全监测的遗传-偏回归模型。从而达到对偏回归模型优化的目的,以同时解决和改善常规大坝安全监测回归模型中存在的因子多重相关性干扰和模型欠拟合问题,进一步提高大坝监控模型的拟合和预测精度。     

基于小波EGM-ISFLA-SVR的大坝变形组合预测模型

为了提高大坝变形监控模型的预测能力,充分挖掘变形实测数据并及时了解大坝的运行性态,提出了一种基于小波EGM-ISFLA-SVR的大坝变形组合预测模型。该模型首先应用小波分析进行去噪,提取变形监测序列的时效分量以及由水压、温度分量组成的综合效应分量。然后,分别运用均值GM(1,1)模型和基于改进的混合蛙跳算法的支持回归机模型对两种序列进行建模和预测。最后,经小波重构得到组合模型。通过工程实例对模型效果加以检验,采用多项指标分别与传统统计模型的拟合精度和预测精度进行对比。结果显示,该模型拟合时具有比统计模型更大的复相关系数和更小的均方差;预测时均方差、平均绝对百分比误差和平均绝对误差均小于统计模型,表明该模型具有更高的拟合和预测精度和更强的泛化能力。     

小波和混沌神经网络在大坝变形预测中的应用

大坝是复杂的变形系统,其变形表现为动态非线性,也存在混沌现象。为充分利用大坝变形监测位移时间序列,实现位移单变量情况下的准确预测,提出了一种小波和混沌神经网络预测新方法,首先对大坝位移变形监测数据进行小波分解,其次对分解后的平滑信号进行傅里叶函数拟合预测,再对细节信号进行软阈值去噪和混沌神经网络预测,最后将预测信号进行小波重构。通过工程实例对比分析了小波和混沌神经网络预测新方法、神经网络模型、多元回归模型在大坝位移变形预测中的精度。结果表明,小波和混沌神经网络预测方法的预测精度最高,可以应用于大坝变形预测。     

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。     

大坝变形的多步预测模型研究

根据大坝变形时间序列分别建立多元线性回归、稳健回归和改进的BP神经网络预测模型,并进行了单步和多步预测研究。结果表明:3种模型对历史样本具有很好的拟和效果;在预测中,稳健回归、多元线性回归模型在单步预测中预测精度较高,而改进的BP神经网络模型在多步预测中预测精度较高,抗干扰性强,适合预见期较长的坝体变形预测。     

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。     

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。     

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...     

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。     

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。     

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。     

高坝基岩多点变形监测的GRNN模型研究

为有效地进行大坝基岩多测点变形分析预测，在既有的大坝变形安全监测数学模型结构基础上，利用广义回归神经网络（GRNN）良好的非线性拟合能力建立变形预测模型，并针对高坝基岩多点位移计监测的实际情况，以多个测点的变形量为分析对象，在利用历史变形资料进行训练后实现多点变形预测。实例计算与比较结果表明，GRNN模型计算快、精度高，是进行多测点非线性变形监测预报的有效工具。     

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。     

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。     

贝叶斯框架下的大坝变形交互式时变预测模型及其验证

大坝变形是同一时刻内外多重风险因素综合作用的结果,应用时序分析方法挖掘历史监测数据潜在规律是变形预测的常用方法,现有时变预测模型不仅参数配置难度高,且难以融入专业知识,导致预测效果并不理想。本文提出一种耦合自动预测算法与大坝专业知识的交互式变形预测模型。该模型在贝叶斯框架下,以加法模型为基础重构各时序分解项作为模型底层,根据仿真结果甄选模型参数缺省值进行自动预测,通过结合参数化检测与直观参数配置实现交互式建模,并借助拟合可视化和统计指标准确反映预测误差来源,从而进一步修正参数以提高模型适用性。基于上述流程协同构建的大坝变形循环预测体系,以某混凝土坝多测点长期变形监测数据为例,对模型的准确性、鲁棒性和灵活性进行了有效验证与分析,为大坝变形安全预测与分析提供了新的模型和手段。