基于改进赋权的山区堤防安全云模型评价方法

在综合分析山区堤防工程自身特性及其运行条件的基础上,结合行业规范及相关专业研究成果,构建了包含降水强度、河道形态、堤身材料、堤身渗透性及历史险情等17个评价指标的山区堤防安全评价指标体系,通过改进层次分析法和基于平均差的CRITIC法对评价指标进行主观和客观赋权,并基于博弈论组合赋权,提出了一种改进组合赋权的山区堤防安全云模型评价方法。对清远市某山区堤防工程安全云模型评价结果表明,该山区堤防工程的安全评分为706,安全等级为基本安全,与工程实际情况相符,验证了该评价方法的可靠性和合理性,可用于山区堤防安全评价。     

基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究

渗压监测是土石坝渗流安全评价的重要内容之一。由于渗压受到诸多外界因素的影响,测点的渗压值时间序列往往存在非平稳性、局部突变等特点,为此基于“分解-重构-组合”的思想构建了土石坝渗压预测的EEMD-LSTM-ARIMA模型。首先采用集合经验模态分解（EEMD）对时间序列特征进行提取,根据长短期记忆神经网络（LSTM）对提取出的特征分量进行预测,同时结合差分自回归移动平均方法（ARIMA）进行残差修正,组合LSTM和ARIMA的预测结果,重构得到改进预测模型。以某深厚覆盖层上的土石坝工程为例,选取主河床坝体防渗墙后2个典型测点的实测渗压值序列为研究对象进行应用验证。结果表明：相较于单一的LSTM模型和ARIMA模型,改进模型的平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中的最小值,预测精度明显优于另外2种模型,该模型为土石坝渗压的精确预测分析提供了新途径。     

基于人工电场算法优化的大型灌区径流预测模型研究

针对水文预报中径流预测数据序列具有非线性和非平稳性等特点,将一种新型智能优化算法——人工电场算法AEFA与LSTM神经网络结合进行参数优化,建立AEFA-LSTM预测模型,并以赵口大型灌区涡河玄武水文站实测年径流量作为样本数据进行网络优化训练和预测分析,同时与传统优化算法（遗传算法GA和粒子群算法PSO）建立的GA-LSTM和PSO-LSTM预测模型进行对比。结果表明：AEFA-LSTM模型预测值的平均相对误差相较于GA-LSTM模型和PSO-LSTM模型分别降低了7.59%和5.22%,且平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中最小,说明所建立的AEFA-LSTM模型可以更高精度地预测径流量,为水文预报提供一种新型高精度径流预测方法。