基于PCA-BPNN的膨胀土自由膨胀率预测

为了准确地对膨胀土进行分类,将主成分分析方法（PCA）和BP神经网络方法（BPNN）相结合,进行膨胀土自由膨胀率预测研究。首先,对影响自由膨胀率的几个物性指标数据进行主成分分析,得到主成分数据序列;然后,根据主成分数据序列建立输入样本并应用BP神经网络进行训练,得到PCA-BPNN预测结果,从而预测自由膨胀率。采用南阳膨胀土数据进行实例分析,结果表明,该模型比单一BP神经网络预测方法的效果更好。     

基于PCA-SSA-ELM的混凝土坝变形预测模型

混凝土坝变形与环境量之间有着复杂的函数关系,传统统计模型泛化能力较弱,难以处理高维非线性问题。为此,提出了一种基于主成分分析法和麻雀搜索算法优化极限学习机的混凝土坝变形预测模型,该模型通过主成分分析法(PCA)提取环境量中的关键因子作为模型输入变量,采用寻优能力强的麻雀搜索算法(SSA)选取极限学习机(ELM)中的初始输入权重和偏置的最优解。将该PCA-SSA-ELM模型应用到某高拱坝拱冠梁坝段测点径向位移的预测中,并与ELM、BP神经网络模型的计算结果进行对比分析,验证了新模型的有效性。     

基于主成分分析法的膨胀土膨胀力预测

为探究引起膨胀土膨胀的内在因素与极限膨胀力的关系,以哈密地区膨胀土为试验材料,提取该地区膨胀土的蒙脱石含量、伊利石含量、阳离子交换量、自由膨胀率4个指标作为模型因子,采用主成分分析法(PCA)建立哈密地区膨胀土综合膨胀能力判定式Z值,并将Z值与极限膨胀力进行相关性分析,从而验证Z值准确性。分析结果表明:以上4个指标满足KMO与Bartlett检验,可进行主成分分析;Z值各项指标系数均为正值,Z值可以衡量膨胀土的膨胀能力;Z值与膨胀力满足显著相关性分析,sig值小于0.01,二者具有显著相关性;建立了Z值与膨胀力的函数关系式,Z值与膨胀力呈现正相关关系,在误差允许范围内,通过Z值可预测极限膨胀力大小。研究成果为膨胀土地区灾害防治提供一定理论支撑。     

基于云模型的膨胀土胀缩等级分类

由于膨胀土胀缩性受多种因素的综合影响,膨胀土胀缩等级的分类是膨胀土处理中的一个难题。选取影响膨胀土胀缩性的5个主要因素作为评判指标,根据分类标准,构建云模型及云的不确定性推理,将各评判指标的定性评语量化为分值,实现定性与定量的转换。在此基础上,利用在各级别区间内随机插值得到的20个标准样本,基于优化理论求出评判指标的客观权重,结合主观权重,得到组合权重。最后,将建立的膨胀土胀缩等级分类模型应用到某实际工程,结合权重和云的不确定性推理,得到待判样本的综合得分,并确定样本的胀缩等级,分类结果与实际情况相吻合,验证了模型的可行性和适用性,该模型可以用于类似工程的膨胀土胀缩等级分类。     

基于非线性主成分和聚类分析法的膨胀土分类

为能准确地对膨胀土进行分类,将非线性主成分分析和聚类分析方法应用于膨胀土分类问题中,建立了膨胀土分类的非线性主成分-聚类和判别模型,选用黏粒含量、粉粒含量、液限和塑性指数 4项指标作为聚类和判别指标,以膨胀土实测数据进行分类和判别。研究结果表明：该判别模型分类和判别性能良好,预测精度高,交叉确认估计的误判率很低,是膨胀土分类的一种有效方法,可以在实际工程中应用推广。     

基于PCA和CS-KELM的重力坝变形预测模型

重力坝的变形与环境量之间存在复杂的非线性关系、使变形预测模型的输入自变量具有高维性,在一定程度上影响预测模型的精度和泛化能力。因此,提出一种将主成分分析、布谷鸟搜索算法和核极限学习机网络相结合的变形预测模型。该模型通过主成分分析法对与变形相关的水位、温度、时效影响因子进行主成分信息提取,优化网络模型的变量输入,同时采用优化性能更好的布谷鸟搜索算法确定核极限学习机网络的核参数和正则化系数。利用某重力坝的实测资料,对坝体沿坝轴方向和上下游方向的变形位移进行预测,与多种模型预测结果进行对比,并采用不同量化指标进行评价。结果表明,所提模型在两个方向的变形预测中,确定性系数R2分别为0.943和0.931,均高于传统的神经网络和逐步回归模型;在不同测点的上下游方向变形预测中,预测的精度和模型的泛化能力均优于对比模型,从而验证了该模型的可行性和优势。     

膨胀土判别指标的优化及其分类

反映膨胀土土质与土体特性的指标很多,可分为反映矿物组成和工程特性的指标两大类。以前在膨胀土的判别与分类中,大多仅以简单的双变量分析为依据,所选取的判别指标大多具有相同信息。为了克服多重相关性对判别模型的干扰,从胀缩机理出发,采用逐步回归分析选取能够表征膨胀土的6项独立指标,为验证其合理性,在此基础上建立了基于主成分分析的函数判别式和BP人工神经网络判别模型,经实例分析验证得所选指标合理可信。     

基于灰色关联协同BP神经网络对泥石流的易发性预测

文章以白龙江流域内30条粘性泥石流沟为研究对象,利用灰色关联理论筛选出7个孕灾因素BP神经网络的输入层进行训练,以泥石流沟道危险等级为样本输出,调试并获取BP神经网络的最优模型结构。此模型平均百分比误差为(MAPE)为3.9607%,且网络R校正集、R验证集和R测试集分别为0.99876、0.98115和0.98932,模型拟合情况良好、可信度高,实现泥石流沟道易发性快速预测。     

基于改进混合核极限学习机的坝基注浆量预测代理模型研究

注浆量是反映灌浆施工质量的重要指标之一。目前基于机器学习的注浆量预测方法缺乏对裂隙倾向、倾角等参数的全面考虑。裂隙灌浆模拟具有能够综合考虑地质、设计、施工等因素影响的优势,然而面临裂隙参数小样本、计算效率低下的不足。针对上述问题,提出基于改进混合核极限学习机(ICSO-MKELM)的注浆量预测代理模型。主要包括:(1)提出基于改进bootstrap方法的三维随机裂隙网络模型建模方法,解决裂隙数据小样本问题,并结合离散元方法开展灌浆数值模拟研究;(2)建立基于改进混合核极限学习机的注浆量预测代理模型,采用改进的鸡群算法优化混合核极限学习机的参数选择,克服混合核极限学习机参数选择效率不高、且难以有效选择全局最优参数的不足。通过将建立的代理模型应用于某工程坝基帷幕灌浆的注浆量预测,并与基于RBF-KELM单核极限学习机模型、Poly-KELM单核极限学习机模型、BP神经网络模型的注浆量预测结果对比,验证了本文所提方法的优越性。     

膨胀土分类的分形插值评价方法

膨胀土胀缩等级的判别与分类是在膨胀土地区建设工程首要进行的工作,准确评价膨胀土所处的分类状态,可为工程设计和施工提供合理的参数和科学依据。选取影响膨胀土评价的液限、胀缩总率、塑性指数、天然含水率、自由膨胀率等5个主要因素,依据膨胀土分类标准,采用随机插值生产40个标准样本构建膨胀土分类的分形插值模型,并根据最大似然分类原则计算各个指标的分维数;同时结合样本综合评价值与经验等级之间的关系分析建立分形插值评价模型。通过实例分析表明,该方法简单、可靠,计算得到的每个样本具体得分值及等级优劣顺序合理,且精度可满足工程应用要求。     

基于遗传投影寻踪模型的膨胀土胀缩等级分类

由于膨胀土的胀缩特性受多种因素的综合影响,膨胀土胀缩等级分类是膨胀土处理中的一个难题。选取影响膨胀土胀缩等级分类的5个主要因素,通过在各评价等级范围内按均匀分布随机构建标准样本,结合遗传算法和投影寻踪方法,获得最佳投影方向和样本最佳投影值,利用逻辑斯谛曲线函数拟合最佳投影值与经验等级之间的非线性关系,建立了膨胀土胀缩等级分类的遗传投影寻踪模型。最后,将该模型应用到某实际工程中,分类结果与实际情况相吻合,验证了该模型的可行性和适用性,该模型可以作为一种膨胀土胀缩等级分类的新方法。     

基于增强层次对称点图像分析和深度残差网络的水电机组故障诊断

图像转化在水电机组故障诊断领域具有一定的潜力,传统将一维数据转化为图像的方法存在图像特征单一性、一张图像难以表示多种信号且图像识别精度偏低等问题。为此,提出一种基于增强层次对称点图像分析（Enhanced Hierarchical SDP,EHSDP）和深度残差网络（Deep Residual Network,Resnet50）的水电机组故障诊断方法。首先,利用移动差分和移动平均过程代替传统的层次分解,提出EHSDP的图像转化方法,在克服信号特征表现单一性问题的同时图像转化效率提高27.42%;其次,将分解过的振动信号图像化得到水电机组的图像数据库,划分EHSDP图像为训练集和验证集,利用训练集训练Resnet50模型得到最优模型参数;然后,将验证集图像输入训练好的Resnet50模型中,借助TSNE对提取到的特征降维可视化,各状态特征信号无混叠;最后,输出图像特征分类实现水电机组故障诊断,并用某水电站SK-3#真实机组数据进行验证。仿真实验和实例验证结果均表明,所提方法在所有对比模型中优势明显,验证了本文所提方法的有效性和实用性。     

引江济汉工程渠坡膨胀土分级评判量化模型及现场监测设计

介绍了正在开展的南水北调中线引江济汉工程膨胀土渠坡快速分级判定及现场监测试验工作。分析了基于未确知均值聚类理论根据多项分级指标综合判定单一土样膨胀潜势的方法,选取土样野外判别因子,根据单样品分级方法评价结果,反分析各因子分级敏感度及分级权重程度,建立膨胀土野外快速判定多因子权重专家打分系统。提出了对渠道断面整体膨胀潜势进行分级的厚度分层统计分析法。探讨了模拟不同工况下渠坡膨胀的含水量、基质吸力、土压力及侧向变形的现场监测及设计方案。     

基于Logistic回归模型的膨胀土判别与分类

采用《公路工程地质勘察规范》(JTG C20—2011)推荐的自由膨胀率、塑性指数、标准吸湿含水率作为膨胀土判别与分类指标,将膨胀潜势分为非、弱、中等、强膨胀土4个等级。以某高速公路沿线土样为例,利用SPSS软件建立了土膨胀潜势分级的有序Logistic回归模型,并利用所建模型对待判土样进行判别,结果与实际一致。研究结果表明:有序Logistic回归模型的判别性能良,能客观反映膨胀土分类的复杂状况,具有较好的工程应用前景。     

Prediction of flood abnormalities for improved public safety using a modified adaptive neuro-fuzzy inference system.

It is widely accepted that an efficient flood alarm system may significantly improve public safety and mitigate economical damages caused by inundations. In this paper, a modified adaptive neuro-fuzzy system is proposed to modify the traditional neuro-fuzzy model. This new method employs a rule-correction based algorithm to replace the error back propagation algorithm that is employed by the traditional neuro-fuzzy method in backward pass calculation. The final value obtained during the backward pass calculation using the rule-correction algorithm is then considered as a mapping function of the learning mechanism of the modified neuro-fuzzy system. Effectiveness of the proposed identification technique is demonstrated through a simulation study on the flood series of the Citarum River in Indonesia. The first four-year data (1987 to 1990) was used for model training/calibration, while the other remaining data (1991 to 2002) was used for testing the model. The number of antecedent flows that should be included in the input variables was determined by two statistical methods, i.e. autocorrelation and partial autocorrelation between the variables. Performance accuracy of the model was evaluated in terms of two statistical indices, i.e. mean average percentage error and root mean square error. The algorithm was developed in a decision support system environment in order to enable users to process the data. The decision support system is found to be useful due to its interactive nature, flexibility in approach, and evolving graphical features, and can be adopted for any similar situation to predict the streamflow. The main data processing includes gauging station selection, input generation, lead-time selection/generation, and length of prediction. This program enables users to process the flood data, to train/test the model using various input options, and to visualize results. The program code consists of a set of files, which can be modified as well to match other purposes. This program may also serve as a tool for real-time flood monitoring and process control. The results indicate that the modified neuro-fuzzy model applied to the flood prediction seems to have reached encouraging results for the river basin under examination. The comparison of the modified neuro-fuzzy predictions with the observed data was satisfactory, where the error resulted from the testing period was varied between 2.632% and 5.560%. Thus, this program may also serve as a tool for real-time flood monitoring and process control.     

基于YOLO模型的堤坝管涌监测智能识别方法

针对堤坝管涌现象的监测识别问题,提出一种基于YOLO模型的堤坝管涌识别方法。该方法通过引入改进的残差块及替换模型的激活函数来提升YOLO v3模型的网络性能,构建了基于堤坝管涌感兴趣区域提取的Piping YOLO模型来提取管涌感兴趣区域,并采用二维主成分分析方法提取管涌现象的特征,将其作为多权值神经网络的输入,经训练后实现管涌状态的分类识别。基于自主搭建的管涌渗漏试验平台建立了数据集并进行了试验验证,结果表明,提出的方法能有效识别堤坝管涌现象,在堤坝管涌无人巡检领域具有一定的应用前景。     

基于小样本学习和生成式对抗网络模型的短期风电功率预测

针对目前国内风电场功率预测过程中预测模型训练缺少大量历史数据导致预测性能不佳的问题,提出了一种基于小样本学习(FSL)和生成对抗网络(GAN)模型方法,扩充样本数据集的同时提高风电预测模型的性能.同时针对传统生成对抗网络模型无法处理回归问题的情况,提出了改进-生产对抗网络(GR-GAN)的模型,使其可以在有限的样本条件...     

Deriving Reservoir Refill Operating Rules by Using the Proposed DPNS Model

The dynamic programming neural-network simplex (DPNS) model, which is aimed at making some improvements to the dynamic programming neural-network (DPN) model, is proposed and used to derive refill operating rules in reservoir planning and management. The DPNS model consists of three stages. First, the training data set (reservoir optimal sequences of releases) is searched by using the dynamic programming (DP) model to solve the deterministic refill operation problem. Second, with the training data set obtained, the artificial neural network (ANN) model representing the operating rules is trained through back-propagation (BP) algorithm. These two stages construct the standard DPN model. The third stage of DPNS is proposed to refine the operating rules through simulation-based optimization. By choosing maximum the hydropower generation as objective function, a nonlinear programming technique, Simplex method, is used to refine the final output of the DPN model. Both the DPNS and DPN models are used to derive operating rules for the real time refill operation of the Three Gorges Reservoir (TGR) for the year of 2007. It is shown that the DPNS model can improve not only the probability of refill but also the mean hydropower generation when compare with that of the DPN model. It's recommended that the objective function of ANN approach for deriving refill operating rules should maximize the yield or minimize the loss, which can be computed from reservoir simulation during the refill period, rather than to fit the optimal data set as well as possible. And the derivation of optimal or near-optimal operating rules can be carried out effectively and efficiently using the proposed DPNS model.     

基于BP神经网络的膨胀土判别分级方法研究

以安康膨胀土为研究对象，选用粘粒含量、粉粒含量、液限和塑性指数4个分级指标，建立了两层无偏置的BP神经网络模型，研究膨胀土的判别分级问题。结果表明，该模型学习效果良好，能准确预测未知样本的膨胀性；对于安康膨胀土，粘粒含量和粉粒含量对分级结果影响较大，而液限和塑性指数影响较小；相比于传统的指标分级法，该模型具有较好的容错能力，可有效减小指标测量误差对分级结果的影响；BP神经网络用于膨胀土的判别分级是合理可行的，具有一定的推广与应用价值。