高边坡时序位移滚动预测的SVM-Elman模型

基于支持向量机(SVM)和Elman神经网络,提出一种新的高边坡位移时序预测模型——SVM-Elman神经网络预测模型。在对实测数据学习的过程中,寻找最佳学习样本数和最佳测试样本数,利用经粒子群算法优化的SVM模型对边坡位移时间序列进行实时滚动预测;并运用Elman神经网络改进SVM的预测结果,得到SVM-Elman模型预测值,通过比较不同隐含层数的Elman神经网络对预测结果的影响,选择最佳隐含层数的SVM-Elman模型,实现对预测结果的改进。将SVM-Elman模型应用于某混凝土面板堆石坝左岸强卸荷岩体高边坡位移预测分析中,并与传统的SVM预测结果进行比较分析。结果表明,SVM-Elman模型在预测精度上有明显提高,预测结果科学可靠,在岩体高边坡时序位移预测中具有一定的工程应用价值。     

基于R/S方法的拱坝变形监测资料分析及性态评估

以某混凝土拱坝顺河向水平位移为例,通过R/S方法计算得到不同测点观测数据时间序列的Hurst指数(H)和分形维数(D),根据Hurst指数的值域范围,分析了观测数据的精度,根据分形维数阐述了大坝位移的分形特性,并结合逐步回归分析结果,对大坝的变形性态进行了评估。结果表明,在拱坝变形监测数据分析中,R/S方法能有效挖掘观测数据时间序列所蕴含的内在特征,从而进行准确的安全性态评价。     

旱涝急转条件下土石坝渗流特性分析与安全控制

为分析旱涝急转条件下土石坝的渗流特性,基于非稳定饱和—非饱和渗流理论及其有限元方法,分析了长江中下游某粘土心墙坝在旱涝急转期间不同库水位上升速度下瞬时浸润线、等势线、渗透坡降等渗流要素的变化特性,建立了渗透坡降与库水位上升历时的经验关系,通过库水位上升速度判断坝体渗透安全性能,并计算了渗流安全控制条件下的临界库水位上升速度。结果表明,旱涝急转期间,随着水库水位抬高、上升速度增大,土石坝渗流场呈现规律性变化;利用库水位上升速度评价坝体渗流安全性能,对于旱涝急转条件下坝址区合理分洪调洪措施制定等具有重要意义。