基于BBO-SVM的大坝变形预测模型与性能验证

针对大坝监测数据小样本、高维度和非线性的特点,引入支持向量机( SVM) 机器学习方法,采用生物地理学优化算法( BBO) 优化其惩罚因子 c 和核函数参数 g,建立了基于 BBO-SVM 的大坝变形预测模型。结合 2011—2016 年水口大坝 4 个测点共 900 组环境量与效应量监测数据,对模型预测性能进行了验证,并将预测结果与 SVM、PSO-SVM 和 ABC-SVM 大坝变形预测模型进行对比。结果表明: 文中提出的 BBO-SVM 模型不仅预测精度高,且稳定性更好,4 个测点的均方根误差分别达到了 0. 332 0、0. 473 5、0. 405 7、0. 222 8,拟合优度分别达到了 0. 910 4、0. 961 0、0. 962 4、0. 956 9。本研究可提高大坝安全监测成果利用,对于大坝健康状态预测评估具有一定的工程指导意义。     

基于SVM-ARIMA的大坝变形预测模型

大坝变形的实测值序列是一个非线性、非平稳的时间序列,支持向量机引入核函数后能有效解决非线性问题,因此可用支持向量机对大坝变形进行预测。为了提高预测精度,进一步对残差序列进行分析,通过ARIMA模型对残差序列进行预测,建立了SVM-ARIMA组合模型。将大坝变形时间序列分为趋势项和误差项,分别用SVM和ARIMA模型进行预测,综合两项结果得到模型的预测值。结合实测资料对模型进行检验,结果表明组合模型精度较高。     

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FCM-XGBoost的大坝变形预测模型

变形是评价大坝是否安全的重要指标之一.随着变形监测测点的不断增加,实现对所有测点的分析意味着消耗大量时间,往往会出现预报不及时的问题;另一方面,传统机器学习算法的引入虽然提高了预测精度,但参数选取不佳时对结果影响很大且建模过程十分复杂.引入模糊C-均值聚类(FCM)和极端梯度提升算法(XGBoost),首先对大坝的变形...     

基于AAFSA-LSTM的大坝变形预测模型

对大坝变形情况进行预测,明确大坝的实际状况是保证其长期安全稳定运行的关键之一,目前研究中普遍存在预测精度不足以满足实际需求的问题.为此,将长短时记忆网络(Long and Short-term Memory Network,LSTM)模型引入大坝变形预测的研究,并利用自适应人工鱼群算法(Adaptive Artific...     

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力，建立了一种基于卷积神经网络(Convolutional neural networks, CNN)与深度学习长短期记忆(Long short-term memory, LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征，再利用LSTM生成特征描述，该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例，经过CNN-LSTM模型计算，将模型变形预测值与原型监测资料进行对比，再与LSTM模型及CNN模型的预测结果进行对比。结果表明，CNN-LSTM模型预测值最接近监测资料实测结果。     

基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSO-ANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。     

基于EMD-EEMD-LSTM的大坝变形预测模型

大坝变形监测数据通常呈强波动性,针对大坝变形信息中的高频分量,提出了EMD-EEMD-LSTM模型对其中的大坝变形信息进行分析,预测大坝变形趋势。首先,选取EMD对原始大坝变形序列进行分解,得到若干分量;针对高频分量,使用EEMD对其进行分解,以挖掘蕴含其中的有效变形信息;最后以LSTM为预测模型,对上述得到的各分量进行建模分析。分析表明,EMD-EEMD模型可以有效解决了原始变形序列及高频分量的强波动性,结合LSTM在时序预测中的优越性,基于EMD-EEMD-LSTM的大坝变形预测模型具有较高精度。     

基于EEMD-LSTM-MLR的大坝变形组合预测模型

大坝变形监测数据序列具有非平稳、非线性特征,是水压、温度和时效综合作用的结果.引入集合经验模态分解(EEMD)方法处理变形数据,在得到多尺度大坝变形分量的基础上,对于其变化复杂的高频分量,采取长短期记忆神经网络(LSTM)以获得较优预测结果;对于周期性变化的低频分量,借助多元线性回归(MLR)实现快捷且有效的预测;最终...     

贝叶斯框架下的大坝变形交互式时变预测模型及其验证

大坝变形是同一时刻内外多重风险因素综合作用的结果,应用时序分析方法挖掘历史监测数据潜在规律是变形预测的常用方法,现有时变预测模型不仅参数配置难度高,且难以融入专业知识,导致预测效果并不理想。本文提出一种耦合自动预测算法与大坝专业知识的交互式变形预测模型。该模型在贝叶斯框架下,以加法模型为基础重构各时序分解项作为模型底层,根据仿真结果甄选模型参数缺省值进行自动预测,通过结合参数化检测与直观参数配置实现交互式建模,并借助拟合可视化和统计指标准确反映预测误差来源,从而进一步修正参数以提高模型适用性。基于上述流程协同构建的大坝变形循环预测体系,以某混凝土坝多测点长期变形监测数据为例,对模型的准确性、鲁棒性和灵活性进行了有效验证与分析,为大坝变形安全预测与分析提供了新的模型和手段。     

基于EEMD-ELM的大坝变形预测模型

建立合理可信的大坝变形监控模型对科学有效地分析大坝变形监测数据和准确可靠地评估大坝工作运行状况意义重大。通过EEMD算法分解大坝变形量,得到代表不同特征尺度的本征模函数(IMF)分量,针对不同IMF分量选择不同影响因素,将各IMF分量作为极限学习机(ELM)的训练样本对大坝变形分量进行分析、拟合、预测,最后累加各IMF分量的预测结果得到大坝变形预测值。以某碾压混凝土重力坝为例,利用EEMD-ELM模型对大坝变形量进行预测,同时与BPNN模型和ELM模型的预测结果进行对比分析,其中EEMD-ELM模型的平均相对误差为0.566,较BPNN模型、ELM模型分别降低54%和14.8%,表明EEMD-ELM模型预测精度更高,具备一定的应用价值。     

大坝变形的多步预测模型研究

根据大坝变形时间序列分别建立多元线性回归、稳健回归和改进的BP神经网络预测模型,并进行了单步和多步预测研究。结果表明:3种模型对历史样本具有很好的拟和效果;在预测中,稳健回归、多元线性回归模型在单步预测中预测精度较高,而改进的BP神经网络模型在多步预测中预测精度较高,抗干扰性强,适合预见期较长的坝体变形预测。     

基于模糊LS-SVM算法的大坝变形预测模型

在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机(LS-SVM)算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LSSVM模型,且支持向量机(SVM)的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析.     

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。     

大坝变形的小波分析与ARMA预测模型

大坝变形观测资料可视为非平稳时间序列,从影响大坝变形规律的因素出发,可将其分解为主值函数项、周期函数项和改进后的平稳时间序列。其中主值函数项采用逐步回归法拟合,针对时效因子采用半经验公式无法准确拟合实际变化情况,采用小波分析法将序列分解为低频和高频两部分信号,其中低频部分代表时效等因素影响的变形趋势;高频部分代表水位、温度等影响的变化规律,应用时间序列原理分别建立变形预测ARMA（p,q）模型,从而在现有水位、温度观测资料下预测坝体未来的变形趋势。实例计算结果表明,结合小波分析的时间序列法建立的预测模型,预测精度高于统计回归分析,预测效果良好,可作为一种有效方法应用于大坝变形预测中。     

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.     

基于LSTM的混凝土坝变形预测模型

为提升混凝土坝变形预测的精度,采用具有出色的非线性数据挖掘能力与时间序列长、短期预测性能的长短期记忆网络(LSTM),提出了基于LSTM网络的混凝土坝变形预测模型.实例分析表明,相比于常用的逐步回归、多元回归等方法,基于LSTM网络构建的变形预测模型可有效挖掘大坝变形与影响因子间复杂的非线性关系,模型的建模与预测精度均得以显著提升.     

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。     

大坝变形的XGBoost-LSTM变权组合预测模型及应用

为了实现更高精度的大坝变形预报,提出了一种大坝变形的XGBoost-LSTM变权组合预测模型,即首先引入XGBoost模型和LSTM模型对大坝变形分别进行分析预测,然后采用变权组合方法将二者的分析预测结果进行有机融合,进而得到最终预测结果。以某混凝土重力坝为例,首先通过与随机森林、ELMAN以及逐步回归分析各模型的对比研究,论证了XGBoost与LSTM应用于大坝变形预测的优越性;进一步地,XGBoost与LSTM的变权组合预测效果相较于各单一模型取得了较大程度的提升,且相较于二者的等值赋权组合提升优势更加显著,变形预测结果与工程实际情况更加吻合,具有较好的适用性和可推广价值。     

人工电场算法优化的极限学习机大坝变形预测模型研究

为提高水库大坝变形预测精度,研究一种将人工电场算法(AEFA)与极限学习机(ELM)相结合的预测方法。以官地水电站72期大坝沉降数据为例,构建延迟时间为1,嵌入维数为2、3、5的3种ELM预测模型,利用AEFA优化ELM输入层权值和隐含层偏值,构建3种不同嵌入维的AEFA-ELM大坝变形预测模型,并构建对应的AEFA-支持向量机(SVM)、AEFA-BP作预测对比模型。将9种不同嵌入维的AEFA-ELM、AEFA-SVM、AEFA-BP模型用于实例大坝变形数据的训练和预测。结果表明：嵌入维数为2、3、5的AEFA-ELM模型对实例后10期大坝变形预测的平均相对误差分别为3.94%、4.08%、3.67%,预测误差均小于AEFA-SVM、AEFA-BP模型,具有较高的预测精度,对大坝变形预测研究具有一定的参考价值。