基于Gumbel Copula函数的堆石坝沉降模型因子优选研究

为克服常规沉降模型因考虑众多影响因子造成欠拟合及预测精度不高的缺点,首先由因子优选准则得到沉降模型的预选因子集,运用了Copula熵和PMI(偏互信息)两种方法对预选因子集进行优选,再将优选因子集引入沉降模型并计算典型测点的沉降值,验证了该优选方法的可行性。实例表明,基于Gumbel函数的沉降模型拟合预测精度优于常规模型,具有较高的工程指导意义及较好的推广价值,可运用于堆石坝的变形预测。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

基于PSO优化K-Means算法的边坡安全等级评价研究

由于较多因素影响边坡的稳定,且各因素之间关系复杂相互影响,为了更加准确地评价边坡情况,采用了粒子群优化K-Means聚类算法,有效地摆脱了常规K-Means算法因局部最优而陷入极值的缺点,增加了粒子群群体的多样性,提高了评价结果的全局最优性。对三峡库区的36个边坡工程分析,结果表明该优化算法优于常规K-Means聚类算法。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。