混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型

混凝土坝的总变形可以归结为由水压和温度变化引起的变形以及随时间发展的变形。其中,水压变形和温度变形体现为总变形中的周期性分量,而时效变形体现为总变形中的趋势性分量。借助复合建模思想,提出一种混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型。首先利用小波多分辨分析功能,分解出大坝变形时间序列中的趋势性项、周期性项;其次,运用EGM模型实现对趋势性项的有效预测,采用周期外延模型实现对周期性项的有效预测,在此基础上,利用ARIMA模型实现对EGM模型和周期外延模型残差项的有效预测;最后通过某工程实例,检验所提出模型的有效性。计算结果表明:该组合模型充分考虑大坝各变形分量的变化规律,并基于此,实现对大坝变形时间序列有效的拟合和预测,且其拟合和预测精度均明显优于传统统计模型。     

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FAHP-EWM-TOPSIS的大坝风险识别模型

根据大坝实际运行状况,通过风险属性指标对大坝主要风险源进行准确判断是目前大坝风险分析与管理的难点和重点。针对风险指标具有模糊性和不确定性的特征,提出一种基于FAHP-EWM-TOPSIS的大坝风险识别模型,即运用模糊层次分析法和熵权法分别确定评价指标的主观权重和客观权重,利用欧几里得距离求得最佳组合权重,结合TOPSIS决策矩阵对风险因子进行排序,识别主要风险源。结果表明:影响某混凝土坝安全运行的主要风险问题是两岸渗流和坝体渗流,相对贴进度分别为0.842 3和0.682 5,建议后续针对主要风险因子采取相应措施。对比其他模型,本模型的离散性较大,区分度明显,更具有说服力。研究成果为大坝风险识别提供一种新的方法,对未来大坝风险管理具有一定参考价值。