改进支持向量机在大坝变形预测中的应用研究

支持向量机算法进行建模的过程中,选取合适的核函数以及相关的参数组合是最重要的部分,参数选取的好坏将直接影响到预测结果的精度。本文采用基因表达式编程算法对支持向量机算法进行参数组选取,得到改进支持向量机算法并将其应用于具体工程实例之中。结果表明改进支持向量机大坝变形预测模型比传统支持向量机大坝变形预测模型得出的预测结果的精度提高了近3倍,从而说明基于基因表达式编程的改进支持向量机的预测模型在大坝变形预测中具有良好的预测效果。     

基于PSO-SVM模型的苯储罐泄漏浓度预测

以苯储罐为研究对象,利用ALOHA软件模拟了不同大气温度、风速、地面粗糙度、泄漏口直径和测点条件下苯浓度的变化。将ALOHA模拟数据作为训练样本,建立苯泄漏区域浓度的粒子群-支持向量机(PSO-SVM)预测模型。为验证模型预测性能,采用遗传算法支持向量机(GA-SVM)模型和支持向量机(SVM)模型进行预测,并与PSO-SVM模型对比。结果表明,PSO-SVM模型预测效果优于GA-SVM和SVM模型。     

基于经验模态分解和遗传支持向量机的多尺度大坝变形预测

 利用经验模态分解算法分解大坝变形数据,得到不同物理特征尺度的变形分量,分析各变形分量特征及其相关影响因素。针对各变形分量的特点,分别建立基于GA-SVM的各变形分量预测模型,将各分量预测模型相加,最终构建基于经验模态分解和支持向量机的多尺度变形预测模型。由大坝变形数据的经验模态分解实例分析,证实经验模态分解算法能有效对大坝变形数据进行多尺度分解,由经验模态分解算法分解得到的各变形分量其物理特征更加显著,更易于各变形分量影响因素分析和变形模型建立,因此,针对各变形分量的特点所建立的GA-SVM的各变形分量模型具有较高精度。基于经验模态分解和支持向量机的多尺度变形预测模型由各分量预测模型相加而得,能充分挖掘大坝变形中隐含的多种内在规律,能同时在不同特征尺度上进行大坝变形预测。通过对多尺度大坝变形预测模型和多元回归、时间序列分析、GM(1,4)、BP网络和GA-SVM大坝变形预测模型进行精度对比,证实基于经验模态分解和支持向量机的多尺度变形预测模型是一种精度较高的大坝变形预测新方法。     

大坝变形非线性智能组合预测方法研究

为同时利用不同大坝变形预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化一支持向量机(PSO-SVM)的大坝变形非线性智能组合预测模型.选取几种不同原理的建模方法建立预测模型并预测,利用其预测结果建立组合预测模型,组合函数的拟合采用混合核函数支持向量回归算法.为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数.实例分析表明,该模型较好地整合了不同建模方法的特征信息,避免了单一方法的偶然性,较单一预测模型、加权组合预测模型具有更高的预测精度和更小的峰值误差,为更准确地进行大坝安全监控提供了一种新的途径.     

基于RF-GA-SVM的医院集中供暖系统一次侧流量预测模型研究

医院集中供暖系统一次侧流量受多种不确定因素影响。为了降低输入空间维度、节约运算成本、提高预测精确度,提出了一种基于随机森林(RF)特征重要性评估-遗传算法(GA)优化支持向量机(SVM)参数算法的预测模型。首先利用RF算法对特征变量实施重要性评估,利用交叉验证法对特征变量进行过滤,构建供暖系统影响因素指标体系,其次利用遗传算法优化支持向量机参数建立回归预测模型(RF-GA-SVM),最后结合某医院集中供暖系统数据进行了实例分析并与RF预测模型、GA-SVM预测模型进行了对比。预测误差分析表明,本文提出的预测模型(RF-GA-SVM)降低了输入空间维度,避免了局部最优,提高了预测精确度。     

导水裂缝带高度预测的模糊支持向量机模型

针对传统支持向量机(SVM)模型在导水裂缝带高度预测中存在着易受奇异值干扰而造成的泛化能力降低问题,提出了基于异常样本探测、剔除的模糊支持向量机模型(FSVM)。采用模糊聚类分析和加权支持向量机(WSVM)相结合的方法,首先根据模糊ISODATA算法求得导水裂缝带高度及其影响因素的最优分类矩阵,剔除分类结果不一致的观测样本,然后以模糊隶属度为样本权重,按照WSVM建模思想建立了导水裂缝带高度预测的FSVM模型。通过实例将FSVM和WSVM、SVM的预测结果作对比分析。结果表明,FSVM避免了异常样本对预测结果的影响,并顾及了建模样本的不同重要程度,其预测精度比WSVM和SVM有较大的提高。     

基于最小二乘支持向量机的大坝力学参数反演

针对大坝力学参数和坝体位移间复杂的非线性关系,将最小二乘支持向量机应用于大坝力学参数的位移反演中。首先利用有限元模型得到最小二乘支持向量机的训练样本,建立坝体位移水压分量相对值和力学参数间复杂的非线性关系,同时利用偏最小二乘回归模型分离出实测坝体位移的水压分量相对值,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝力学参数的反演值。以某混凝土重力拱坝为例,采用最小二乘支持向量机反演了坝体弹性模量、岩体变形模量以及主要断层的弹性模量,经过比较分析发现,该方法是可行的。     

岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

改进的PSOGA-SVM模型应用于露天矿区空气质量预测

为掌握露天矿区开采所造成的空气污染情况,必须对露天矿区空气质量进行准确预测。选取PM_(10)质量浓度与平均温度、相对湿度、光照时间、风力作为影响空气质量的主要因素;基于收集到的露天矿区环境数据,采用支持向量机(support vector machine,SVM)建立模型,同时引入改进型惯性权重的粒子群优化(particle swarm optimization,PSO)算法作为变异算子来优化遗传算法,最终将该模型应用于实际场景。基于MATLAB建立了改进型惯性权重的粒子群遗传算法优化支持向量机(improve inertia weighted particle swarm optimization and genetic algorithm based optimize support vector machine,PSOGA-SVM)网络预测模型。结果分析表明,所提模型的预测精度优于交叉算法验证算法优化支持向量机(cross-validation support vector machine,SV-SVM)模型和粒子群算法优化支持向量机(particle swarm optimization for parameter optimization of support vector machine,PSO-SVM)模型,且预测精度可达到98.5%以上。     

基于PCA-SVM的廉租房PPP融资风险预测

为提高廉租房PPP融资风险预测的精度,提出一种基于PCA-SVM的廉租房PPP融资风险预测模型。首先应用主成分分析(PCA)对廉租房PPP融资风险指标进行降维处理,消除指标间的冗余;进而将降维后的指标作为支持向量机(SVM)的输入,运用支持向量机完成对廉租房PPP融资风险预测。工程实例证明该模型可提高支持向量机的泛化能力、训练速度及精度。     

基于一种优化算法的大坝变形性态模型(英文)

大型水库大坝安全监测系统的监测数据可用来建立多种重要的结构安全状态参数下的预测模型。提出了一种基于基因算法的非线性、退化性态模型。以大坝顶部的上、下游位移作为状态参数为例,以倒垂数据作为数据输出,库水位和气温以及前7,15,30和60d的平均值作为外在影响因子。选取坝高58m、坝长190m的Herculane拱坝的332个数据集作为输入-输出参数,时间序列为2000年1月-2007年6月。从这个数据序列获得回归系数,并进行检验确认。同理,可得其他参数下性态预测模型。这些模型能够解释实时监测中的数据,并能迅速辨识某些情况下的大坝安全潜在风险。     

基于ELM的大坝变形分析与预报模型

传统的诸如BP神经网络等学习方法训练时需要设置大量的参数,并且容易产生局部最优解。极限学习机(Extreme Learning Machine,ELM)可以随机选择输入权重以及隐藏层偏差且不需要调节,最终只产生唯一最优解。将ELM引入大坝变形分析建模中,建立了基于ELM的变形预报模型。实例表明,相比传统的逐步回归模型与BP神经网络模型,基于ELM的大坝变形预报模型在效率和精度上都有提高。     

修建在砂砾岩地基上的拱坝应力分析

在砂砾岩基础上修建拱坝，坝体的垂直方向和顺河向变形是否过大，是关系到拱坝安全甚至能否修建的重要因素。砂砾岩受力变形有两个特点：一是在较低应力条件下，仍有较大的不可恢复变形；二是不同应力条件下，岩石的切线变形模量不同。通过分析现场原位变形试验，构造出能够反应出砂砾岩受力变形特点的非线性本构模型，并应用到实际工程中，分析其对坝体变形、应力的影响，可为工程规划和设计提供一定的参考依据。     

Reliability and variance-based sensitivity analysis of arch dams during construction and reservoir impoundment

The static performance of arch dams during construction and reservoir impoundment is assessed taking into account the effects of uncertainties presented in the model properties as well as the loading conditions. Dez arch dam is chosen as the case study; it is modeled along with its rock foundation using the finite element method considering the stage construction. Since previous studies concentrated on simplified models and approaches, comprehensive study of the arch dam model along with efficient and state-of-the-art uncertainty methods are incorporated in this investigation. The reliability method is performed to assess the safety level and the sensitivity analyses for identifying critical input factors and their interaction effects on the response of the dam. Global sensitivity analysis based on improved Latin hypercube sampling is employed in this study to indicate the influence of each random variable and their interaction on variance of the responses. Four levels of model advancement are considered for the dam-foundation system: 1) Monolithic dam without any joint founded on the homogeneous rock foundation, 2) monolithic dam founded on the inhomogeneous foundation including soft rock layers, 3) jointed dam including the peripheral and contraction joints founded on the homogeneous foundation, and 4) jointed dam founded on the inhomogeneous foundation. For each model, proper performance indices are defined through limit-state functions. In this manner, the effects of input parameters in each performance level of the dam are investigated. The outcome of this study is defining the importance of input factors in each stage and model based on the variance of the dam response. Moreover, the results of sampling are computed in order to assess the safety level of the dam in miscellaneous loading and modeling conditions.     

Modeling of bentonite/sepiolite plastic concrete compressive strength using artificial neural network and support vector machine

Plastic concrete is an engineering material, which is commonly used for construction of cut-off walls to prevent water seepage under the dam. This paper aims to explore two machine learning algorithms including artificial neural network (ANN) and support vector machine (SVM) to predict the compressive strength of bentonite/sepiolite plastic concretes. For this purpose, two unique sets of 72 data for compressive strength of bentonite and sepiolite plastic concrete samples (totally 144 data) were prepared by conducting an experimental study. The results confirm the ability of ANN and SVM models in prediction processes. Also, Sensitivity analysis of the best obtained model indicated that cement and silty clay have the maximum and minimum influences on the compressive strength, respectively. In addition, investigation of the effect of measurement error of input variables showed that change in the sand content (amount) and curing time will have the maximum and minimum effects on the output mean absolute percent error (MAPE) of model, respectively. Finally, the influence of different variables on the plastic concrete compressive strength values was evaluated by conducting parametric studies.     

基于堆石体二元介质模型的面板坝数值计算

 对于高面板堆石坝而言,在高应力场作用下堆石颗粒破碎明显,从而导致坝体变形率增加,因此在数值计算中必须考虑颗粒破碎的影响,传统的堆石体本构模型由于不能合理反映颗粒破碎的影响,导致计算变形与实测变形差别较大。天生桥面板堆石坝为我国已建工程中同类坝型的第一座200 m级高坝,具有丰富的原型观测资料,在基于考虑堆石体颗粒破碎的二元介质模型的基础上,采用平面有限元分析坝体的应力变形性状,并与实测结果进行了对比分析,结果表明：考虑颗粒破碎后,坝料的剪胀量将会减小,剪缩量相应增大,建议模型的计算结果定性上更加精确,定量上也更为合理,可以更好地反映面板坝尤其是高面板坝的应力变形特性。     

基于三维激光扫描技术的土石坝变形监测方法研究

由于土石坝结构复杂、非刚性等特点,受到外力作用时,各个部分变形呈现非线性变化,传统的单点监测存在一些局限性。提出了一种基于三维激光扫描技术的土石坝变形监测方法,将不同时期所采集的序列点云进行绝对定向完成坐标系统一,然后获取一组不同期的点云数据在同一位置处的剖面数据进行对比分析,监测大坝在水平与垂直方向的变形和位移。采用所提出的方法,在郑州市尖岗水库进行了试验,结果表明所提方法精度高,实时性强,能够满足水库大坝变形分析计算的要求。     

隔河岩水电站厂房后边坡与拱坝的相互作用研究

以边坡稳定性和坝体的应力校核为目的,分别建立边坡和坝体的数值模型;采用试算迭代的方法,对边坡和坝体的相互影响做出评价。分离同步建模和迭代试算联合使用,不仅节约建模时间,还可极大地降低建模的难度。为更好地模拟施工过程,反映坡体和坝体的应力和变形过程,在边坡开挖、卸荷、加固工况计算已完成的基础上进行坝体推力施加的分析;同时还考虑边坡上游面的水库水压力作用。分析结果表明,坝体与边坡的相互作用并不大,坝体推力对边坡位移的影响在坝肩周围30m范围内,该作用并不影响边坡和坝体的整体稳定。上述结论不仅可论证坝体设计的合理性,也为边坡和坝体的安全运营提供一定的参考。     

Estimation of rock mass deformation modulus using variations in transmissivity and RQD with depth

Discontinuity normal stiffness and deformation modulus of large scale rock masses are very difficult to determine. A method for estimation of discontinuity normal stiffness based on the decrease in transmissivity with depth has been proposed by the authors in a former paper. In the current study, the method is further developed by accounting for the changes in both discontinuity aperture and frequency with depth, which are key factors that cause the transmissivity to decrease with depth. The discontinuity frequency can be estimated from RQD measurements, which are readily available in most geotechnical investigations. The transmissivity data from packer tests are usually available in geotechnical investigations for hydropower plants. For a rock mass in a dam site mainly controlled by lithostatic stress, based on transmissivity and RQD data at different depths, the change in discontinuity aperture with depth can be linked to the change in aperture with stress, which defines the normal stiffness of discontinuities. In the case study, the discontinuity normal stiffness is successfully estimated by using transmissivity and RQD data, and the result shows that the normal stiffness increases with stress (depth) and the rate of normal stiffness versus stress (depth) decreases with stress (depth), which is consistent with experimental studies. The estimated normal stiffness has been utilized to calculate the rock mass deformation modulus using an equivalent model. The result of deformation modulus by the proposed method is close to that obtained by using in situ measurements, as well as by using empirical models relating RQD to deformation modulus.