基于熵权法与正态云模型的大坝安全综合评价

针对目前大坝安全评价方法中均未考虑评价指标的模糊性和随机性问题,引入正态云模型理论,将其与熵权法相结合,建立了基于熵权法与正态云模型的大坝安全综合评价模型,综合考虑大坝变形、渗流及环境三方面因素构建了大坝风险安全评价体系,根据既定体系,确定大坝风险安全评价等级及云模型参数,代入大坝实测资料由正向云发生器建立评价指标的隶属度矩阵,采用熵权法确定各评价指标权重,并由评价指标的权重矩阵和评价指标的隶属度矩阵给出大坝在各安全评价等级下的隶属度。实例应用结果表明,大坝安全评价等级为低风险,与实际状况一致,可见所建模型可行、有效。     

基于动态SVM-MC的大坝变形监测模型及应用

为了提高大坝监测模型的泛化能力和残差辨识的精确性,将支持向量机模型(SVM)和马尔科夫链模型(MC)相结合,建立了SVM-MC大坝变形监测模型,利用马尔科夫链模型处理SVM模型的残差,在进行预测时,采用动态更新模型的方法,即动态SVM-MC模型,并通过实例应用做了比较。结果表明,动态SVM-MC模型提高了预测的精度和泛化能力,可用于复杂大坝的安全建模。     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于博弈论的大坝安全评价云模型及其应用

针对大坝安全评价问题,提出了一种基于博弈论和云模型耦合的安全评价模型。选取变形、渗流、环境因素为大坝安全评价指标体系,根据既定体系确定大坝安全评价指标标准,并在此基础上确定云模型的特征参数和各评价指标的综合权重,由云模型正向发生器给出评价指标的在各评价等级下的隶属度,最后由各评价指标的综合权重矩阵和对应评价等级下的隶属度矩阵计算出大坝安全评价结果。最终通过某心墙堆石坝工程实例验证了该评价模型的可行性,为类似工程的安全评价提供了借鉴。     

多测点多方向BP网络模型在大坝变形监测中的应用

鉴于大坝变形监测资料分析是大坝结构性态安全评价与预报的重要手段,针对单测点模型存在的缺点,建立了既考虑坝体不同方向的位移又考虑空间多个测点分布的多测点多方向位移模型,并利用BP神经网络较强的非线性映射能力,直接选取了对大坝变形有较大影响的自变量因子,解决了在建立大坝多测点多方向传统模型时自变量因子数众多、计算工作量大等问题。实例应用结果表明,多测点多方向BP网络模型可反映大坝变形的分布及变化规律,可见采用BP神经网络建立大坝多测点多方向变形监测模型具有可行性和有效性。     

大坝安全监测灰色-时序动态组合模型

利用灰色理论能适应“小样本、贫信息”的特点，建立了大坝安全监测灰色-时序动态组合模型，为解决大坝安全监测中短序列数据建模难题提供了一条有效的途径。     

Kalman滤波用于大坝位移模拟与预报

为降低随机干扰因素对大坝位移观测数据的影响,针对大坝位移特性并基于Kalman滤波理论和统计模型建立了大坝水平位移的状态方程和观测方程。在Kalman滤波方程组未知参数的确定中以误差方差估计确定白噪声方差,利用多元线性模型求得状态转移矩阵,这样既反映了真实误差也描述了各因素间的复杂关系。应用实例表明,Kalman滤波可显著降低大坝监测中的噪声影响,提高位移统计模型的模拟和预报精度。     

燕山水库大坝三维变形监测方法研究

针对常规的土石坝表面变形监测方法速度慢、工作量大及监测信息无法与自动化系统实时共享等缺陷,在燕山水库大坝中采用高精度自动全站仪观测大坝变形,系统分析了折光系数并提出了大气折光修正模型.实例结果表明,该模型对三角高程测值的修正及竖向位移测量能较好地满足大坝安全监测的精度要求,可为研究及开发土石坝三维自动监测技术提供借鉴.     

ARIMA-GRNN模型在大坝安全监测中的应用

为提高大坝安全监测数据预测精度,将差分自回归移动平均模型(ARIMA)与广义回归神经网络(GRNN)相结合,建立了ARIMA-GRNN预测模型。以前期实测值和ARIMA拟合值作为GRNN网络的输入,后期实测值作为网络输出,以平均平方误差最小为原则寻找光滑因子,建立最佳的预测模型,并运用熵权法和标准离差法对各模型进行多指标综合评价。结果表明,ARIMA-GRNN模型预测精度较ARIMA模型明显提高,可应用于大坝安全监测。     

基于Visual Studio平台的大坝安全监测系统构建与实现方法

针对大坝监测中监测项目多、监测仪器空间分布广及需要对海量监测数据作出实时处理与分析等问题,基于Visual Studio平台环境,开发了具有三维地理信息和监测点监测信息的大坝安全监测系统,应用ArcGIS技术和C#语言实现大坝相关地理信息和监测信息的可视化管理,并与监测数据建立有机联系,开发嵌入监测数据分析建模功能。案例证明,所建大坝安全监测系统具有良好的数据管理、监测数据分析和可视化显示等功能,内含的灰色建模功能便捷有效地实现了监测数据的分析预测。     

云模型在大坝安全监控指标拟定中的应用

针对传统大坝安全监控指标的拟定方法具有一定局限性的问题,在分析原始监测数据的基础上,通过正、逆向云发生器产生监测数据的期望、熵、超熵等数字特征,利用这些数字特征计算定量的转换值,从而实现定量—定性—定量的转换,进而确定安全监控指标,以某混凝土重力坝为例,运用云模型拟定了该坝#9坝段坝顶水平位移安全监控指标,并与典型小概率法的拟定结果进行了对比分析,验证了云模型的优越性。     

基于小波去噪方法的云模型在大坝裂缝宽度安全监控指标拟定中的应用

针对传统基于原始监测数据指标拟定方法的局限性,采用云模型拟定大坝安全监控指标,根据小波去噪理论对原始监测数据进行去噪处理,并以大坝坝体裂缝宽度为例,对棉花滩水电站坝体裂缝宽度安全监控指标进行拟定,与传统的典型小概率法进行对比分析。结果表明,云算法在拟定安全监控指标中具有无法比拟的优势。     

基于偏最小二乘法的综合弹性模量反演分析

为获取符合实际的坝体综合弹性模量,利用引张线实测资料,将偏最小二乘法运用于统计模型中分离出水压分量,采用Hypermesh软件构建了有限元模型,并应用Marc程序计算水压作用下的位移量,基于常规反演法推求坝体及坝基的综合弹性模量。实例表明,偏最小二乘法分离效果更好,反演结果精度更高,能满足对大坝安全监控的要求。     

基于云自适应遗传算法的深覆盖层上面板堆石坝渗流监控模型

针对库水位和降雨对面板堆石坝渗流的滞后效应,结合深覆盖层面板堆石坝的筑坝特点,在综合考虑覆盖层厚度、筑坝材料等对大坝渗流影响的基础上,建立了考虑滞后效应的深覆盖层面板堆石坝渗流安全监控模型,并在模型的求解中采用了云自适应遗传算法。实例应用表明,该模型能较好地反映库水位、降雨对渗流的滞后影响,模型精度与预报效果优于一般渗流统计模型,且云自适应遗传算法较好地弥补了传统遗传算法执行效率不高、易陷入局部最优解等不足。     

瀑布沟水电站坝体渗流监控优化数学模型精度分析

鉴于构建合理的瀑布沟坝体渗流监控数学模型对其坝体渗流安全评价至关重要,利用水位动态效应影响权重概念构建水位因子,并在引入主成分分析理论深入分析库水位滞后影响特性的基础上,提出了瀑布沟坝体渗流监控优化数学模型。结合瀑布沟大坝坝体渗流原观监测资料分析的结果表明,该优化模型较传统模型形式更加简洁,提高了分析精度及合理性,可合理评价瀑布沟大坝坝体的渗流状态,对相似工程的坝体渗流分析具有一定的参考与应用价值。     

基于强度储备法拟定混凝土坝水平位移监控指标研究

为探索大坝监控指标的研究方法,以飞来峡混凝土坝#18溢流段为例,利用强度储备法研究了坝段在初始屈服、临界失稳、失稳破坏三种特殊状态下监测点的水平位移分量值,并结合坝顶水平位移温度分量、时效分量的统计模型建立了该坝段水平位移的混合模型,拟定了#18溢流段的位移安全监控指标。     

基于萤火虫算法的大坝安全监控BP网络模型及其应用

为改善大坝安全监控BP神经网络模型易陷入局部极值的问题,引入萤火虫算法,用来获取BP神经网络的连接权值和阈值的初始值。依据大坝安全监测数据,借助改进后的BP神经网络,实现大坝安全监控模型的构建和安全状况预测。实例验证结果表明,改进模型较常规BP神经网络模型的训练效果更稳定,预测精度更高。该方法具有一定的实用价值。     

ARIMA-MC组合模型在大坝变形安全监测中的应用

为及时了解大坝的安全状况,在坝体变形监测资料往往不平稳的基础上,建立了ARIMA预测模型,通过马尔科夫链预测了ARIMA模型的误差,从而修正了模型的预测值,建立了ARIMA-MC组合模型,并结合实测数据验证了此组合模型的有效性。结果表明,ARIMA-MC组合模型预测精度高,具有较好的实用性。