观测值序列的粗差探测方法

基于小波分析和未确知滤波理论，研究了对观测序列中粗差进行探测和剔除的方法，并结合实例进行了分析和比较，表明这2种方法得到的探测结果基本一致，均具备较好的应用价值。此外，进一步分析了2种方法的优点和局限性，为实际应用提供了有用的参考。根据2种处理方法的特点，提出了粗差探测的综合探测方法。     

未确知滤波法和灰色模型在大坝变形预测中的应用

对大坝变形进行预测时,观测序列中的粗差不可避免地影响预测精度,同时,监测序列较短也会影响预测的精度,针对这些情况,将未确知滤波法和灰色模型应用到大坝变形预测中。首先利用未确知滤波法对大坝变形监测序列进行粗差识别,并修正粗差,再采用灰色模型预测大坝的变形。实例分析表明,通过 2 种方法有机地结合,可以显著地提高大坝变形预测的精度,具有较高的工程实用价值。     

M估计在土石坝测压管水位实测资料分析中的应用

针对基于最小二乘法的常规回归分析方法不能抵抗粗差干扰的问题,引入稳健回归中常用的M估计,能有效的克服观测资料中异常值或盲目消除异常值的影响,并应用到土石坝测压管水位实测资料分析中,实例分析结果表明,该方法是切实可行和有效的。     

基于未确知测度及层次分析法的土石坝安全综合评价

从决策者的主观角度考虑,针对决策者在土石坝的风险因素间比较判断中的主观性和未确知性,建立了基于未确知测度及层次分析法的土石坝安全综合评价模型,并以洪河水库土石坝工程为例,验证了该模型在评价过程中的合理性及有效性,为土石坝安全管理决策提供了一种新的方法。     

基于SSA-DBSCAN的边坡安全监测数据粗差探测方法

考虑到边坡安全监测数据中存在粗差这一问题,提出了一种基于奇异谱分析(SSA)和密度聚类算法(DBSCAN)的粗差探测法,该方法结合SSA在提取信号和DBSCAN算法在区分粗差和异常值上的优势:首先使用SSA对监测序列进行分解重构,准确提取主信号并获取残余分量;然后使用DBSCAN聚类算法对残余分量进行分析;最后联合2种方法确定粗差点并剔除。通过引入多因素影响的边坡监测序列实例进行验证,并且将SSA-DBSCAN粗差探测法与中位数绝对偏差法(MAD)和格拉布斯准则法(Grubbs)进行比较分析。结果表明,本文提出的SSA-DBSCAN粗差探测法与上述方法相比性能优异、误判率低,可为后续监测数据分析处理乃至于预测预警奠定基础。     

综合物探技术在土石坝隐患探测中的应用

在土石坝隐患探测中,由于单一物探方法的局限性及多解性,故采用一种物探方法无法得到较准确的探测结果。以某水库土石坝为例,介绍了高密度电法与地震映像法在土石坝隐患探测中的应用。通过对两种方法探测结果的对比分析,结果表明高密度电法和地震映像法探测结果具有较好的一致性,提高了土石坝隐患探测结果的准确性。     

大坝安全监测数据粗差识别技术研究

介绍了目前大坝安全监测数据处理工作中几种常用粗差识别技术的优缺点及适用范围,并针对这些常规方法中所存在的不足,采用时空判别技术和基于稳健性处理方法的粗差识别技术,对粗差数据进行判别。其中时空判别技术充分利用了观测序列本身的时空基本信息,将观测值与历史的或相邻的观测数据相比较来判别粗差;基于稳健估计算法的监控模型判别法克服了经典的最小二乘法所存在的抗粗差干扰性差这一缺点,在最小二乘回归的基础上逐步按残差大小加稳健化权,迭代求得模型参数的稳健估计,这一估计值最接近于无粗差影响时的正常估值。隔河岩大坝安全监测数据的实例分析表明,这些方法具有较强的粗差识别能力。     

高密度电法在大幕山水库渗漏隐患探测中的应用

针对传统土石坝渗漏安全隐患探测方法的不足,采用高密度电法对通山大幕山水库土石坝渗漏安全隐患进行了无损探测,以检查评价高密度电法在中小型水库土石坝渗漏安全隐患探测中的有效性和适用性。试验研究结果表明,高密度电法可以用于查明土石坝渗漏通道位置或进行疑点提示,为大坝除险加固和后续处理提供科学参考依据。     

高密度电法在土石坝浸润线探测中的应用

土石坝浸润线常规探测主要依靠测压管、渗压计等仪器实现,大部分小型水库没有设置探测仪器或仪器损坏无法进行探测。高密度电法对坝体低阻异常具有较高额敏感性,可以快速探测土石坝电阻率,探测结果为视电阻等值线云图,能够直观了解坝体内低阻分布情况,实现快速测定坝体浸润线的目的,且测线布置灵活简便,能对坝体多个剖面或部位进行探测。该文通过对某水库测压管实测浸润线与高密度电法探测浸润线对比,证明高密度电法在土石坝浸润线探测中的应用是有效的,可对无监测设备或设备已损坏的土石坝进行浸润线探测。     

土石坝漏水量的动态预测

采用Ｋａｌｍａｎ 滤波方法对土石坝漏水量进行了动态预测，探讨了土石坝异常数据问题，并用实例验证了该方法用于动态预测的有效性。     

库水波动下库岸边坡地下水浸润线解析解及误差分析

解析法是库岸边坡地下水浸润线计算中便于实际应用的方法,但该方法须基于若干假定并对潜水运动基本方程线性化后才能求解。针对各假定和线性化过程建立不同的地下水渗流数学模型,用解析法和有限元法解答上述数学模型,分析各误差大小及其规律。结果表明：库岸垂直处理带来的误差要小于方程线性化处理和不考虑非饱和渗流带来的误差,而且它们都随渗透系数变大而减小;在三峡库区库水调度情况下,假定库水位等速变化带来的误差对大多岸坡而言可以忽略;计算库岸边坡地下水浸润线时,解析法只适用于水位变化幅度相比含水层厚度较小,且几何边界规则、岩土结构简单、岩土体渗透性较好时的情况。     

基于图像处理技术的大坝监测数据粗差识别

为实现大坝长久稳定的安全服役, 避免监测资料中的粗差对大坝安全监测结果产生影响, 需要对监测数据中的粗差进行剔除。由于目前的粗差识别方法依旧会造成粗差漏判、误判情况的发生, 通过模仿人工识别数据粗差的过程, 运用程序设计语言, 提出一种基于图像处理技术的自动化粗差识别方法。首先对依据监测数据绘制出的散点图进行高斯模糊和二值化处理, 再提取主要趋势线, 最后识别出监测数据中的粗差点并进行剔除。选取某实际工程大坝监测资料, 运用该方法对其进行粗差识别, 并与传统 3R 识别准则的粗差识别效果进行对比。算例结果表明: 该方法对数据粗差的识别效果更加显著, 避免了粗差漏判情况的发生, 对粗差的剔除更彻底; 利用该方法识别后得到的统计模型复相关系数为 0.999, 标准差为 0.192, 模型精度更高, 也更符合工程实际情况。因此, 该方法具有一定的工程应用前景和实用价值。     

大坝安全监测数据的分段多项式滤波方法研究

大坝安全监测效应量的主要特点是周期性、时效性、含有测读误差等。数据序列波的目的是在保留数据序列的周期性、时效性及其它原因量引起的效应分量的前提下，尽可能地削弱测读误差的影响。分段多项式滤波是一种将数据序列按一定时间长度分段，在分段的数据序列上进行多项式拟合，相邻段的多项式之间满足一定条件的最小二乘滤波方法。用此方法还可以进行观测值的可靠性检验和粗差剔除。这种滤波方法特别适合工程运行期的安全监测数据序列的滤波。     

Dynamic mass balancing for wastewater treatment data quality control using CUSUM charts

Mass balancing is a widely used tool for data quality control in wastewater treatment. It can effectively detect systematic errors in data. To overcome the limitations of the mean balancing error as a measure of data quality, a well established method for statistical process control (the CUSUM chart) is adopted for application on the error vector of balancing data. Two examples show how time periods with stable low mass balancing errors can be detected by the method. The detectability of such time periods depends on the variability of the balancing error which is an important measure for the precision of the data.     

一种基于Google Earth影像的河道地形数据提取方法

为解决无实测资料地区的河道地形数据获取问题,提出了一种基于Google Earth影像提取河道地形数据的方法,利用该方法提取了鉴江流域的河道地形数据并将其应用于水动力模型的构建。结果表明:利用该方法提取的河道地形数据所构建的水动力模型,其模拟过程与实际过程基本一致,其中模拟的最大、最小流量与实测对应的最大、最小流量的相对误差分别为14.3%和7.8%,流量模拟的整体相对误差为13.2%;模拟的最高、最低水位与实测对应的最高、最低水位的相对误差分别为5.5%和3.9%,水位模拟的整体相对误差为5.2%;基于Google Earth影像提取河道地形数据是解决无河道地形资料地区的一种便捷且行之有效的方法。     

基于统计诊断的大坝监测数据合理性检验

基于统计诊断的异常数据划分,并结合大坝监测数据的误差成因,将监测的异常数据划分为随机误差、粗差、系统误差等,并辨识强影响数据。继而基于均值漂移模型,研究不同异常数据的诊断方法,包括以模型扰动值为依据的粗差的t检验法和以模型扰动对拟合参数的影响为依据的强影响数据的Cook距离检验法。以大坝典型位移监测数据为例,采用上述统计诊断方法对原始监测数据进行合理性检验,结果表明可有效辨识误差数据和强影响数据,能提高数据进一步建模分析的准确性。     

Efficient data assimilation method based on chaos theory and Kalman filter with an application in Singapore Regional Model

Data assimilation is a methodology that utilizes information from observations, and assimilates it into numerical models, with the intention of improving the quality and accuracy of the model outputs. This paper introduces a hybrid data assimilation scheme, which combines a temporal error prediction algorithm based on local model (LM) inspired by chaos theory and a spatial error distribution scheme through the propagation of error covariances derived from the Kalman filter (KF). Local model is only capable of predicting the model errors at the stations where the observations are available, while the effect of traditional Kalman filter is limited to a time horizon where the improved initial conditions are washed out. The hybrid scheme outlined in this paper is performed in two steps: (i) predicting the model errors at the measurement stations using the local model approach and (ii) distributing the predicted errors over the computational domain using the Kalman filter. Incorporating error distribution with error prediction assimilates limited information from the observed data into non-measurement stations. Therefore all stations of interest are able to be benefited. The proposed hybrid scheme has been implemented in the Singapore Regional Model (SRM) constructed by Delft3D modelling system, with the improvements in the assimilated characteristics discussed in detail.     

沉降数据误差消除的光顺样条滤波方法

针对沉降观测数据误差处理问题，提出采用光顺样条滤波原理进行误差处理。详细阐述光顺样条滤波的原理和应用方法，并通过一个简单固结试验数据的误差处理，说明误差处理方法的有效性。实例应用结果表明，经光顺样条滤波处理后，能提高沉降数据分析的精度。     

Development of Nonlinear Model Based on Wavelet-ANFIS for Rainfall Forecasting at Klang Gates Dam

Rainfall is one of the most complicated effective hydrologic processes in runoff prediction and water management. Artificial neural networks (ANN) have been found efficient, particularly in problems where characteristics of the processes are stochastic and difficult to describe using explicit mathematical models. However, time series prediction based on ANN algorithms is fundamentally difficult and faces some other problems. For this purpose, one method that has been identified as a possible alternative for ANN in hydrology and water resources problems is the adaptive neuro-fuzzy inference system (ANFIS). Nevertheless, the data arising from the monitoring stations and experiment might be corrupted by noise signals owing to systematic and non-systematic errors. This noisy data often made the prediction task relatively difficult. Thus, in order to compensate for this augmented noise, the primary objective of this paper is to develop a technique that could enhance the accuracy of rainfall prediction. Therefore, the wavelet decomposition method is proposed to link to ANFIS and ANN models. In this paper, two scenarios are employed; in the first scenario, monthly rainfall value is imposed solely as an input in different time delays from the time (t) to the time (t-4) into ANN and ANFIS, second scenario uses the wavelet transform to eliminate the error and prepares sub-series as inputs in different time delays to the ANN and ANFIS. The four criteria as Root Mean Square Error (RMSE), Correlation Coefficient (R ²), Gamma coefficient (G), and Spearman Correlation Coefficient (ρ) are used to evaluate the proposed models. The results showed that the model based on wavelet decomposition conjoined with ANFIS could perform better than the ANN and ANFIS models individually.