基于LMBP神经网络的土石坝渗流压力预测

渗流压力是反映大坝工作状态的重要物理量,对渗流压力进行预测分析可以及时了解大坝渗流状况和趋势。为克服标准BP算法收敛速度慢、泛化能力弱和计算量大等不足,引入LM算法优化标准BP神经网络的权值和阈值,提高BP神经网络对土石坝渗流压力的预测效果。根据渗流分析,给出了渗流压力的统计模型,由统计模型选取上下游水位、降雨和时效作为神经网络输入层因子,以渗流压力作为输出层因子,建立了3层LMBP神经网络大坝渗流压力预测模型。利用MATLAB进行了多组仿真试验,确定了使本次渗流压力预测效果更好的训练样本数据量区间。以渗流压力实测数据及同期库水位和降雨资料作为训练样本,在选取适当数据量的训练样本的基础上,运用LM算法对BP网络进行训练,利用测试样本对训练好的神经网络进行测试。将同结构的LMBP神经网络和标准BP神经网络应用于某土石坝渗流压力的预测中,应用结果表明,LMBP神经网络收敛速度更快、拟合和预测精度更高,在土石坝渗流压力分析和预测应用方面是可行的。     

基于多因素影响的BP-RBF神经网络渗流预测模型

为提高大坝坝基渗流的预测精度,把BP神经网络较强的模糊推理和自学能力与RBF神经网络在函数收敛中的快速性和绝对性相结合,以避免BP神经网络陷入局部最小或不收敛,构建了以水库大坝库水深、降雨量和温度三参数为主要影响因素,大坝渗流量为观测值的函数关系。通过与汾河水库实测资料对比分析表明,基于BP-RBF神经网络模型的坝基渗流预测模型预测效果良好,可以为大坝的安全监测与病险防护提供数据支持,为大坝原型观测资料处理提供了新途径。     

改进的土石坝GACO-BP渗流监控模型研究

为克服标准BP算法训练效率低、易陷入局部极值等不足,引入遗传蚁群混合算法(GACO),并对其混合时间和信息转换的计算方法进行改进,利用改进后的算法优化标准BP神经网络的权值和阈值,对土石坝的渗流压力进行监控。以某土石坝为例,利用GACO-BP神经网络监控模型以测压管水位为指标对其渗流压力进行预测,将预测结果与同结构的经典BP神经网络预测结果进行对比发现,GACO-BP神经网络模型在训练速度和预测精度上明显更好,在土石坝渗流压力预测和分析方面具有较好的实用性。     

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。     

基于遗传优化LMBP算法的变形分析与预报

本文针对传统BP神经网络存在收敛速度慢、计算量大、易收敛于局部最小点的缺点,引入遗传算法与LM算法优化BP神经网络,并对优化后的BP神经网络进行训练与预测。实验结果表明：优化后的模型具有训练速度快、预测精度高的特点,更适用于大坝的实时预报。     

大坝变形预测的径向基函数网络模型

在大坝变形预测中,运用人工神经网络模型进行预测分析已较为广泛,目前使用最多的是BP网络模型,但由于存在计算量巨大,且易出现局部极小和收敛慢等缺点,为此建立了大坝变形预测的径向基函数神经网络模型,并与改进的BP网络模型进行比较.实例表明,径向基函数模型具有良好的泛化能力,克服了BP模型的局部极小和收敛慢等缺陷,在预测精度及训练速度方面显著优于BP模型,具有一定的推广价值.     

考虑渗流与应变耦合的土坝渗透参数识别方法

土石坝在长期运行过程中,坝体结构形态会不断进行调整,因此对大坝渗透特性进行反演时考虑流固耦合效应是必要的.通过对大坝应力场和渗流场的耦合机理分析,研究了渗流场与应变场的耦合效应.将遗传算法和神经网络相结合,用遗传算法优化神经网络连接权值,所建立的遗传神经网络具有较快的训练速度和较强的泛化能力.将流固耦合理论、BP神经网...     

社上水库原型观测分析中的三种优选模型对比研究

建立实用的大坝原型观测模型,能有效地拟合和预测大坝安全监测量.本文在土石坝监测量长系列观测资料分析的基础上,通过BP神经网络、逐步回归和多元回归进行拟合分析.结果表明,BP神经网络拟合效果优于逐步回归,逐步回归拟合效果优于多元回归.     

基于BP神经网络-加权马尔科夫模型的泄水闸水平位移预测

针对传统变形统计模型和BP神经网络模型对水工建筑物变形预测精度欠佳的问题,建立了BP神经网络-加权马尔科夫模型。首先,采用均值－均方差法对BP神经网络模型拟合的相对误差序列进行状态分类,并检验状态序列的马氏性。然后计算各阶自相关系数和转移权重,利用加权和最大概率值预测未来的随机状态。最后以王甫洲水利枢纽泄水闸11^#闸墩测点水平位移实测数据为例,分析比较逐步回归统计模型、BP神经网络模型和BP神经网络-加权马尔科夫模型的预测效果。结果表明：相比于逐步回归统计模型和BP神经网络模型,BP神经网络－加权马尔科夫模型的预测精度更高,说明BP神经网络-加权马尔科夫模型较为可靠。     

基于主成分分析与BP神经网络模型的大坝渗流监测资料分析

大坝渗流观测资料分析中,各因子间常存在不同程度的相关性,这种相关性有时会对分析效果产生较大的影响,另外,通常的回归模型为线性模型,难以精确反映一般为非线性函数的因变量的变化规律。针对上述问题,本文将主成分分析和神经网络相结合,建立大坝渗流观测数据的主成分神经网络模型,经实例计算,该模型的预报精度较高。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

自适应BP神经网络在边坡稳定性预测中的应用

边坡工程是一个动态开放、非线性的复杂系统,应用传统的分析方法往往难以确切描述其非线性特性,采用学习率自适应调整和动量法,对BP神经网络存在易陷入局部极小值、收敛速度慢、对神经元个数依赖性大等缺点进行改进,建立了(6-13-2)结构的自适应BP神经网络模型。边坡预测实例表明:自适应BP神经网络的预测精度高于标准BP神经网络;改进后的BP神经网络提高了网络的训练速度,节省了时间,提高了计算精度。     

基于小波消噪及BP神经网络的大坝变形分析

基于港口湾大坝多期变形观测数据,采用Matlab语言、小波消噪及BP神经网络分别建立了基于时间序列和基于环境因素的大坝变形监测BP神经网络模型,并利用模型分别对大坝某点变形值进行预测。时间序列BP模型具有结构简单、学习速率快的特点;环境因素BP模型精度高,可有效反映变形因素,便于拟合预测复杂的测点变形,相对前一种模型能更好地揭示大坝变形规律。两种建模方法先应用小波分析对原始观测数据消噪,训练过程中采用附加动量法等改进BP算法,大大提高了BP神经网络的计算效率,克服了其易陷入局部极小的缺陷,取得了良好的拟合效果和预测精度。     

水电机组效率的神经网络算法

水电站优化运行要求具有连续水位和导叶开度下的效率特性曲线。本文提出用BP神经网络方法计算机组效率，并建立了BP神经网络模型，以现场效率试验数据作为样本进行训练，并用训练好的网络计算该机组的效率。网络的训练速度及计算结果表明，该算法收敛速度较快，精度高，为计算水电站任意水头及导叶开度下的机组效率提供了新思路和新方法，可用于指导水电机组的优化运行。     

神经网络在土石坝位移监测中的应用研究

随着大坝建设中安全问题的不断出现,安全监测的重要性不容忽视。监测数据分析总结和超前预报是提前决策的重要基础,将直接影响整个大坝监测的成效。文章基于蚁群算法优化BP神经网络,结合实际工程建立了ACO-BP神经网络模型,计算成果表明在大坝安全监测中,该模型收敛速度更快,预测精度更高,可以在大坝的安全监测中推广使用。     

柴河水库大坝坝基渗流监测数据研究

柴河水库大坝右坝段坝基存在渗漏问题,为了水库大坝的安全建设和运行对大坝监测数据进行研究非常重要。采用逐步回归分析法对大坝坝基测压管多年监测数据建立了统计回归分析模型,计算结果表明,观测值与拟合值统计复相关系数较大,估计标准误差较小,模型有效地反映了坝基渗流的变化规律和发展趋势。为了监控大坝的安全运行和辅助决策,利用小波神经网络建立了有效的坝基渗流量预测模型,计算结果表明,该预测模型收敛速度较快、预测精度较高,能正确地模拟和预测大坝的渗流量。     

基于LM算法的BP神经网络在大坝变形监测数据处理中的应用

针对传统反向传播（BP）神经网络收敛速度慢、计算量大的缺点,引入一种结合LM（Leverberg Marquart）优化算法的BP神经网络,并应用在大坝的变形预报中。实验结果表明,新模型具有训练速度快、预测精度高的特点。     

CPSO-NN模型在大坝安全监控中的应用

针对大坝安全监控中传统BP神经网络模型由于采用最速下降法求解网络权值而存在的计算过程复杂、易陷入局部极值点等缺点,提出大坝安全监控神经网络权值的协同粒子群优化求解方法。该方法先把网络权值的计算问题转化为粒子群的寻优问题,然后通过粒子群协同寻优实现对网络权值的计算。工程实例分析结果表明:基于协同粒子群算法的神经网络模型计算简单、收敛速度快、拟合精度高,为大坝安全监控分析提供了一种有效的新方法。     

五强溪水电站大坝变形预测模型研究

基于逐步回归法、偏最小二乘回归法和长短期记忆(LSTM)循环神经网络，构建了五强溪水电站大坝变形预测模型。采用拉伊特准则确定可靠的监测数据，基于可靠的监测数据，构建考虑水压、温度、时效因素的混凝土重力坝变形预测逐步回归和偏最小二乘回归模型，根据五强溪大坝坝顶J23测点2006年～2020年的监测资料获得该测点的沉陷曲线逐步回归和偏最小二乘回归预测模型。根据数值试验，选定的LSTM模型包括2个LSTM层，激活函数采用整流线性单元函数，输入序列长度为20。训练集数据取2006年～2017年的监测值，2018年～2020年的监测数据作为测试集数据。采用随机搜索对LSTM循环神经网络的超参数进行优化。比较3种模型结果可知：3种模型在沉降曲线的预测效果均较好；偏最小二乘回归法能合理地解释各分量；训练数据足够时，LSTM循环神经网络的预测精度非常高；采用偏最小二乘法回归模型或LSTM模型预测J23测点变形更为妥当。     

优化BP网络在均质土坝变形预测中的应用

宁夏南部山区小型水库除险加固普遍采用坝前淤积面加坝技术,且坝体多建于湿陷性黄土基础上,在自重、渗流等多种因素作用下极易产生变形。为准确判定坝前淤积面加坝技术的合理性和可靠性,可利用BP神经网络分析预测大坝坝体变形情况与未来趋势,但传统的BP算法需对数据进行标准化处理,为了简化数据的标准化处理过程,提高处理效率,提出了传递函数的优化方法,并把优化后的BP网络应用于大坝表面变形预测中,得到了较满意的结果。