潮水影响下海塘渗压监测模型研究

分析了海塘实测渗压序列和潮位序列，确定了因果监测模型的构造和因子形式，建立了渗压潮位因果回归模型，并采用ARMA模型进行二次建模的探讨。以实例说明因果模型具有很好的拟合预测能力。     

基于果蝇优化算法的GRNN模型在边坡稳定预测中的应用

鉴于边坡系统是一个复杂的多因素影响的非线性系统,综合考虑边坡的物理状态和环境因素,采用了一种基于果蝇优化算法(FOA)的广义回归神经网络(GRNN)模型(FOAGRNN)预测边坡的稳定状态,并与BP神经网络预测模型结果进行比较。结果表明,FOAGRNN预测的精度较高,基本反映了边坡稳定的真实状态。     

广义回归神经网络在土石坝渗流监测中的应用

通过建立土石坝渗流监测数据的广义回归神经网络(GRNN)模型,对花凉亭水库坝基渗流测压管的监测数据进行了拟合与预测,并将其拟合预测结果与反向传播神经网络(BPNN)、多元逐步回归模型的拟合预测结果进行对比分析。结果表明,GRNN模型在数据拟合与预测方面均取得了很好的效果。     

统计回归方法在电站锅炉氮氧化物排放量监测中的应用

通过对电站锅炉煤燃烧过程中氮氧化物生成模型的分析，确定了与氮氧化物生成量密切相关的锅炉运行参数。使用燃烧火焰图像处理技术和辐射传递方程反演测量，得到炉膛温度场变量。将锅炉运行参数和温度场变量联合构建一个输入数据矩阵，利用偏最小二乘法对锅炉运行过程中的氮氧化物排放值进行估计。并同实测值进行对比。分析结果表明：该种方法可以用于在线实时预测污染物的排放量。图1表3参9     

不确定模型在大坝安全监测中的应用

针对大坝安全监测常规模型未考虑不确定因素影响的问题,提出了不确定模型的建模步骤,分析了不确定模型的特点及其与常规监测模型的区别,实例验证了与统计模型的拟合精度和预测效果,进而证明了在大坝安全监测中的实用性和可靠性。     

基于改进的GRNN的固体氧化物燃料电池辨识模型研究

固体氧化物燃料电（SOFC）作为一种新的能源形式,日益受到重视．针对SOFC系统过于复杂,现有的理论电压模型存在明显不足的特点,绕开了SOFC的内部复杂性,利用经过粒子群算法（PSO）优化的广义回归神经网络（GRNN）对SOFC系统进行辨识建模．以氢气流速为神经网络辨识模型的输入量,电流／电压为输出量,建立SOFC在不同氢气流速下的电池电流／电压动态响应模型．仿真结果表明所建模型能基本表示出SOFC系统的电流／电压的动态响应,说明利用GRNN建模的有效性,所建模型精度也较高．     

因子相关性对大坝监测模型精度的影响探究

介绍了逐步回归、岭回归、偏最小二乘回归、RBF神经网络、主成分RBF组合模型的基本思路与特点。以陈村大坝变形计算为例,分别建立了各种回归模型,比较了各种模型的优缺点,指出线性统计模型中偏最小二乘回归法的拟合精度及解释能力优于逐步回归、岭回归法;RBF神经网络、主成分RBF组合模型优于线性统计模型,主成分RBF组合模型最优,拟合及预测精度最好。     

逐步回归和偏最小二乘回归模型在混凝土重力坝变形监测中的应用

针对重力坝变形监测中单一回归模型存在的不足,引入水位、温度和时效各因子,分别建立了逐步回归模型和偏最小二乘回归模型,选取A电站14年的资料共88组样本点,分别采用两种模型对上下游方向S02单测点进行分析。结果表明,两种模型在很大程度上对混凝土重力坝变形监测结果分析均适用,实测值与逐步回归计算值和偏最小二乘回归计算值基本吻合,但偏最小二乘回归模型各水位、温度和时效各因子有效避免了舍弃线性相关自变量,对大坝变形的影响较逐步回归模型更加接近实际规律,在大坝变形监测中将二者方法得到的结果结合起来,得到的监测资料更为准确。     

大坝安全监测遗传回归模型研究及应用

在对简单遗传算法进行改进后，将其引入大坝安全监测领域中，并建立了遗传回归模型，力图解决传统混合模型存在欠拟合问题，工程实例计算结果表明，遗传回归模型的拟合效果较混合模型有明显改善。     

优化壁温计算模型及其在电站锅炉壁温在线监测中的应用

针对电站锅炉壁温在线监测以及炉内汽温和壁温计算的要求,对电站锅炉过热器和再热器炉内汽温和壁温的计算方法进行了优化,提出了炉内汽温和壁温的分段计算模型,对该计算模型涉及的辐射因数、角系数、辐射穿透率、沿炉膛宽度的偏差系数和沿屏高度的偏差系数进行了详细研究,并通过数值模拟对沿炉膛宽度的偏差系数和沿屏高度的偏差系数进行了优化和修正.结果表明:该模型可对锅炉过热器和再热器受热面各点温度进行实时计算,能满足电站锅炉壁温在线监测的要求.     

多测点多方向BP网络模型在大坝变形监测中的应用

鉴于大坝变形监测资料分析是大坝结构性态安全评价与预报的重要手段,针对单测点模型存在的缺点,建立了既考虑坝体不同方向的位移又考虑空间多个测点分布的多测点多方向位移模型,并利用BP神经网络较强的非线性映射能力,直接选取了对大坝变形有较大影响的自变量因子,解决了在建立大坝多测点多方向传统模型时自变量因子数众多、计算工作量大等问题。实例应用结果表明,多测点多方向BP网络模型可反映大坝变形的分布及变化规律,可见采用BP神经网络建立大坝多测点多方向变形监测模型具有可行性和有效性。     

基于逐步回归-BP神经网络的大坝变形监测模型

针对拱坝坝肩抗力体是坝体的重要受力部位,应用结合逐步回归分析方法的BP神经网络构建监测模型,以提高BP神经网络的泛化能力和模型的预测准度和精度,利用C语言编程训练,成功完成了预测,且传统模型预测数据的残差平方和大于改进后的残差平方和。实例分析结果表明,该监测模型可行、有效,并具有通用性。     

基于MFOA GRNN的汽轮机热耗率预测模型

为提高机组热耗率在线计算的精度与鲁棒性,提出多种群果蝇优化算法(Multi-population fruit fly optimization algorithm,MFOA)和广义回归神经网络(Generalized regression neural network,GRNN)相结合的汽轮机热耗率预测模型。以影响机组热耗率的主要运行参数为输入参数,建立基于GRNN的机组热耗率计算模型,并进一步采用改进的多种群果蝇优化算法优化GRNN模型中的光滑因子。将所建MFOA-GRNN热耗率预测模型应用到某1 000 MW机组中,结果表明该模型具有很好的计算精度,在测量数据发生方差增大、定值偏移等异常情况时该模型也能给出可靠的计算结果,具有较强的泛化能力和鲁棒性,满足实际工程需要。     

土石坝渗流监测统计模型的变量分离方法

统计回归模型是土石坝渗流安全监测分析中最常用和相对成熟的数学模型,通过分离变量分析环境量对效应量的影响特性是进行土石坝渗流安全评价的重要途径之一。针对采用最小二乘法分离土石坝渗流统计回归模型各影响分量时存在的因子多重共线性问题,提出了基于主成分分析的变量分离方法,并将其应用于冶勒混凝土心墙堆石坝的变量分析中。实例应用结果表明,该方法能有效避免因模型因子间的多重共线性而造成的回归系数不合理和分量峰值错位的问题,提高了分量分离结果的力学规律一致性与结构特性变化的吻合度。     

ANN-GA压力反分析模型在应力测量中的应用

针对水电工程地应力测量中测点较少、量测结果离散及计算的非线性问题,提出了基于人工神经网络（ANN）和遗传算法（GA）的应力测量压力反分析模型。该模型利用ANN预测井底压力,并结合井底量测压力值,建立一个适应度函数,然后利用GA在一个大的搜索空间中找到适应度函数的最优解,即所求的应力参数。最终利用糯扎渡水电工程实测水力压力值对该模型进行验证,结果表明模型识别应力值与实测值的相对误差在5%以内,验证了ANN-GA模型的有效性,为水电工程应力确定提供了新方法。