基于RBF神经网络的裂缝开度预测模型

大坝裂缝开度是大坝安全的重要特征之一。针对传统裂缝开度预测模型的不足,提出了基于RBF神经网络的裂缝开度预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,加快了收敛速度,缩短了训练时间,使得预测精度提高,因此能较好地预测裂缝开度值。利用Matlab的RBF神经网络工具箱建立了裂缝开度预测模型,并应用于实际工程中,取得了较高的拟合预报精度,说明该方法具有较强的实用性。     

BP网络监测模型的Matlab&Delphi混合编程

结合Maflab和Delphi各自的优点,利用M文件的传输技术将Delphi和Matlab连接起来,开发出界面友好,功能强大的BP神经网络应用系统,并利用该系统建立了大坝变形监测模型.模型的实际应用表明,该系统具有建模方便、快捷、拟合预测精度较高的优点.     

基于MSC.Marc的边坡渗流及稳定有限元分析

利用MSC.Marc软件提供的用户子程序,对MSC.Marc进行二次开发。采用死活单元技术和折减过渡单元虚区高斯点渗透系数的方法对边坡的稳定渗流场进行分析,由各节点水头值分析单元所受渗透力,并以其代替周边孔隙水压力施加于土体单元,最后采用有限元强度折减法进行渗流作用下边坡的稳定性分析。算例表明,基于MSC.Marc软件分析边坡的渗流及稳定是可行的。     

机器学习算法在大坝安全监控系统中的集成方法

为方便在大坝安全监控系统中灵活应用新型机器学习算法，提出了一种应用组件对象模型（COM）技术将机器学习算法集成到大坝安全监控系统中的方法，相比于在开发系统中直接对机器学习算法进行编程，该方法可节省大量的编程时间，缩短开发周期，效果较好。     

机器学习算法在大坝安全监控系统中的集成方法

为方便在大坝安全监控系统中灵活应用新型机器学习算法,提出了一种应用组件对象模型(COM)技术将机器学习算法集成到大坝安全监控系统中的方法,相比于在开发系统中直接对机器学习算法进行编程,该方法可节省大量的编程时间,缩短开发周期,效果较好.     

基于Delphi和Surfer的大坝等值线自动绘制技术及其应用

基于Delphi应用软件及Surfer接口技术实现大坝等值线的自动绘制,既发挥Delphi数据库功能强大、开发效率高等优点,又充分利用了Surfer卓越的网格化和绘图能力,减少了绘制等值线图的手工劳动,从而大幅度节约了批量绘制等值线图的时间,提高了工作效率。实际应用表明,在大坝安全监控系统中采用该技术,能够方便、快速、准确地绘制大量的等值线,为大坝安全分析提供了及时有效的工具,因此具有良好的应用前景。     

基于数据挖掘的危险源辨识技术

在对水利水电工程施工事故的危险源进行辨识时,传统的辨识方法主观性过强,效率与准确度不高.采用基于数据挖掘的危险源辨识技术对历史施工事故数据进行挖掘,通过研究施工事故、危险源以及能量体的关联属性构建合理的关联规则,提高了危险源辨识的效率和准确度.实际应用结果表明,该方法切实可行,能够较为准确、高效地辨识各类危险源.     

水利水电工程高边坡的危险源辨识和风险评价

高边坡稳定一直是水利水电工程中的难点问题,笔者结合危险源理论,依据已有工程项目的经验和相关规范、标准,采用经验对比法对高边坡危险源展开较为深入的辨识。在此基础上,构建了水利水电工程高边坡风险评价指标体系,考虑到指标体系中定量指标和定性指标相结合以及最终风险评价结果存在模糊性的特点,结合具体工程实例,应用模糊层次分析法对水利水电工程高边坡风险评价进行了探讨。     

CPSO-NN模型在大坝安全监控中的应用

针对大坝安全监控中传统BP神经网络模型由于采用最速下降法求解网络权值而存在的计算过程复杂、易陷入局部极值点等缺点,提出大坝安全监控神经网络权值的协同粒子群优化求解方法。该方法先把网络权值的计算问题转化为粒子群的寻优问题,然后通过粒子群协同寻优实现对网络权值的计算。工程实例分析结果表明:基于协同粒子群算法的神经网络模型计算简单、收敛速度快、拟合精度高,为大坝安全监控分析提供了一种有效的新方法。     

噪声自适应抑制技术在大坝安全监测数据处理中的应用

利用传感器监测大坝安全特征量从而实时掌握大坝安全状况是目前较为常见的安全监控手段。噪声干扰是传感器数据输出的重要问题,严重影响建模分析的精度。针对传统线性滤波的不足,提出了基于RBF神经网络的非线性神经网络滤波器,该模型克服了传统线性滤波对非高斯噪声处理时的缺点,且不需要关于输入信号和噪声的先验知识,非线性映射能力强。采用自适应噪声抵消基本原理,构造RBF神经网络自适应滤波器,然后针对该系统建立Simulink仿真模型。该技术应用在大坝监测数据处理中,取得了良好的效果。