岩质高边坡监测数据的改进变维分形预测模型

针对以往预测模型在数据少和噪音干扰下出现预测精度降低的问题,基于分形理论,尝试建立改进的变维分形预测模型,并以小湾工程边坡位移监测数据为例,选取D1、D2曲线作为预测模型的分形参数曲线,计算各曲线的分段分形维数,对位移进行预测,并分别用灰色模型GM(1,1)和BP神经网络进行对比预测.结果证明,这种方法充分利用了分形理论自相似性的特点,抗噪性强,能较好地应用于小数据量监测数据的预测,并且精度较高,有着良好的应用前景.     

基于改进变维分形理论的拱坝温度监测数据预测模型

 目前用于温度监测数据预测的模型,对数据的长度有较强的依赖性,监测数据量较少时,预测效果不理想,在分形理论的基础上,尝试建立改进的变维分形预测模型,并以白莲崖拱坝温度监测数据为例进行分析、预测。结果证明,这种模型发挥分形理论有相似性的特点,克服了其他模型对数据长度的依赖性和噪声干扰对预测效果的影响,能较好应用于小数据量监测数据的预测,精度较高,有着良好的抗噪性。     

变维分形在天堂山拱坝封拱后温度回升预测中的应用

拱坝封拱后产生温度应力可能导致裂缝,通过对数据进行处理,建立封拱后温度回升变维分形预测模型,计算每段的分形维数,拟合反推预测值。以天堂山拱坝施工期温度监测数据为例进行分析和预测,结果表明,采用变维分形理论对拱坝施工期温度监测数据进行预测是可行的,并且具有较高的精度,可以满足工程要求。     

灰色模型改进的大坝变形分形几何监控模型

为了对大坝安全进行准确监控,利用分形几何理论预测大坝变形。针对一般常维分形分布不能很好分析大坝变形数据的问题,对监测数据进行N阶累计和变换,对变换后的数据利用分段变维分形模型计算各阶变形维数序列,再选择效果较好分形维数已知序列预测未知分形维数,最后反推大坝变形预测数据。针对传统变维分形预测模型分形维数预测方法的不确定性和所需监测数据量大的缺点,利用灰色模型预测分形维数,建立改进的大坝分形几何监控模型。结合工程实例,对比插值法预测分形参数的传统分形几何预测模型和灰色模型改进后的预测模型之间的预测精度,结果表明,改进分形模型不仅在预测精度上有所提高,而且更具稳定性和抗波动性。     

基于测斜仪监测成果的滑坡体变形分析

介绍了测斜仪的工作原理及其在滑坡变形监测中的应用。在工程实例中,基于勘探成果,布置测斜仪对变形体的内部变形进行监测,获得了良好的监测成果。根据位移–时间曲线的关系,较好地分析了滑坡滑动面的特征、变形机制。阐明滑坡变形机制,能为滑坡的治理设计提供重要的依据。研究结果表明,该滑坡经过应急加固处理后,后缘稳定性有显著提高,研究工作对今后类似滑坡或边坡的监测和资料分析具有参考意义。     

应用不同去噪方法及分形理论判断滑坡变形趋势

为达到准确判断滑坡变形趋势的目的,首先采用多种去噪方法对滑坡变形数据进行去噪处理,分离滑坡变形的趋势项和误差项数据,并采用分形理论对各序列的变形趋势进行判断和对比研究;然后,再利用神经网络对滑坡变形进行预测以验证滑坡变形趋势判断的准确性。结果表明:不同去噪方法的去噪效果具有较大的差异,其中半参数卡尔曼滤波的去噪效果最优,且滑坡具有变形加剧,稳定性减弱的趋势;同时,对比趋势判断变形预测结果,两者的一致性较好,证明了滑坡变形趋势判断的准确性。研究成果可为滑坡的变形趋势判断提供一种新思路。     

IVDF模型在土石坝监测数据预测中的应用

土石坝的监测数据预测对于揭示坝体变形规律、保障坝体结构安全具有重要意义。基于分形理论,将改进变维分形模型(IVDF模型)应用于土石坝小数据量监测数据的预测,以铜山源土石坝为例,选取混凝土防渗墙的应变监测数据作为研究对象,对应变进行预测,并分别用灰色模型GM(1,1)和BP神经网络进行对比预测。计算结果证明,IVDF模型充分利用分形的自相似性特征,抗噪性强,预测精度高,适用于小数据量监测数据的预测,具有良好的应用前景。     

利用马尔科夫链修正的变维分形模型及其应用

以往的预测模型对数据长度有较强的依赖性,且数据出现较强的非线性时,将增加预测的复杂程度。为使监测数据呈现出一定的线性关系,基于分形理论,将常维分形改进为变维分形,并据此建立相应的数学模型,通过短期监测数据进行预测。考虑到变维分形得到的预测结果不可避免地存在一定的波动误差,对此,利用马尔科夫链(Markov)无后效性的特点对预测结果进行修正,从而提高预测精度。以西溪水库的监测资料数据为样本,建立其马尔科夫链-变维分形预测模型,结果显示最大误差修正值可达0.89%,占原预测误差的67.9%,表明利用马尔科夫链修正的变维分形模型能有效地减小误差,提高预测精度。     

基于多重分形原理的大坝位移分析与预测研究

大坝监测数据分析是大坝安全监测的重要环节,是认识大坝规律和判断大坝安全的重要手段。运用多重分形去趋势波动分析理论研究大坝位移时间序列的多重分形特性、大坝位移波动幅度和趋势、以及环境量与位移间关系,并运用分形预测原理对大坝位移时间序列进行了拟合和预测。结果表明:多重分形去趋势波动分析理论可以较好地应用到大坝监测数据分析中。     

基于监测数据的水力发电系统人工神经网络建模

将引水管路、水轮机、发电机作为一个整体的水力发电系统,并在现场监测数据的基础上,应用人工神经网络方法,建立了该系统的输入输出数学模型.与实际的监测数据进行对比分析表明,所建立的人工神经网络模型具有较高的计算精度,能够用于开发水电站中水轮发电机组的优化运行系统.     

滑坡变形的回归-神经网络预测模型研究

受多种因素影响,滑坡变形具有趋势性和随机性的特点。从滑坡变形监测数据着手,将监测数据分离成趋势值和随机值,建立了滑坡变形的回归-神经网络预测模型。该模型采用逐步回归方法对滑坡变形的趋势值进行预测,用BP神经网络预测方法对滑坡变形的随机值进行预测。利用金沙江乌东德坝址区金坪子滑坡TP06点高程位移变化实测数据,对该模型进行了验证。结果表明:预测误差不超过11%,具有较高的预测精度。     

基于外因响应的滑坡位移预测模型研究

根据滑坡位移序列的单调性和非线性,将滑坡位移分为趋势项和偏离量,建立曲线回归-BP神经网络模型对滑坡位移进行动态预测。以三峡库区树坪滑坡为例,首先通过曲线回归提取滑坡位移趋势项;然后在选取滑坡位移动态变化影响因子的基础上,建立BP神经网络模型逼近位移偏离量;最后将趋势项和偏离量预测值叠加,得到滑坡位移预测值。结果表明,该模型可更好地反映影响因子动态变化对滑坡位移发展的关键作用,预测的平均相对误差为3.3%,有效地提高了预测结果的精度。     

大华滑坡位移预测模型研究

针对传统滑坡位移预测过程中的不足,提出了一种基于最小二乘支持向量机(LSSVM)的滑坡位移预测方法。以某流域大华滑坡为例,基于时序分析和集合经验模态分解法(EEMD)将原始序列重构为趋势项和波动项,趋势项位移受滑坡内部因素影响,采用最小二乘法与多项式方程进行拟合预测;波动项位移受库水位、降雨、地下水位等周期性因素影响,结合灰色关联度法和核主成分分析法(KPCA)对输入因子进行筛选与降维,并用粒子群算法-最小二乘支持向量机耦合模型(PSO-LSSVM)进行建模预测。最后将趋势项与周期项预测位移相加得到累计预测位移,并对模型预测精度进行定量分析。结果表明,建立的EEMD-KPCA-PSO-LSSVM组合模型预测效果良好,较传统BP神经网络、LSSVM等单一模型有着更高的预测精度,可为同类型滑坡位移预测提供新的思路。     

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。     

基于储备池运算和分形插值的滑坡位移预测

滑坡地质灾害的预警可通过监测并预测滑坡位移实现。滑坡演化过程机制复杂,在无法得到准确机理模型的情况下,建立数据驱动的滑坡位移模型是模拟滑坡演化趋势的有效途径。针对滑坡演化的复杂非线性以及动态特性,建立基于储备池运算的动态神经网络滑坡位移预测模型。为了使储备池得到更充分的训练,进一步引入分形插值方法对滑坡位移测量序列进行扩展。预测方法用于3种不同发展趋势的典型滑坡,都得到了精确的预测结果。方法为实现具有复杂动态特性的滑坡位移短时序预测问题提供了解决方案。     

基于变分模态分解和深度置信神经网络模型的滑坡位移预测

三峡库区共有滑坡1 000余处,频繁发生的滑坡灾害极大威胁着人民生命财产安全,因此开展合理有效的滑坡位移预测对减少财产损失和拯救人民的生命具有重要的研究意义。以三峡库区白家包滑坡为例,针对当前滑坡位移预测中常用分解方法的局限,在位移时间序列的分解中引入可以控制分解模态数目的变分模态分解方法,选取不同模态参数进行对比,以提高分解模型的精度和有效性;并基于滑坡触发因子建立深度置信网络模型对位移子序列进行预测,重构所有子序列预测结果得到总的位移预测值。总位移预测均值绝对误差3.657 mm,平均绝对百分比误差为0.010%,总体预测精度高,该方法误差小,具有良好的应用指导意义。     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

滑坡监测动态数据挖掘方法研究

为有效挖掘海量、动态的滑坡监测数据中的有用信息及规律,提出了一种利用Oracle触发器监测数据的挖掘方法。以八字门滑坡为研究对象,结合ARIMA模型对累积位移进行预测,利用触发器精炼监测数据和优化模型参数,提升预测模型的拟合精度。实验结果表明,该方法能有效改良传统静态数据挖掘结果,有助于人们认识到动态数据挖掘在滑坡灾害监测中的价值。     

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.     

滑坡变形特征的GPS监测信息识别研究

在滑坡监测预警工程广泛实施下,对监测信息的有效识别与运用是滑坡监测工作的重要研究内容.对三峡库区大量滑坡的地表GPS位移监测信息分析后得出,在库水作用下部分滑坡累积位移-时间曲线具有强烈的波动性,平面运动轨迹与勘察主滑方向存在较大差异,提出单从滑坡累积位移或将位移矢量投影到主滑方向来研究滑坡稳定性与预测预报,会产生很大误差.通过FLAC3D三维数值模拟对三峡库区某滑坡的位移矢量变化特征进行了模拟,结果表明通过分析监测点在不同工况下位移矢量变化情况来研究滑坡变形特征,能够很好地反映滑坡监测点的真实运动轨迹,对滑坡监测资料分析具有借鉴意义.