基于多尺度小波分析的大坝变形自回归预测模型

针对大坝变形监测数据序列一般具有较明显的多尺度特征、年周期性和非平稳趋势性等特点,为克服自回归模型在大坝非平稳性变形预测方面存在的不足,利用多尺度小波分析理论在处理非平稳信号上的优势对变形监测数据序列进行分解和重构,然后对重构的不同尺度下的数据子序列分别建立自回归预测模型(AR模型),最后叠加各尺度下的预测结果,从而将多尺度小波分析与自回归模型有机地结合起来,为大坝变形预测提供了一种新的预测模型,并给出了一个工程实例.研究表明:与传统的单一自回归预测模型相比,该大坝变形预测模型能较大地提高预测精度.     

大坝监测数据自回归模型特征根的应用研究

为了通过对大坝监测数据的分析来确定大坝安全监测的安全监控指标,应用时间序列分析方法,采用Levinson递推方法进行参数估计,对大坝监测数据回归分析模型的残差建立AR(p)模型.根据AR(p)模型特征多项式的根与单位圆距离的变化情况来判断大坝结构性态的变化趋势,并据此进行大坝的安全评价.在应用实例中,拱坝在运行过程中产生的裂缝和对坝体所进行的灌浆加固措施,对坝体结构性态所产生的影响以及变化均能够在分析结果中较好地反映出来,表明在大坝观测数据分析时,可以应用该方法有效地进行大坝结构性态的安全评价.     

弄另水电站厂房后边坡变形监测与变形预测

弄另水电站厂房后边坡由于所处的不良地质环境和开挖、降雨等因素的影响,需要通过安全监测网对边坡的安全动态进行准确的分析和评价。利用监测点IN1、IN2的变形监测数据对边坡情况进行了分析,建立了边坡位移时间预报的非平稳时间序列分析模型,基于该模型预测边坡岩体变形趋势。预测结果表明,ARMA模型实时建模的分析方法能较好地反映边坡位移变形的动态变化规律,准确预报出边坡位移的发展趋势,该边坡在采取加固措施后变形已基本稳定。     

基于单位根检验和ARMA模型的桥墩位移稳定性时间序列分析

评估桥墩位移是否收敛和稳定是桥梁健康评估的重要内容。在运用全球定位系统获取桥墩三维监测位移的基础上,首先运用时间序列方法对监测数据进行处理和分析,并使用单位根检验来确定桥梁监测序列是否平稳,为了克服短期偶发因素影响,进而建立自回归移动平均模型对桥梁信号监测数据进行预测分析,最后将桥墩水平位移实测数据与模型拟合结果的残差序列进行单位根检验,以进一步确定桥墩位移的长期稳定性。工程实例表明：单位根检验表明监测序列没有时间趋势,不存在单位根,数据序列为平稳序列,具有常均值和方差;自回归移动平均模型能够较好地刻画监测数据,且具有较高的可靠性和可行性;根据平稳时间序列模型的特征,可以计算监测序列的均值和方差。     

变形观测数据时间序列建模中的几个问题

针对在变形观测数据时间序列建模中所遇到的问题,对变形观测数据时间序列建模中的数据预处理、模型 选择、模型定阶与系统稳定性检验等问题进行了研究,提出了分析数据趋势项提取的AR模型方法,编写了C语言 计算程序,实现了样条函数插值方法、周期项提取的差值法,建立ARMA分析模型,对变形预测数据与实际观测数 据进行了比较。结果表明:该方法的正确性以及时间序列分析方法在变形数据处理与分析中的适用性与可行性。     

ARIMA模型及其在时间序列分析中的应用

ARIMA模型是一类精度较高的时间序列短期预测模型,借助于计量经济学软件Eviews5.0对吉林省1980~2005年的全社会固定资产投资总额数据,建立了ARIMA(3,1,2)模型,并对未来几年吉林省全社会固定资产投资进行了预测分析,很好的解决了非平稳时间序列的建模问题.     

基于递阶对角神经网络的大坝变形预报模型

针对大坝工作条件复杂,影响因素繁多,致使现有监控模型预报精度偏差过大问题,基于递阶对角神经网络能够逼近任意非线性函数的特点,使用串并联模型辨识器,采用动态BP学习算法,以水压、温度和时效因子为输入量,坝体位移为输出量,结合工程实例提出了大坝变形监测的递阶对角神经网络模型,并将该模型用于坝体变形数据的拟合分析及其预测预报.研究表明,该网络不仅收敛速度快,提高了算法的效率,而且对实测数据具有较好的拟合效果,提高了预报精度,在大坝安全预测分析中具有有效性和优越性.     

模型预测技术在桥梁健康监测中的应用

针对钱江四桥实时健康监测系统的监测数据,采用AR模型、ARMA模型以及灰色系统的GM(1,1)等随机模型,进行数学建模,并对各模型进行了不同步长的预测研究. 结果表明,当采用合适的数学模型参数后,预测和实际监测结果十分吻合.各个模型进行比较后发现,灰色模型只需要少量原始信息,而且它的短步长预测效果优于时间序列模型;灰色模型和时间序列模型的预测误差都会随预测步长的加大而增大．     

基于卡尔曼滤波的GM(1,1)-AR预测模型在变形预测中的应用

针对变形监测数据的随机不确定性规律,将卡尔曼滤波引入以消除随机扰动误差,利用GM(1,1)模型能直接处理非平稳时间序列且拟合时间序列中的趋势项功能强大这一优势,将灰色理论与时间序列分析法相结合形成非线性组合模型,对变形监测数据进行分析预测,并将该预测模型用于建筑物变形工程实例进行分析。对模型检验表明:基于卡尔曼滤波的GM(1,1)-AR模型的预测结果与其他预测模型相比,平均残差和残差的方差均有所减小,且具备较高的精度,对了解建筑物变形的发展趋势以及研究建筑物变形情况及稳定性具有一定的参考价值。     

青藏块体河西地区断层变形预测研究——以金塔南场地为例

采用青藏块体河西地区中具有季节性时间序列特征的金塔南场地的变形监测数据,依据单个预测模型各自的特点,选用灰色模型和灰色时序组合模型对该组数据建立预测模型。研究结果表明:灰色模型能很好地描述季节性时序的宏观发展趋势,时间序列模型能很好地描述季节性时序的周期性微观趋势。灰色时序组合模型结合了两者的优点,适用于季节性时间序列的变形分析与预测,预测结果可靠性较高。     

基于遗传神经网络的大坝变形预测模型研究

神经网络具有自学习、修正误差的能力，遗传算法具有较强的全局随机搜索能力，两者结合可以优势互补. 在编码、选择、交叉、变异等方面对基本遗传算法进行改进，提高其效率和性能，并利用改进的遗传算法对神经网络权阈值进行学习，同时确定最佳的网络结构. 利用原型观测资料建立了大坝变形预测的遗传神经网络模型，模型具有良好的预测性能及泛化功能，为大坝安全监控提供了有力的技术支持.     

小浪底工程近坝岸(边)坡外部变形监测及数据分析

介绍了小浪底工程的概况和近坝岸 (边 )坡外部变形观测的必要性 ,然后对监测系统的方案设计与监测情况进行了叙述 ,用常规分析的方法对观测数据进行了分析 ,最后采用统计学中的逐步线性回归方法 ,对位移量较大的某一测点建立了位移量的数学模型 ,并进行了回归拟合和预报 .     

卡尔曼滤波在变形监测数据处理中的应用

通过对某大坝动态变形监测数据的卡尔曼滤波处理和结果分析,并考虑大坝水位和温度影响建立与水位和温度因子有关的模型,同多元线性回归分析方法和多项式拟合方法对比,表明卡尔曼滤波模型能够实时,快速地处理大量动态变形数据,并能有效地改善动态变形监测数据的精度。     

基于InSAR与多源数据融合的堆石坝外观变形重构

为了满足200~300 m级堆石坝变形监测的需求，弥补利用单轨道合成孔径雷达 （SAR）数据只能测得地物视线向与方位向二维变形的不足，基于集合卡尔曼滤波将合成孔径雷达干涉（InSAR）观测与常规点式监测数据进行跨尺度融合，提高堆石坝外观变形的监测精度；利用多维度监测数据，重构堆石坝外观变形场. 以水布垭面板堆石坝为例进行研究，结果表明，多源数据融合能够实现“大范围、低精度、高效率”的新型监测技术与“离散点、高精度、低效率”的常规监测技术的优势互补. 基于多维度监测数据重构外观变形场能够全面地掌握堆石坝的整体变形性态，降低单维度监测结果对实际变形漏判或误判的可能性. 该方法可以用于库岸边坡的变形监测和变形场重构.     

基于监测时序分解再重构的混凝土拱坝位移预测组合模型

针对混凝土拱坝变形机理的复杂性与测值的高度非线性,为提升模型的预测能力,提出了一种融合残差有效成分的混凝土拱坝变形预测组合模型。鉴于统计模型无法有效联系筑坝材料性能演变对大坝变形的影响,结合有限元方法计算水压分量进而构建混合模型;同时,考虑到混合模型残差序列的混沌与周期性特征,应用集合经验模式分解(EEMD)将其解构为具有不同时域特征的本征模态分量,进一步综合粒子群优化的极限学习机(PSO-ELM)和季节性差分自回归积分滑动平均模型(SARIMA)模型对所解构的高频与低频信号分别建模预测,据此构建了变形组合预测模型。工程实例分析表明,较常规监控模型,所建组合模型拟合与预测能力更优,有效验证了所建模型的合理性与可行性,可为大坝变形监测数据分析与预测提供新的技术支撑。     

基于混沌优化支持向量机的大坝安全监控预测

首先介绍了基于统计学习理论的一种新的机器学习技术——支持向量机(Support Vector Machine,SVM),并针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的混沌优化(Chaos Optimi-zation)技术应用到支持向量机惩罚函数和核函数参数的优化,提出了混沌优化支持向量机(Chaos Optimization Support Vector Machine,COSVM)方法.根据丰满大坝1997-2004年的实际监测数据,建立了混沌优化支持向量机大坝安全监控预测模型,进行了与统计回归模型和BP神经网络模型的分析比较,结果表明,COSVM模型具有更高的预测精度,同时在较长时段的预测中,COSVM模型也表现出更好的泛化推广性能.     

地质力学模型试验中的变位信息监测及其在工程中的应用

地质力学模型试验是研究高拱坝与地基整体稳定安全的重要方法之一。在试验中,通过变位监测可获得大量的模型变位数据,但如何通过这些变位数据来评价高拱坝的稳定安全性还有待研究,特别对于地质力学模型综合法试验还没有形成一套完整的变形稳定分析评价体系。本文首先根据地质力学模型超载法、降强法和综合法三种破坏试验方法的原理和点安全系数基本公式,建立了基于地质力学模型综合法试验的大坝稳定安全系数评定关系式;其次,应用变形突变理论,提出将坝体和坝肩岩体变位曲线中的拐点1作为初裂特征点、拐点2作为大变形特征点,并将各特征点对应的安全系数作为评价高拱坝整体稳定的依据。然后,采用地质力学模型综合法,开展了加固地基条件下锦屏一级高拱坝三维地质力学模型破坏试验,获得了坝与地基的表面变位、坝体应变和结构面内部相对变位的分布特性,并找到变位发展过程曲线中的特征拐点,综合模型破坏形态等分析得出坝肩稳定综合法试验安全度为5.2~6.0。该成果为工程的设计施工和安全运行提供了重要的依据。     

观测分析中的回归-时序列模型

大坝观测数据经常规回归分析后的残差序列一般并非为白噪声。考虑将回归拟合与随机型时间序列方法结合，先对大坝位移数据按水位、温度、时效等物理因素作回归分析，再对回归残差作时序列建模处理，实例采用Box-Jenkins法和自由相关、偏自相关函数及AIC准则进行模型识别，建立时序列模型，应用示例的计算表明，这样获得的回归-时序列模型能很好拟合实测数据，提高精度，误差序列也符合白噪声要求。