基于改进ABC-BP的大坝变形监控模型研究

针对传统大坝变形监控模型的不足,在对人工蜂群(ABC)算法给予改进的基础上,开展了基于人工蜂群(ABC)与BP神经网络的大坝变形监控模型建模原理、实现方法以及工程算例分析研究。通过引进自适应比例和平均欧式距离,克服了标准人工蜂群算法易陷入局部最优的缺点;进而利用改进后的人工蜂群算法,对BP神经网络的初始权值与阈值进行寻优。算例分析表明,将改进后的人工蜂群算法与BP神经网络技术相结合,并用于大坝变形监控模型的构建,有效提升了模型的拟合和预报能力。     

BP模型在大坝安全监测预报中的应用

如何正确地预报大坝安全监测量，对馈控大坝安全运行和辅助决策具有重要的意义。文章提出应用神经网络的BP模型进行大坝安全监测数据的预报，并针对某一混凝土重力坝的水平位移实际测值构建了BP模型，其预报精度较以往统计模型有较大的提高。     

基于BP神经网络的大坝安全监测系统评价研究

大坝安全监测系统的评价是对一个DSMS系统的性能进行全面估计与测试,良好的评价可以促进系统设计目标的实现,提高运行效率。本文提出一种利用BP神经网络进行评价的方法,并且对神经网络的样本评价采用了AHP以及模糊评价的方法。该方法充分利用了模糊数学理论与神经网络方法,为大坝安全监测系统的评价提供了可行的途径。     

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。     

改进的BP神经网络模型在大坝安全监测预报中的应用

针对BP神经网络模型存在的缺陷进行了改进 ,并将改进的BP模型应用于大坝安全监测中效应量的预报。示例证明 ,改进的BP神经网络模型与常规BP神经网络模型及回归统计模型比较具有明显的优越性     

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。     

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。     

大坝安全监测的组合预测模型

针对传统数学模型和神经网络预测模型在大坝安全监测应用中存在着预测精度较低的问题，分析了灰色预测模型、BP神经网络模型和统计预测模型的建立方法，并在此基础上提出了一种新的组合预测模型，结合实测数据对此组合预测模型进行了检验。结果表明：此组合模型不仅提高了预测精度，而且避免了预测模型选择的难度，在大坝安全监测中具有较好的实用性。     

选择显著因子的BP神经网络模型研究

为了更加准确有效地分析大坝安全监测资料,保证大坝的安全、有效运行,分析了神经网络和回归分析的优缺点,提出了选择显著因子的BP神经网络模型分析方法。实例分析结果表明:神经网络和回归分析具有较强的互补性,为了保证资料分析的可靠性,可同时运用这两种方法;选择显著因子的BP神经网络分析方法避免了因子之间的相关性导致预测精度不高的缺点,减小了神经网络过度训练的几率,在保持神经网络拟合精度的同时又具有较高的预测数度。     

飞来峡大坝变形性态分析与预报模型研究

通过对飞来峡大坝的水平位移进行分析，建立相应的统计模型，并通过统计模型与BP神经网络模型进行比较，建立相应的预报模型，为飞来峡大坝的安全监测提供依据．通过分析比较得到结论：飞来峡大坝目前变形性态正常，水平位移年变幅主要受温度荷载的影响，BP神经网络模型虽然拟合精度较统计模型高，但是其预测能力并不优于统计模型，而且统计模型能对监测数据作分解和成因解释，所以采用统计模型对飞来峡大坝建立了预测模型。     

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。     

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。     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。     

灰色动态神经网络模型及其应用

介绍了灰色动态神经网络的基本原理，分析了传统误差反向传播(BP)算法所存在的缺陷，并提出了解决这些问题的主要途径。根据灰色系统理论，对大坝安全监控模型的因子集进行优化，选择有显著影响的因子建立模型，能明显减少计算工作量，提高工作效率。利用对隐含层结点数的动态调整，有效地解决了隐含层结点数难以确定的矛盾，同时，通过两组样本的相互校验，使训练后的网络预测精度更高。最后，以大坝安全监控模型为实例，对该模型的精度等进行了分析。     

人工巡视信息处理在土坝安全评价中的应用

介绍了大坝安全监测中人工巡视的内容，研究了人工巡视信息的表达和组织形式，并实现了其在关系数据库中的存储。同时，在利用BP神经网络对大坝的运行状态进行综合推理时，把人工巡视作为一个成因因素加以考虑，使得推理结果更加趋于合理和客观。     

基于NMEA-BP大坝变形监测模型研究

在对思维进化算法(MEA)改进的基础上,开展了基于思维进化算法与BP神经网络的大坝变形监测模型的研究。通过引入小生境技术和思维进化算法,克服了BP神经网络易陷入局部最优值、训练时间长和收敛速度慢等缺点,极大地提高了其搜索效率和全局搜索能力。通过进一步利用改进的思维进化算法优化BP神经网络的权值和阈值,建立了NMEA-BP大坝变形监测模型,并用该模型对工程实例进行了拟合预测。结果表明,NMEA-BP模型有效提高了大坝变形预测的精度,能更高效准确的进行大坝变形监测。研究成果为大坝变形监测的理论和实践研究提供参考。