基于PCA-SSA-XGBoost算法的拱坝应力预测模型研究

由于大坝应力受水位、温度等众多因素共同作用,各影响因子间的相互关联会引起多重共线性问题,容易导致以此为输入的预测模型出现伪回归现象。此外,现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象,其预测精度还有待提高。针对上述问题,提出了基于主成分分析法(PCA)和麻雀搜索算法(SSA)改进的极限梯度提升算法(PCA-SSA-XGBoost)构建拱坝应力预测模型。该模型首先采用主成分分析法对参数进行降维,降低影响因子的多重共线性影响;进而通过SSA算法优化XGBoost的超参数,以避免传统算法过拟合,进一步提高模型预测性能。将该模型应用于我国西南某混凝土拱坝工程,对应力及应力相关监测数据进行处理、分析和预测,并与多元线性回归模型(MVLR)、神经网络模型(RBFNN)、极限梯度提升回归预测模型(XGBR)的预测结果进行对比分析。结果表明,基于PCA-SSA-XGBoost算法的应力预测模型可克服输入变量的多重共线性和过拟合问题,在预测精度方面具有优越性。     

基于Prophet模型的江坪河水电站面板堆石坝变形预测

基于机器学习的时间序列预测方法能够挖掘时序数据本身的规律,可提高大坝变形预测的精度。以江坪河水电站面板堆石坝为研究对象,对监测资料进行分析,采用Prophet机器学习模型建立堆石坝变形监测数据的时间序列预测模型,并采用贝叶斯优化Prophet模型的超参数。预测结果表明,利用机器学习模型预测堆石坝变形的精度是可以接受的,且实施过程方便快捷,无需太多的人工干预,对建立面板堆石坝的长期变形的实时动态预测模型与高堆石坝全生命周期的性状评估与隐患及时预警具有一定的实用价值。     

基于机器学习的电站耗水率计算及其对水位预测影响研究

耗水率是水电站坝前水位、尾水位预测的主要影响因素，也是电站发电计划编制和经济运行的基础，其精确计算至关重要。以三峡水库为研究对象，提出了基于机器学习的耗水率精细化计算方法。构建了基于水量平衡的水位预测模型，借助机器学习算法对耗水率与尾水位进行精确计算，并以此为基础预测2 h坝前水位与尾水位，观察机器学习算法应用对水位预测精度的提升。结果表明，在不同运行场景下，所提方法对于提升电站耗水率值、坝前和尾水位预测精度效果较好，电站耗水率误差绝对值降低60%以上，坝前水位预测误差降低约12%,尾水位计算误差降低约88%,可为电站安全稳定经济运行提供参考与支持。     

ARIMA-SVR组合方法在水质预测中的应用

针对复杂水域水质变化机理难以掌握、水质预测建模困难且预测精度低的问题,将时间序列分析方法与机器学习方法引入水质预测领域,提出了基于差分自回归移动平均(ARIMA)与支持向量回归(SVR)组合模型的水质预测方法。数据经过预处理后先由ARIMA模型对其进行线性拟合,然后通过SVR模型预测残差以补偿其中的非线性变化。选择巢湖水域2004—2015年间的pH和溶解氧监测数据作为试验样本,通过Hodrick-Prescott(HP)滤波方法分析,结果表明2组数据具有不同的趋势特性和波动特性。根据精度评价指标对比分析模型的预测效果,结果表明组合模型预测精度显著提高,pH和溶解氧预测值与观测值间的相关系数均达到了0.99,均方根误差分别为0.20和0.61,平均绝对百分比误差分别为2.2%和6.6%。本研究所建立的组合预测方法具有较高的预测精度和较强的泛化能力,适用于复杂水域的水质预测。     

PCA-FSA-MLR模型及在径流预测中的应用研究

为提高径流预报精度,研究提出主成分分析(PCA)、未来搜索算法(FSA)、多元线性回归(MLR)相融合的径流预测模型。利用PCA对样本数据进行降维处理,选取8个标准测试函数在不同维度条件下对FSA进行仿真验证,利用FSA优化MLR常数项和偏回归系数,提出PCA-FSA-MLR径流预测模型,并构建基于PCA降维处理的PCA-LS-MLR、PCA-FSA-SVM、PCA-SVM模型和未经降维处理的FSA-MLR、LS-MLR、FSA-SVM、SVM作对比模型,通过云南省龙潭站年径流及枯水期12月月径流预测实例对各模型进行验证。结果表明:(1)FSA在不同维度条件下均具有较好的寻优精度和全局极值搜索能力;(2)PCA-FSA-MLR模型对龙潭站年径流及12月月径流预测的平均相对误差绝对值分别为1.63%、3.91%,预测精度均优于其他7种模型,具有更高的预测精度和更强的泛化能力;(3)对于同一模型,经PCA降维处理的预测精度优于未经降维处理的预测精度,PCA数据降维对提升模型预测精度具有帮助。     

机器学习技术在曹娥江流域洪水预报中的应用

以逐步线性回归、正则化技术、L曲线方法等机器学习技术为理论基础,提出基于机器学习方法的水位预报模型,在此基础上建立曹娥江中下游流域的水位预报方案。水位预报模型使用逐步回归方法以使用最少的预测变量数来实现最大化预测的能力,引入正则化方法及L曲线方法在应对复共线性问题的同时引入先验信息。研究实现多模型方案的对比,分析历年场次洪水特征和重点水利工程对洪水预报精度的影响,提出基于机器学习方法的水位预报模型,在台风“烟花”中进行试运行,结果表明技术可行,方案模型准确。并应用于曹娥江中下游流域,预报结果精准。     

基于机器学习的葛洲坝水电站日均出力预测

考虑三峡水库与葛洲坝水电站的紧密水力联系以及三峡水库出库流量与葛洲坝水电站入库流量的不平衡现象,提出了基于极端梯度提升(eXtreme Gradient Boosting, XGBoost)和自回归差分移动平均模型(Autoregressive Integrated Moving Average model, ARIMA)这两种机器学习的葛洲坝水电站入库流量预测模型,以及基于贝叶斯岭回归的葛洲坝水电站日均出力预测模型,并将两种模型相结合进行葛洲坝水电站入库流量与日均出力预测。通过对2019年非弃水期的实验分析,结果表明：葛洲坝水电站入库流量预测模型优于传统的折算系数三日均值法,可降低流量预报误差;葛洲坝水电站日均出力预测模型具备较高的预测精度和较强的稳健性,可为葛洲坝水电站非弃水期日均出力计划编制提供参考。     

基于VMD-TCN-GRU模型的水质预测研究

为充分挖掘水质数据在短时震荡中的变化特征,提升预测模型的精度,提出一种基于VMD(变分模态分解)、TCN(卷积时间神经网络)及GRU(门控循环单元)组成的混合水质预测模型,采用VMD-TCN-GRU模型对汾河水库出水口高锰酸盐指数进行预测,并与此类研究中常见的SVR(支持向量回归)、LSTM(长短期记忆神经网络)、TCN和CNN-LSTM(卷积神经网络-长短期记忆神经网络)这4种模型预测结果对比表明：VMD-TCN-GRU模型能更好挖掘水质数据在短时震荡过程中的特征信息,提升水质预测精度;VMD-TCN-GRU模型的MAE(平均绝对误差)、RMSE(均方根误差)下降,R²(确定系数)提高,其MAE、RMSE、R²分别为0.055 3、0.071 7、0.935 1;其预测性能优越,预测精度更高且拥有更强的泛化能力,可以应用于汾河水质预测。     

土石坝渗流性态分析的IAO-XGBoost集成学习模型与 预测结果解释

针对现有土石坝渗流数值模拟方法计算效率较低、难以实时分析大坝渗流性态，而现有基于机器学习算法建立的代理模型又存在模型可解释性较差的问题，提出土石坝渗流性态分析的IAO-XGBoost集成学习模型，并基于Shapley加性解释(SHapley Additive exPlanation, SHAP)理论对预测结果进行解释。在采用多地质体自动建模方法和CFD技术对大坝渗流场进行计算分析的基础上，基于改进的天鹰(Improved Aquila Optimization, IAO)算法优化极限梯度提升(eXtreme Gradient Boosting, XGBoost)集成学习算法中的n＿estimators、max＿depth和learning＿rate等超参数，进而建立基于IAO-XGBoost集成学习算法的大坝渗流性态指标预测模型，以揭示上下游水位和坝基地层渗透系数等输入特征变量与渗流性态指标模拟值间的复杂非线性映射关系。进一步地，将IAO-XGBoost集成学习算法与可解释机器学习框架SHAP理论相结合，挖掘影响大坝渗流性态指标预测结果的关键特征，并解释特征变量对渗流性态指标预测的影响...     

基于GP-XGBoost的大坝变形预测模型

为了改善传统预测模型建模方法大样本训练效率低、容易过拟合、参数敏感性差的问题,引入极端梯度提升(XGBoost)算法,结合基于高斯过程(GP)的贝叶斯优化方法提升学习效率与预测精度,构建了基于GP-XGBoost的大坝变形预测模型,并通过工程实例与传统统计模型、神经网络模型的预测效果进行了比较。结果表明,构建的大坝变形预测模型预测精度高,迭代速度快,通过调整正则项参数能有效避免过拟合。     

基于1D CNN-LSTM模型的红旗水库水位序列模拟

为了提升水库水位模拟的精度,通过1D CNN-LSTM模型与五种常用的机器学习模型对安徽省红旗水库历史水位数据和降雨量数据实现未来7天的水位模拟并进行对比验证。CNN和LSTM能够表现出比较好的模拟性能,结合两种模型的优势能够更加显著的提升模型的模拟效果;1D CNN-LSTM具有较高鲁棒性,对于未来3天以内水位模拟都有较好的预测效果和精度,虽然3天以后的模拟效果有明显下降,但对未来第7天的模拟NSE和KGE依然能够达到0.8以上,在不发生极端天气的情况下,模型对于水位趋势的模拟依然具有相当的参考价值。1D CNN-LSTM模型对于红旗水库的水位模拟优于其他五种传统的机器学习模型,并具有相当高的精度。     

黄河下游豫北区高砷地下水空间分布研究

不同类型机器学习模型对地下水砷的预测存在较大差别，现有机器学习模型不能较好预测地下水砷的空间分布。基于黄河下游豫北区1 081个浅层地下水砷质量浓度实测值，结合人类活动、气候、沉积环境、土壤理化特征、水文地质等环境因子，构建以随机森林(RF)、极端梯度提升(XGBoost)、支持向量机(SVM)为基学习器，线性判别分析(LDA)为元学习器的堆叠(Stacking)集成学习模型，对研究区高砷地下水空间分布进行预测，并对关键环境变量进行识别。结果表明：研究区地下水砷质量浓度为0.01～190μg/L,超标率为16.74%;相对于RF、XGBoost、SVM模型，Stacking集成学习模型ROC曲线下面积(AUC)、准确率(Accuracy)、特异性(Specificity)和敏感性(Recall)最大；研究区高砷地下水主要分布在太行山前洼地及黄河决口扇地区，占总面积的33.81%;黄河决口情况、年均气温、年降水量、高程、水力梯度是影响研究区高砷地下水分布的重要环境变量，沉积环境与地下水中砷富集显著相关。     

应用机器学习研究土壤侵蚀的文献计量分析

为探究机器学习应用于土壤侵蚀领域的研究进展和发展趋势,基于CiteSpace等文献计量工具,借助Web of Science (WOS)核心合集数据库中收录的以机器学习应用于土壤侵蚀领域的相关文献,对该领域研究动态进行可视化展示与分类。结果表明：该领域研究成果不断增长,尤其2014年后呈指数型增加;中国是该领域内发文量与被引量最多的国家,但中介中心性低于伊朗、美国;侵蚀敏感性分析是热点问题,大多数研究者目标是基于机器学习相较传统模型分析更快更精准的特点,开发高效侵蚀预测模型;深度学习和各类回归算法是广大研究者常用的方法。未来,研究者们应充分利用不同机器学习方法的特性,探索最新的深度学习预测性能,提高复杂环境条件下土壤侵蚀的预测预报精度,揭示主要影响因子的贡献及因子之间的相关作用机制。     

机器学习在大坝渗流预测中的应用、挑战与展望

渗流的不良影响会提高溃坝风险,利用机器学习精确预测渗流情况对于确保大坝的安全和稳定至关重要。综述了机器学习在大坝渗流预测中的应用、挑战和出路。机器学习不仅可以预测大坝的渗流性态,而且能够识别渗流预测中大坝渗透系数、地下水位等关键参数。人工神经网络、支持向量机、决策树等机器学习算法已经被广泛应用于大坝的渗流预测,集成算法通过整合多种算法的优势,大大提高了预测准确性。机器学习模型在数据数量和质量、模型可解释性、复杂性、可扩展性以及部署和实现等方面仍存在诸多不足。未来的研究方向包括开发先进的机器学习算法、创建物理-数据双驱动模型和可解释模型、加强试验测试和验证等。相关成果可为基于机器学习模型的大坝渗流预测研究提供参考。     

基于LSTM-Arima的大坝变形组合预测模型及其应用

大坝变形是水压、温度等多种因素综合作用的结果,变形监测数据是非平稳非线性的时间序列,并且在时间维度上具有关联性。为充分挖掘变形监测数据在长短时间跨度上的关联性,提出了应用长短期记忆网络(LSTM)预测大坝变形的方法。为进一步提升预测精度,利用自回归差分移动平均模型(Arima)对预测残差进行误差修正,从而建立基于LSTM-Arima的大坝变形组合预测模型。以某混凝土重力坝为例,将组合模型的预测结果与Arima模型、支持向量机(SVM)的预测结果进行对比分析。结果表明LSTM-Arima的预测结果优于Arima模型和SVM的预测结果,LSTM-Arima的均方根误差(RMSE) 比Arima模型和SVM分别降低了40.65%和59.00%,平均绝对误差(MAE)分别降低了35.49%和55.60%,表明LSTM-Arima模型具有较高的预测精度。研究成果对于更精确地开展大坝变形预测有一定参考价值。     

基于随机森林算法的水华预警模型

针对湖泊水华预警模型中的数据具有噪声较复杂和非线性的特点,而传统预警方法难以解决稳健性差和过度拟合等问题,采用机器学习分类算法——随机森林,根据叶绿素a的浓度判断水华是否发生,选取水温(T)、p H值、氮磷比(TN∶TP)、化学需氧量(COD)、总氮(TN)、总磷(TP)作为影响因子,构建基于随机森林分类算法的稳健性较好、泛化性能强、实用性强的水华预警模型。选取太湖西半湖作为研究区域进行实例分析,结果表明:该模型预测精度达到91.67%,泛化误差小,能够有效进行短期预测;在水华发生的各个影响因子中,总磷和总氮是相对重要的影响因子。     

基于混合注意力机制和深度学习的大坝变形预测模型

为深度挖掘时序数据中前后信息的动态相关性,探究大坝变形的内在影响机理,有效提高模型预测精度,构建了一种基于混合注意力机制与鲸鱼优化算法(WOA)的双向门控循环网络(BiGRU)预测模型。模型利用WOA对BiGRU进行超参数寻优以有效挖掘变形数据在时间维度的深层信息,并引入融合特征注意力(FATT)和时间注意力(TATT)的混合注意力机制计算各影响因子的贡献率,使模型可视化并提高模型捕捉环境因素动态变化的能力。以某高拱坝为例,将该模型预测结果与多种常用模型预测结果进行对比分析,结果表明该模型预测精度显著提升,贡献率计算符合大坝变形研究成果,验证了模型在大坝变形预测中的优越性与合理性。     

基于提升小波优化模型在大坝位移预测中的应用

针对传统建模主观性造成的精度影响以及预测数据的噪声干扰,提出了基于提升小波的系统优化GM(1,1)模型.该模型可有效剔除监测信息的噪声分量,减小预测误差,同时根据最小二乘原理提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,建立了优化GM(1,1)预测模型的最优初始值.对某大坝位移监测信息进行了计算,相对传统GM(1,1)模型而言,优化GM(1,1)模型可明显提高预测精度.     

基于机器学习的雨型分类研究：以淠河流域为例

【目的】为了提升洪水预报方案的科学性和精度,开展降雨雨型分类,制定不同雨型的预报方案并实施作业预报是一条有效的技术路线。【方法】基于淠河流域2003—2021年37个雨量站逐小时降雨观测数据,利用业界公认的动态时间规划(DTW)算法进行场次降雨雨型分类并作为基准分类结果。在此基础上,分别选取决策树(DT)、长短期记忆神经网络(LSTM)、LightGBM、支持向量机(SVM)四种机器学习方法建立分类模型并检验分类效果。通过调整样本规模,分析不同样本容量对分类效果的影响。【结果】结果表明：四种分类模型中,LightGBM分类精度最高且训练速度快,LSTM和SVM分类精度良好但训练效率相对较低,DT方法分类速度较快但分类精度相对较低。随着样本规模的增大,分类结果逐步稳定,四种方法的分类效果和训练效率逐步提升。【结论】结果验证了机器学习方法在降雨序列雨型分类中具有较强的适用性,可为洪水预报方案分类构建提供技术支撑。     

水工结构变形预测模型构建与解释

现有基于机器学习算法的水工结构安全监控模型结果的可解释性较差。为提高安全监控模型的可解释性,发展一种基于集成学习算法的水工结构变形预测模型构建与解释方法。简述改进统计模型及随机森林（RF）、极端梯度提升树（XGBoost）两种常用的集成学习算法,引入沙普利值可加性解释（SHAP）方法实现集成学习算法模型结果的可解释性,阐述SHAP方法的原理和推导过程。以某运行初期特高拱坝变形数据为例验证方法的有效性和实用性。结果表明,XGBoost模型具有较高的预测精度,预测集决定系数大于0.982,改进统计模型精度次之,RF模型精度相对较低;SHAP方法可以分离不同自变量对效应量的影响大小,并能给出全局和局部的影响机制,实现模型拟合和预测结果的可解释性。提出的方法综合了“机理驱动”和“数据驱动”模型的优势,可为水工结构运行管理提供决策参考。