基于Kmeans-EMD与IWOA-Elman的碾压速度异常值检测与修正

碾压速度是评价压实质量的重要指标,但在监控过程中,碾压速度易受施工环境、定位漂移等干扰而出现异常检测值,影响压实质量的评价精度,但目前还缺乏对碾压速度异常值检测与修正的相关方法研究。为保障碾压速度的数据质量,结合碾压速度的时序变化特征,利用Kmeans算法初步定性检测异常值,弱化异常值对经验模态分解(EMD)结果的影响,并基于EMD实现对异常值的精细定量检测,提高异常值检测的精度;进而利用经混沌种群初始化、非线性收敛因子、自适应惯性权重与鲶鱼效应-黄金正弦改进的鲸鱼优化算法(IWOA)优化Elman神经网络,并构建碾压速度异常值修正模型,实现对碾压速度异常值的修正。将本文方法应用于西南某大型水电工程,结果表明：Kmeans算法与EMD的联合作用相比箱线图法可更高精度地检测碾压速度中的异常值;IWOA-Elman神经网络预测值与真实值的相关系数达到0.907 75,相比常规模型不仅可以更好地确保数据的完整性与可靠性,还可以为压实质量的高精度评价奠定良好的数据基础。     

实时监控下砾石土料掺配质量IBAS-BP动态评价

传统的砾石土料掺配质量评价主要以旁站监理方式控制掺配施工参数,并以随机取样点的P5含量作为掺配质量评价指标。该方法不仅在掺配施工参数控制上易受人为因素干扰,而且在掺配质量评价过程中时效性差、随机性大,缺乏对掺配均匀性和其他粒径颗粒含量的考虑。针对上述问题,本文提出基于IBAS-BP神经网络的砾石土料掺配质量动态评价方法。首先,通过综合考虑砾石土料掺配过程涉及的各粒径颗粒含量,提出砾石土料掺配均匀性评价指标（blending uniformity value,BUV）,用以反映掺配质量;其次,基于GPS定位、无线传输等技术提出一种砾石土料掺配实时监控方法,实现砾石土料掺配施工参数的实时监测与采集;最后,利用基于回溯思想和非线性步长调整函数改进的天牛须搜索（improved beetle antennae search,IBAS）算法优化的BP神经网络实现全仓面砾石土料掺配质量的动态评价。工程应用结果表明：掺配实时监控方法能有效监测掺配施工参数、保障施工质量,且BUV对掺配质量的评价结果与掺配后取样检测结果一致。此外,模型预测值与实测值相关系数达0.953,预测值与实测值的平均值误差和标准差误差分别为0.23%和6.17%,与常用回归模型相比,本文模型表现出一致性、代表性和优越性。