基于改进PSO-ELM算法的混凝土坝变形非线性监控模型

针对混凝土坝变形模型高度非线性问题,将极限学习机(ELM)用于混凝土坝变形监控模型的构建中,由于极限学习机的精度受输入权值和隐含层阈值的影响,引入改进的粒子群算法(PSO)进行最优求解,从而建立基于改进PSO-ELM算法的混凝土坝变形非线性监控模型。实例应用结果表明,该模型不仅可行、有效,且具有较强的学习能力和泛化能力。     

基于深度学习的大坝变形预测模型

鉴于高性能的混凝土坝变形动态预测模型是预测结构性态演化、评价安全服役状况和保障稳定高效运行的关键措施。以混凝土坝原型变形监测数据为基础,借助开源深度学习框架TensorFlow建立了基于深度学习的混凝土坝变形预测模型。工程实例应用结果表明,基于深度学习的混凝土坝变形预测模型各项评价指标均优于现浅层神经网络模型和传统的统计模型,实现了动态高精度预测混凝土坝运行性态,具有很强的工程实用性。     

基于PSO-ELM的尾矿坝变形预测

鉴于尾矿坝的特殊建造方式、随机荷载及强非线性增大变形预测难度的问题,提出利用极限学习机(ELM)映射尾矿坝变形与影响因素之间的复杂非线性关系.针对ELM算法随机产生输入与隐含层之间的连接权值和阈值的缺点,利用粒子群算法的优化能力,确定最优的权值和闽值,结合影响尾矿坝变形的因素,建立极限学习机和粒子群算法(PSO)相结合...     

克孜加尔沥青混凝土心墙坝应力变形研究

基于E-μ模型,并以克孜加尔沥青混凝土心墙堆石坝为例,采用三维非线性有限元法计算了竣工及蓄水期的应力变形,分析了参数的敏感性,探讨了心墙底部基座的布置型式对心墙应力及变形的影响。结果表明,克孜加尔心墙坝坝体及心墙应力变形均在合理范围内,并获得了心墙参数的取值与坝体应力变形的规律。     

基于局部异常系数的混凝土坝变形异常分析方法

针对回归分析方法在数值拟合方面存在的问题,根据变形监测历史数据,考虑大坝变形、水位、温度等数据的相关性,将大坝变形监测数据看作多变量时间序列,采用鲁棒性较强的Eros距离度量多变量时间序列间的相似性,并利用局部异常系数对变形数据进行挖掘和异常检测,提出了基于局部异常系数的大坝变形异常分析方法。实例应用结果表明,该方法与统计学方法所得结论一致,能较好地描述变形监测数据的异常,可用于混凝土坝变形异常评价。     

金佛山沥青混凝土心墙坝有限元应力变形分析

基于金佛山沥青混凝土心墙坝的特点,采用邓肯—张E-B非线性弹性模型计算了4种有限元计算方案下大坝的应力变形情况,选出了最优计算方案,进而对该方案下竣工期和施工期的坝体应力变形、心墙和基座应力分布及心墙水力劈裂发生的可能性进行了分析。结果表明,坝体应力变形、心墙和基座应力均能满足各工况下的运行要求。     

基于优化果蝇算法和统计模型的混凝土坝变形预测模型及应用

鉴于构建大坝安全监测模型时传统统计模型拟合精度受样本系列长度、资料可靠性、拟合方法等多种因素影响,提出一种基于优化果蝇算法和统计模型的混凝土坝变形预测模型,利用优化果蝇算法对统计模型各项系数进行优化,以提高统计模型的预测精度。对某混凝土拱坝变形的拟合和预测结果表明,相比于统计模型,基于优化果蝇算法和统计模型的变形预测模型预测精度更高,拟合效果更好。     

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。     

湿化效应对沥青混凝土心墙坝的应力变形影响

对冶勒沥青混凝土心墙坝蓄水变形及实际运行中存在的问题进行了有限元仿真计算.分析结果表明,在蓄水湿化变形后,坝体的最大沉降区域向心墙上游侧偏移,上游侧坝体围压显著降低,坝体应力水平增大.这与大坝变形规律较吻合,具有一定的工程参考价值.     

基于SAPSO-RVM的大坝变形预测模型及应用

鉴于支持向量机(SVM)存在结构稀疏化不足、缺乏概率信息等缺陷,将性能更具优势的相关向量机(RVM)理论引入到大坝变形预测的应用中。选择高斯径向基函数作为RVM模型的核函数,核参数用基于模拟退火的混合粒子群算法(SAPSO)进行寻优,进而建立SAPSO-RVM回归预测模型。实例应用结果表明,RVM模型的向量数量远小于SVM模型,在保持良好泛化能力的前提下计算结构得到简化,混合粒子群算法相较于一般粒子群算法其全局寻优能力也有所提高,SAPSO-RVM模型回归预测精度较高。     

高沥青混凝土心墙混合坝地震永久变形特性

基于坝体堆石料和沥青混凝土的三轴动力试验资料,构建了坝体填筑料的残余变形经验模型和沥青混凝土的动力本构模型,采用三维有限元法建立了某沥青混凝土心墙混合坝的静动力有限元计算模型,并计算分析了坝体的地震永久变形及不同填筑料对坝体地震永久变形的影响.结果表明,沥青混凝土心墙具有良好抗震性能,原设计方案坝体的永久沉降符合大坝地震永久变形的一般规律,根据坝址料源的实况采用原设计方案更合理,可供借鉴.     

混合遗传算法在贮灰坝监测系统上的应用

BP网络能较好地解决贮灰坝监测系统的预报问题，但容易陷入局部极小值；遗传算法能寻求到全局最优解，因此，将二者结合的突出优点在于可以克服前者经常得出局部极小值解的缺点，而取得全局最优解。将BP算法用于加强遗传算法的局部搜索，并且应用到贮灰坝的监测系统上，取得了较好的效果。     

混凝土支墩平板坝变形监测系统改造

古田溪三级大坝变形监测系统改造是在混凝土支墩平板坝且运行近40年的老坝上进行的．正倒垂、引张线、静力水准、裂缝等自动监测仪器均为国产的步进马达光电跟踪式遥测仪，系统改造后．每天监测一次．系统运行至今，能达到自动化监测的目的。同时为国内同类型坝的自动化监测系统改造提供经验借鉴。     

基于粒子群-高斯过程回归的高拱坝变形预测模型及其应用

针对高拱坝变形问题,提出应用粒子群算法优化高斯过程回归参数的高拱坝变形预测模型,基于高斯过程回归可将低维非线性关系通过核函数投射到高维线性空间的特点,利用高斯过程回归模型来表征水压、温度、时效等因素与坝体变形之间的非线性关系;同时针对迭代求解高斯过程回归模型的超参数效率低的问题,采用粒子群优化算法全局搜索模型超参数,提高了求解效率。对某高拱坝径向位移的拟合预测结果表明,粒子群优化高斯过程回归模型能较好地表征输入因子与变形之间的关系,预测坝体变形,误差在工程允许范围内,可应用于坝体变形预测分析中。     

基于万有引力搜索算法优化BP的尾矿坝浸润线预测

为解决BP神经网络在尾矿坝浸润线预测中易陷入局部最小值、收敛速度慢等问题,引入全局搜索能力强的万有引力搜索算法(GSA)优化BP神经网络的权值和阈值,进而构建万有引力搜索算法优化BP神经网络(GSA-BP)模型,并以西果园南峪沟尾矿坝NJRX2-4监测点的浸润线预测为例,对比分析GSA-BP模型的预测值与BP模型和PSO-BP模型的预测值。结果表明,GSA-BP模型构建合理,预测精度最高,预测值与实测值相近,验证了GSA-BP模型在西果园南峪沟尾矿坝浸润线预测中的可行性和有效性。     

基于STL-Holt-WOA-RF的拱坝位移预测模型

传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序列、周期序列及残差分量。在此基础上,采用鲸鱼优化算法(WOA)结合随机森林算法(RF)对三个分量进行预测,并使用Holt-Winters算法充分考虑趋势序列中的趋势信息对趋势序列的预测结果进行修正。最后将修正后的趋势序列预测结果和周期序列、残差分量预测结果相加,得出拱坝位移最终预测结果。工程实例表明,基于STL-Holt-WOA-RF的拱坝位移预测模型能够显著提高预测的准确性和稳定性,为拱坝位移预测提供了新的思路和方法。