基于GACO-BP-MC的大坝变形监控模型

建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法(ACO)对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法(GA)引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链(MC)对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。     

改进的灰色马尔科夫模型在大坝变形预测中的应用

针对灰色模型在建模过程中受到随机扰动影响这一问题,利用马尔科夫模型预测波动性数据准确的优势,对灰色模型进行改进,并应用于大坝变形预测计算与分析。结果表明,改进的灰色马尔科夫模型对存在扰动数据的大坝变形预测中,可以获得较好的预测效果,提高预测精度。     

基于逐步回归的BP网络混合模型在大坝变形分析中的应用

大坝变形预测的准确性对大坝的安全评估起着重要作用,而分析预报的方法至关重要。介绍了逐步回归模型和BP神经网络模型,提出将逐步回归模型和BP神经网络模型相结合的SR—BP混合模型,并通过实例证明了模型的可行性和有效性。与逐步回归模型和BP网络模型法相对比,计算量少、精度高、模拟效果较好。     

大坝变形空间函数监控模型

对于传统的大坝变形监控模型,温度分量有着欠拟合的现象,对此进行了改进。为了反映大坝整体变形规律,引入空间坐标向量,建立了基于温度分量改进的大坝变形空间函数监控模型。所建的监控模型由于因子较多,因此应用量子遗传算法及逐步回归分析选择了显著性因子并剔除了不显著因子。最后将所建的大坝变形空间函数监控模型应用于某混凝土坝变形监测中,结果显示,所建模型较传统大坝变形监控模型精度高。     

逐步回归模型在大坝监测中的应用

在实测数据基础上建立了坝基扬压力与相关因子的逐步回归模型,证明所建立模型合理,模拟程度较好.与全回归模型相比较,计算量小,精度高.     

基于遗传算法优化BP神经网络的大坝变形监控模型

一个合理的位移监控模型是通过大坝安全监测实现大坝安全监控的关键因素之一.针对传统的统计模型、确定模型和混合模型的不足,提出基于遗传算法优化BP神经网络的GA-BP模型的方法,并将该模型用于大坝变形预报研究.最后以某拱坝为例,对该拱坝拱冠梁坝顶径向水平位移实测值建立了GA-BP模型,并将模型用于某坝顶径向水平位移预报.结果表明GA-BP模型不仅比统计模型具有更高的拟合精度,且在大坝变形监测预报上也是有效的.     

灰色—马尔科夫模型在南俄5水电站大坝变形预测中的应用研究

利用灰色—马尔科夫模型对南俄5水电站大坝变形进行预测分析研究,利用数据分组技术进一步提高了灰色—马尔科夫模型预测变形的精度。以南俄5水电站大坝表面水平位移观测值为样本,将大致能够拟合为指数函数曲线的数据分为一组,然后分别考虑不分组和分组两种情况预测其未来值。经过计算对比后发现合理的分组可以使预测值的相对误差缩小到11%以内,精度较之前有了明显的提高。由此表明,利用灰色—马尔科夫模型并结合适当的数据分组技术对大坝变形的预测有较好的效果。     

基于M-ELM的大坝变形安全监控模型

针对大坝变形监测数据存在的非线性强、异常值诊断和剔除工作复杂及传统监控模型抗粗差能力差等问题,结合稳健估计理论抗粗差性强和极限学习机在处理非线性问题方面的优势,建立了基于稳健估计极限学习机的大坝变形安全监控模型。试验确定网络隐含层层数,构建4次方损失函数,采用加权最小二乘法计算输出权值,实现原始监测数据的拟合和预测。以某工程大坝变形监测数据为例进行建模分析,结果表明:以反映模型预测精度的均方误差和平均绝对百分误差及反映模型鲁棒性的中位数绝对偏差作为评价指标,基于稳健估计极限学习机的大坝变形安全监控模型的各项指标明显优于对比模型。     

大坝温度变形确定性模型的测点温度法

在大坝变形安全监控确定性模型的温度变形分量中引入测点温度法,不仅可以简化计算,还可以提高安全监控模型的质量,并为大坝安全监控自动化拓宽了应用前景。     

灰色模型在大坝变形监测与预报中的应用

建立有效实用的大坝变形监测模型,对于大坝运行意义重大。目前国内外常用统计模型和确定性模型来预报大坝变形,但精度普遍不高。作者提出一种基于不确定性模型的非等间隔灰色模型对大坝变形进行监测预报。预报过程建立在数学基础上,而且预报结果的精度能够满足工程需要。     

大坝安全监控的门限回归预测模型及其应用

 大坝监测效应量在工作过程中受内部和外部因素的 共同作用,经常出现跳跃、渐变、再跳跃等复杂周期变化,表现出高度的非线性,为建立常规的大坝安全监控预测模型带来了不少麻烦。借鉴门限自回归模型的门限思想,在常规回归模型中引入门限因子和门限值,利用提出的最佳拟合相关分析法确定门限因子和门限值,建立了门限回归模型。计算实例表明该方法用于大坝安全监控预测可以取得满意的效果。     

逐步回归分析法的一点不足之处

在大坝安全监测分析中，通常采用统计模型、确定性模型或者混合模型对影响观测值的环境量进行定性和定量分析而获得这些模型的最优解，一般通过逐步回归分析法。但事实上，在遇到具体情况时逐步回归分析法并不一定能寻求到最优解，通过全面比较各因素对观测值的影响，提出了逐步回归分析法的一点缺陷。     

多元逐步回归模型在滑坡变形预测分析中的应用

在滑坡体变形监测数据分析中,引入时效、温度和降雨等作为滑坡体变形的影响因子,应用SPSS软件,采用多元逐步回归算法,建立滑坡变形的统计回归模型.将该模型拟合值与实测值的对比分析,能较好地反映滑坡体的变形规律和发展趋势,并识别影响滑坡变形的主要因素.工程实例表明,该模型的预测精度高于以往其他方法构建的模型,且操作简便.     

周公宅水库拱坝变形回归分析

针对宁波市周公宅水库大坝垂线观测资料进行了计算分析,研究了拱坝变形的一般规律,并采用逐步回归方法分析了水位、温度及时效因子对拱坝变形的影响。从统计模型、工程概况、测点布置、回归成果分析几个方面介绍并分析了各因子影响大坝位移的程度,得出了大坝位移主要受温度影响的结论。     

拱坝变形监测预报模型研究

采用力学方法计算拱坝变形的水压分量和拱坝各水平截面原度方向的平均温度Rm和线性温差Td，但仍用统计方法选取变形的温度因子和时效因子，从而建立拱坝变形混合模型作为预报模型．其中，变形水压分量的计算采用了有限元法和拱架法；Tm和Td的计算，分析了分段水位的选用，气温和水温对变形影响的滞后规律、水温相位差选用等问题．实践证明，该模型具有计算简便，适应性广，预报效果好等特点。     

基于主成分回归的大坝位移模型

位移监测是大坝安全运行过程中一项重要的工作。在建立大坝位移预报模型的过程中,常会出现影响因子之间存在严重相关性的情况,会影响模型系数的稳定性,采用主成分回归分析的方法可以很好地解决这个问题。在简述主成分回归分析原理的基础上,结合工程实测数据,建立了坝体位移量与相关因子的主成分回归模型和逐步回归模型,并对两者进行比较,取得了良好的效果。     

隔河岩大坝垂线观测的回归模型研究

本文以隔河岩水利枢纽工程某坝段正垂线观测数据为基础,用回归分析法对大坝变形监测统计模型进行了研究,并就水压、时效和温度对大坝测点水平位移的影响情况等进行了初步分析。     

基于模糊规则推理的大坝安全监测变形预测模型

研究了将模糊规则推理和粗糙集理论相结合建立大坝安全监测变形预测模型的新方法.该方法采用粗糙集理论对原始监测样本数据进行离散,根据离散结果确定模糊推理规则,并通过对规则的模糊推理建立大坝安全监测变形预测模型.实例分析表明,该模型在大坝变形影响因素重要性评价和非确定性测值预测方面取得了满意的结果.     

土石坝渗流监测资料分析的逐步回归分析方法

通过对某土石坝测压管监测资料的分析,介绍了逐步回归方法应用于土石坝渗流监测资料分析的原理、步骤,以及变量的选取等问题.结果表明,逐步回归是渗流资料分析的一种有效方法,回归结果能基本反映土石坝渗流的主要影响因素,回归计算值与实测资料吻合较好.