大坝沉降的灰色预测

根据灰色系统理论的相关知识,建立了小浪底大坝坝顶视准线监测点沉降变形的GM（1,1）模型,并用该模型对大坝沉降变形量进行了预测,结果表明,灰色模型可以较准确地预测大坝的沉降变形量。在实际预测过程中,应不断代入新测的沉降值,调整或更新GM（1,1）模型,以提高预测精度。     

泵送混凝土回弹测强数据处理公式的建立与计算

回弹法检测泵送混凝土抗压强度具有快速、简便的特点，但当检测数据较多时对数据的处理比较繁锁。本文提出对规程规定的“查表法”计算转化为公式后利用Excel软件进行快速计算，有效地解决了这一问题。首先根据查表参数，建立Rm=f（R。、α、测试面）的平均回弹值（Rm）和f=f（Rm、碳化深度）的混凝土强度换算值（f）、fb=（f、碳化深度）泵送混凝土强度换算值的计算公式；再对公式进行精度分析；最后利用Excel软件进行一个测区或多个测区的快速计算。     

基于EMD-LSTM耦合模型的趵突泉岩溶地下水水位预测应用

由于岩溶地下水具有强烈的非线性及非平稳波动特征,水位预测结果容易产生较大误差。针对岩溶地下水水位预测精度较差的问题,提出一种EMD-LSTM耦合模型,首先采用经验模态分解（EMD）将趵突泉岩溶地下水水位分解为5个分量（4个本征模函数项和1个残余项）,以此消除水位数据的非平稳波动性;同时构建长短期记忆（LSTM）神经网络模型,并将与地下水水位动态变化密切相关的降水量（表征含水层补给项）和月平均气温值、月最高气温值、月最低气温值、水汽压值（表征含水层排泄项）作为输入项分别对5个分量进行预测,最终将分量预测结果累加获得地下水水位预测值。结果表明：EMD能够显著消除岩溶地下水水位的非平稳波动特征;EMD-LSTM耦合模型可有效提高岩溶地下水水位的预测精度,其均方根误差相比于LSTM神经网络模型、ARIMA模型分别减小了27.86%和59.94%。总体来说,本文所提出的EMD-LSTM耦合模型具有较强的可靠性和稳定性,可为岩溶地下水水位的精确预测提供借鉴。     

围岩变形数据序列的预测方法探讨

建立围岩变形数据预测的BP模型，实现了工程中大量无法采用灰色GM（1，1）模型精确预测问题的方法探讨。实例计算证明该模型具有计算简便、可有效改善围岩变形值的预测精度。     

改进GM（1,1）模型在台兰河灌区引水量预测中的应用

台兰河流域灌区存在水量分配不均,水资源利用率低等特点,对本灌区年引水量进行模拟与预测具有重要意义。在传统GM（1,1）模型基础上,利用最小二乘原理,以原始序列与其模拟值的差值平方和最小为约束条件,构建改进GM（1,1）时间响应模型。结果表明,改进GM（1,1）模型模拟数据合理准确,精度较高,具有很强的实用性,可以运用于台兰河灌区引水量模拟与预测。     

填海造地道路软基沉降的不同数据序列GM（1，1）预测模型

为了研究不同样本数据序列GM（1,1）灰色模型在填海造地道路软基沉降预测中的实用性和有效性。结合工程实例,以软基沉降监测数据为依据,分别选取堆载预压恒载期的10组和20组实测地基沉降数据作为样本数据序列,建立了相应的GM（1,1）灰色预测模型,对软土地基固结沉降进行了预测,并将两种不同数据序列灰色模型预测结果与现场实测数据进行了对比分析。研究结果表明：GM（1,1）灰色模型所得预测曲线与实测曲线变化趋势基本一致,预测值与实测值吻合较好,实测曲线比预测曲线收敛较快,较多样本数据序列灰色模型所得预测精度更高。     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。     

基于支持向量机的城市供水管网测压点水压预测研究

随着SCADA系统的不断成熟,供水管网实时状态数据也越来越完整,充分利用这些实时数据对城市供水管网的测压点压力进行预测,是进行管网优化调度的基础。建立了供水管网测压点压力预测的支持向量机(Support Vector Machine,SVM)模型,利用实时数据进行求解,采用交叉验证的方法优化选择核函数和惩罚参数。实例表明,与BP神经网络相比,SVM模型的预测精度高、结果稳定,各个节点的预测误差均在0.2m以内。     

基于PCA-BPNN的膨胀土自由膨胀率预测

为了准确地对膨胀土进行分类,将主成分分析方法（PCA）和BP神经网络方法（BPNN）相结合,进行膨胀土自由膨胀率预测研究。首先,对影响自由膨胀率的几个物性指标数据进行主成分分析,得到主成分数据序列;然后,根据主成分数据序列建立输入样本并应用BP神经网络进行训练,得到PCA-BPNN预测结果,从而预测自由膨胀率。采用南阳膨胀土数据进行实例分析,结果表明,该模型比单一BP神经网络预测方法的效果更好。     

基于小波去噪的高斯过程回归模型在面板堆石坝沉降预测中的应用研究

引起面板堆石坝沉降变形的环境因素复杂,观测数据呈现出明显的噪声干扰特性,限制了数学模型拟合及预测的精度。对原始信号进行小波变换可有效分解其中的有用信号和噪声,因此,引入小波变换理论建立了基于小波阈值去噪的数学模型,并对面板堆石坝(CFRD)的沉降变形实测数据实施去噪,再对去噪后的数据进行高斯过程回归(GPR),建立了预测堆石坝沉降变形的模型。依托CFRD的实测沉降变形资料,采用Wavelet-GPR模型对大坝沉降进行了拟合与预测,并与未进行去噪的GPR模型计算结果进行对比。结果表明：Wavelet-GPR模型观测值与预测值的残差符合正态分布,去噪后学习段的均方根误差(RMSE)由0.928 7 mm减小至0.457 7 mm,平均绝对误差(MAE)由0.485 0 mm减小至0.330 6 mm;预测段的RMSE由1.308 9 mm减小至0.917 6 mm,MAE由0.926 3 mm减小至0.730 3 mm;且去噪后模型的样本观测值个数在其预测值95%置信范围内的占比有明显提升。因此,利用小波阈值去噪对实测沉降数据进行降噪处理能够降低噪声导致的数据观测值与真实值之间的误差,Wa...     

非线性振荡分析在土石坝变形监测资料的应用研究

传统的时间序列法是对土石坝变形观测量在特定时间范围内的变化特征进行拟合建模,无法揭示观测点变形测值之间的共性。采用分形理论中非线性振荡分析方法,研究了变形时间序列数据的相关性及后续建模选取数据的有效性,提出的定标指数可用来甄别监测点时间序列的位移值是否存在长期记忆性,有效的预测未来的发展趋势,并指出后续建模选取时间序列的起始范围。实例应用结果表明提出的方法可较好的分析土石坝变形性态及预测预报,为土石坝变形安全分析提供了一种新途径。     

滑坡(坍方)预测系统

滑坡（坍方）预测系统这个系统是根据滑动面位移的量测来实现滑坡的预测。量测前可在滑动性大的山体处设置多个测点，由于采用自动跟踪式总测站进行量测，因此还可以实现远距离实时三元量测。测点的位置应考虑到滑动山体的开挖施工情况及山体的稳定性，由于测点可以任意增...     

基于数据挖掘农田灌溉工程智能应用研究

本文为提高灌溉用水量预测精度,提出了REP数据前处理方法,先对比分析了基于参考蒸散量的预处理（REP）和等水量分布（EWD）方法在建立灌溉数据库中的优异性,之后采用人工神经网络、支持向量机、随机森林、逻辑回归、决策树对灌溉需水量的智能预测进行了分析,结果表明经过REP方法处理后的数据,对后续用水量预测精度具有大幅度提升,优势明显大于EWD方法。此外随机森林方法（RF）预测的需水量与实际耗水量更接近,准确率高达98.5%。     

基于ASWPD-BO-GRU的月径流量预测模型

为提高月径流量预测精度,并针对传统分解集成径流预测模型错误使用未来数据的问题,提出并建立了基于自适应小波包分解（ASWPD）和贝叶斯优化（BO）的门控循环单元（GRU）月径流量预测模型（ASWPD-BO-GRU）。首先,利用ASWPD对原始月径流量时间序列进行分解,在不使用未来数据的前提下得到4个相对规律的分解子序列,以降低预测难度;然后,利用BO优选分解后的子序列对应的GRU模型超参数;最终,对每个子序列进行预测,将预测结果相加重组得出月径流量预测结果。将提出并建立的模型应用于黑河流域莺落峡水文站月径流量预测中,并与GRU、BO-GRU、WPD-BO-GRU模型（基于传统分解思想对原始月径流量时间序列整体进行分解的预测模型）的预测结果进行对比。结果表明：ASWPD-BO-GRU模型的纳什效率系数（NSE）为0.89,在实例应用中预测精度最高,说明ASWPD-BO-GRU模型在正确分解的前提下具有较高的预测精度和更强的泛化能力。     

基于VMD-LSTM的河流流量预测方法

为了提高径流预测的精度,文中提出了一种基于变分模态分解算法（VMD）的长短期记忆神经网络（LSTM）预测模型。文中通过对沙里寨水文站2010年至2019年的流量数据进行预测,并与其他模型对比预测效果。结果表明,VMD-LSTM模型能够有效提高径流的预测稳定性和精度。     

分段法监控滩坑大坝渗流量

土石坝坝后量水堰测值是反映大坝渗流状况的重要监测量,然而该值易受客水干扰,特别是在降雨影响下,测值不能直接反映大坝的渗流状况,将影响大坝的结构安全评判结论.结合滩坑大坝渗流量实测数据,采用统计回归和LSTM方法,构建渗流量预报模型,可以较好地应用于不同降雨过程影响下的大坝渗流量预测预报.     

基于支持向量机的水流挟沙力预测研究

本文阐述了支持向量机（SVM）的基本原理及特性，提出了基于SVM的水流挟沙力研究方法，并对30组高、中、低含沙量的水槽试验资料进行训练，训练值与实测值符合较好，再用训练好的SVM模型对4组试验数据进行了预测，预测结果与实测值相差较小。理论分析和实例结果验证了基于SVM的水流挟沙力研究方法比BP神经网络法具有更高的预测精度和可靠性。     

GM（1，1）在软基海堤沉降预测中的应用

结合工程实例,以灰色理论为基础,建立GM（1,1）模型,利用前期较少的观测样本建立了数列,进行海堤沉降预测,并与实测数据进行比较。结果表明,当样本选取合适且数量足够时,GM（1,1）模型可获得较精确的预测结果。     

基于CEEMDAN-PE-LSTM的混凝土坝变形预测

由于混凝土坝变形监测数据有明显的非线性、非平稳特征,且数据序列包含一定的噪声,容易导致模型预测精度不高。针对上述问题,提出了基于自适应噪声完全集合经验模态分解（CEEMDAN）-排列熵（PE）-长短时记忆神经网络（LSTM）的混凝土坝变形预测模型。利用CEEMDAN对非线性信号的自适应分解能力,将原始变形数据分解为频率不同、复杂度差异明显的一组固有模态函数（IMF）,降低序列中不同尺度信息的相互影响。基于PE算法将复杂度相近的IMF分量进行合并重组。最后,对若干重组序列分别构建LSTM模型进行预测,将预测结果相加得到最终变形预测值。以某混凝土坝水平位移监测数据进行建模分析,结果表明:CEEMDAN-PE-LSTM模型与常规模型相比预测精度显著提高,能更好地对非线性数据序列进行预测。与单一的LSTM模型相比,平均绝对误差、平均绝对百分比误差和均方根误差分别降低了76.43%、75.55%和74.73%,表明该模型通过对原始序列的分解与重组获取不同尺度特征,可以更好地把握非线性、非平稳数据的变化规律,提高预测精度,能有效运用于混凝土坝的变形预测。     

基于隐马尔科夫误差校正的日前电价预测

电价预测误差是一个双随机过程,一方面是模型本身预测能力的状态序列,体现了模型对某点理想数据（剔除了随机波动的电价）的预测状态（偏高、偏低或者正常）;另一方面,则表现为在不同状态下模型对真实电价（包含随机波动）预测的误差。通过采用隐马尔科夫模型,对电价预测建模的误差进行分析,找出模型预测状态的转移规律以及模型在不同状态下的误差分布;并由此分析下一步的模型预测状态和误差概率分布,在此基础上对未来的模型预测误差进行预测校正。对美国电力市场的研究表明,该方法有效提高了模型的预测精度。