基于混合蛙跳算法的混凝土坝加权变形预报模型

利用混合蛙跳算法的优化特点,将大坝安全监控统计模型的求解转换为多目标函数的优化问题;引入调整系数修正回归因子,考虑调整系数与回归因子之间的协调关系,利用混合蛙跳算法同步确定调整系数和回归系数,建立基于混合蛙跳算法的混凝土坝加权变形预报模型。工程算例应用结果表明,该模型具有较优的中长期预报能力,可提高大坝安全监控统计模型的预报精度,在大坝安全监控领域具有一定的工程应用意义。     

基于粒子群仿生算法的混凝土坝变形预报模型

将粒子群算法引入大坝安全监控领域,并结合多元回归统计模型,建立基于粒子群算法的混凝土坝变形预报模型。利用粒子群算法的全局寻优能力以及该算法具有正反馈信息的仿生特点,通过优化迭代计算,确定坝体变形统计模型中各回归系数。工程实际应用表明,基于该模型的预报结果与传统的最小二乘法相比,可显著提高混凝土坝变形的预报精度,所以该模型的预报应用是可行的。     

混凝土坝长期运行安全的理想点法评价模型

为了分析混凝土坝长期运行过程中可能存在的安全问题,基于混凝土坝长期运行监测数据对混凝土坝的安全度进行量化;通过分析影响混凝土坝安全的关键因素,建立混凝土坝安全评价指标体系;结合层次分析法主观赋权与独立信息波动赋权法客观赋权确定各个指标的组合权重,构建了基于理想点法的混凝土坝长期运行安全评价模型。工程实例验证结果表明,建立的模型求得的各指标权重和混凝土坝的安全度与工程实际运行情况相符。     

基于PPA-POT的RCCD变形监测控制值拟定方法

在碾压混凝土坝(RCCD)长期服役过程中,变形是能够直观反映大坝工作性态的主要性能参数之一。为了有效监控大坝运行状态,有必要对坝体变形拟定监测控制值。为突破传统单一测点指标拟定的局限性,针对碾压混凝土坝变形空间结构关联分布特性,构建了多测点融合的坝体变形场模型,利用投影寻踪方法(PPA)确定各测点权重,在此基础上,利用POT模型进行监测控制值的拟定。工程应用结果表明了本文方法的可行性与适用性。     

基于BP-ARIMA的混凝土坝多尺度变形组合预报模型

针对大坝变形常规统计预报模型在监测信息挖掘时的优势单一性及预报精度欠佳等问题,视大坝变形观测资料为非平稳时间序列,从影响大坝变形的因素出发,将其分为周期性影响因素与随机影响因素,利用多尺度小波分析方法将大坝变形监测序列分解并重构,结合BP神经网络与自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)对其随机信号与系统信号分项训练预报,并将其预报值相叠加,据此,应用时间序列原理提出了一种基于BP-ARIMA的混凝土坝多尺度变形组合预报模型。工程实例分析表明,所建组合模型较常规模型能够有效挖掘监测信息中所蕴含的有效成分,预报精度显著提升,且计算分析过程简便,为高边坡及水工建筑物中其他监测指标的预报提供了新方法。     

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。     

水库径流预报的递阶结构组合模型研究与应用

由于传统水库径流预报模型未充分考虑单个模型的预报信息,且缺乏对单一模型及其预报结果的前期预处理,为此引入预报精度和预报稳定性两个评价指标,基于对各单一模型及其预报结果的前期预处理,分步确定各单一模型的权重,建立了水电站水库径流预报的递阶结构组合模型。应用于三峡水库的计算结果表明,所建组合模型能够充分利用各单一模型的预报信息,其预报精度和预报稳定性较单一模型都有一定程度的提高,可为水电站水库入库径流预报提供多模型综合的预报信息,对水库调度运行计划的合理制定提供一定的技术支持。     

混凝土坝时效变形特性研究

分析了目前混凝土坝变形监测模型中时效因子的特点,提出了采用“预建模”方式优化时效预置因子集的方法,通过对某混凝土坝水平位移实际建模结果的对比分析,得出了混凝土坝时效变形的一些特性。研究表明：当时效因子预置不当时,可能导致模型分离出的时效变形背离其基本物理意义;当变形建模结果中回归常数绝对值很大时,时效变形将会出现畸形;通过对混凝土坝时效变形特性进行分类,可以建立大坝结构实测性态评价的定性准则,制定大坝安全监控的定性监控指标。     

月径流预报建模方法对比分析——以嘉陵江北碚站为例

为提高径流预报的精度,以嘉陵江流域北碚水文站为例,选取1979～2019年径流资料,对比分析月径流预报多种建模方法的预报性能。选择时间序列法作为单变量预报模型的方法,随机森林、BP神经网络和多元线性回归作为多变量预报模型的方法,并应用时变权重进行组合预报,对比单变量与多变量、单一与组合模型预报结果。结果表明：(1)多变量预报模型预报效果更优,与时间序列模型相比,其平均绝对百分比误差减少约20%;(2)随机森林与BP神经网络这两种机器学习方法在单一模型中具有更好的预测能力;(3)时变权重组合预报方法能有效结合单一模型的优点,进一步提高预报精度。研究成果可为中长期径流预报的建模策略制定提供参考。     

混凝土坝变形过程及监控指标研究

从理论上系统地研究了混凝土坝的变形过程及监控指标。提出混凝土坝的水平位移监测方法,建立常规监控模型,从水压分量、温度分量、时效分量3个方面对混凝土坝变形过程进行监控。利用典型小概率法对混凝土坝变形过程进行测量,从而在混凝土坝变形过程中真正实现了安全监控。     

A factor mining model with optimized random forest for concrete dam deformation monitoring

The unique structure of a dam complicates safety monitoring. Deformation can provide important information about dam evolution. In contrast to model prediction, actual dam response monitoring data can be used for diagnosis and early warning. Given the poor data mining ability of the conventional methods, it is essential to develop a method for extracting the factors influencing a dam. In this study, a data mining method and a model for evaluation of concrete dam deformation were developed using the evidence theory and a random forest. The model has the advantages of being easily understood, visualization with low complexity of training time, and accurate prediction. The model was applied to an actual concrete dam. The results indicated that the proposed random forest model could be used in analysis of concrete dams.     

基于改进ABC-BP的大坝变形监控模型研究

针对传统大坝变形监控模型的不足,在对人工蜂群(ABC)算法给予改进的基础上,开展了基于人工蜂群(ABC)与BP神经网络的大坝变形监控模型建模原理、实现方法以及工程算例分析研究。通过引进自适应比例和平均欧式距离,克服了标准人工蜂群算法易陷入局部最优的缺点;进而利用改进后的人工蜂群算法,对BP神经网络的初始权值与阈值进行寻优。算例分析表明,将改进后的人工蜂群算法与BP神经网络技术相结合,并用于大坝变形监控模型的构建,有效提升了模型的拟合和预报能力。     

多维复杂关联因素下的大坝变形动态建模与预测分析

大坝变形监控模型是多维复杂关联性以数学形式表达的集成载体,因而合理量化和集成关联性有利于更加全面而准确地构建数学模型。本文着重从维度、关联、检验、措施及模型五个层面依次对因子相关性、动态因果关系和序列相似性三种关联性进行阐述,提出了一种兼顾相关性和相似性的大坝变形动态监控模型。该模型以环境因子与大坝变形间的因果关系为基础,分别采用耦合相关性诊断方法、动态最大信息系数和标准化动态时间规整算法度量因子相关性、动态因果关系和序列相似性,并通过非线性模型建立、动态输入修正和交叉多输出改进将多维复杂关联性统一于大坝变形动态建模框架中。以西南地区某混凝土坝工程多测点变形监测数据为例,通过多模型性能对比仿真实验对所提方法的有效性和准确性进行了验证评估。结果表明,与常规模型相比,集成多维复杂关联性的大坝变形动态监控模型的预测性能尤佳,以期为大坝变形安全预报提供一种新型建模方法。     

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。     

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。     

基于多因子融合和Stacking集成学习的大坝变形组合预测模型

变形是反映大坝服役形态变化的直观表征,构建高效准确的变形预测模型对于大坝结构安全控制十分重要。传统单因子及单算法变形预测模型存在泛化能力不足、鲁棒性差等问题,易出现预测偏差甚至误判。针对这一问题,本文选取不同变形解释因子及回归算法,构建多种单因子单算法预测模型,结合Stacking集成学习思想,对上述模型进行组合,提出了大坝变形组合预测模型。该组合模型以Stacking集成学习为核心,采用高斯过程回归作为元学习器,从算法、因子两方面对单因子单算法预测模型进行集成,并通过k折交叉验证减小模型过拟合风险。以某混凝土拱坝变形监测数据为例,通过多模型构建与性能比较,对所提出模型的准确性与有效性进行评估。结果表明：单因子单算法预测模型具备准确性和多样性的特征;通过算法、因子集成,组合模型的预测精度和鲁棒性得到了显著提高,在水位波动期的预测能力得到了有效增强。综上,大坝变形组合预测模型具备出色的非线性信息挖掘与建模预测能力,可为大坝安全监测提供可靠依据。     

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PCA的高混凝土坝变形空间融合监控模型

针对单测点监控模型无法反映大坝整体变形性态的问题,提出了基于主成分分析(PCA)的高混凝土坝变形空间融合监控模型。以混凝土坝空间变形场多测点监测数据为基础,利用PCA提取能反映大坝整体变形性态的综合效应量,基于有限元对其建立混合模型,并以模型预测值与实测值之间的2倍标准差作为控制域进行大坝空间变形性态的融合诊断。应用此模型对某高拱坝进行建模分析,结果表明,所提取的第一综合效应量即可解释原29个坝体正垂线测点所共同表征的大坝变形性态,对其建立的混合模型中水压分量的调整系数为0.85,分离出来的时效变形分量尚未收敛,说明坝体目前仍有向下游侧的整体趋势性变形,与该高拱坝处于蓄水运行初期的状况相符。基于PCA的空间融合监控模型,可有效减少变形监控模型的数量,从而快速诊断高混凝土坝的整体变形性态。