锦屏一级拱坝黏弹性工作性态反演分析

针对锦屏一级拱坝历年1 880 m高水位稳定期坝体向下游侧位移持续增大的异常变形性态,基于现场位移监测数据和坝体混凝土徐变试验数据,对该拱坝当前运行性态进行了反演分析。结果表明:坝体目前处于黏弹性工作状态,监测发现的短期趋势性变形是由水压荷载作用下黏弹性滞后变形效应和年周期环境温降效应所共同引起。混凝土黏弹性力学参数之间具有较好的线性关系,基于弹性水压分量反演得到的坝体混凝土弹性模量实际是瞬时弹性模量与延迟弹性模量的等效值,对于锦屏一级拱坝,该反演值为35.5 GPa,与前期反演值和试验值较为接近;而基于黏弹性水压分量反演得到的广义Kelvin模型中瞬时弹性模量、2延迟弹性模量和2黏滞系数分别为47.3 GPa、189.4 GPa、132.3 GPa、383.8 GPa·d和20 574.6 GPa·d。建议今后对锦屏一级拱坝建立变形监控模型时,应在HST模型中引入黏弹性滞后水压分量。     

考虑多重共线性影响的特高拱坝时空监控模型

为了解决特高拱坝时空监控模型中因子数目众多、因子之间存在多重共线性以及各测点之间存在空间关联性的问题,基于大坝变形原型监测资料,采用核独立分量分析(KICA)方法提取独立分量,将多个测点信息转化为少数几个综合指标;将提取的独立分量代入利用灰狼优化(GWO)算法优化的支持向量机(SVM)模型,对特高拱坝空间测点进行回归预测,构建了KICA-GWO-SVM特高拱坝时空监控模型。工程实例分析结果表明,KICA-GWO-SVM特高拱坝时空监控模型与多元回归模型、BP模型及SVM模型相比,其非线性表达能力强且性能良好,能够降低多重共线性对大坝变形监测的影响,对特高拱坝变形序列的拟合与预测精度高,可以更加准确全面地表征大坝整体的时空变形性态。     

拱坝变形监测预报模型研究

采用力学方法计算拱坝变形的水压分量和拱坝各水平截面原度方向的平均温度Rm和线性温差Td，但仍用统计方法选取变形的温度因子和时效因子，从而建立拱坝变形混合模型作为预报模型．其中，变形水压分量的计算采用了有限元法和拱架法；Tm和Td的计算，分析了分段水位的选用，气温和水温对变形影响的滞后规律、水温相位差选用等问题．实践证明，该模型具有计算简便，适应性广，预报效果好等特点。     

改进温度分量的拱坝变形时空分布模型

通过对混凝土拱坝变形滞后特性的研究,分析了温度效应对坝体位移影响规律,并引入瑞利分布函数建立了改进温度分量的拱坝变形监控统计模型。再通过引入空间坐标,考虑变形值在空间的连续性,建立了改进温度分量的拱坝时空分布模型。由于所建立的监控模型因子较多,因此应用粒子群算法和逐步回归分析法进行参数寻优。最后将所建立的拱坝变形时空分布模型应用于某拱坝变形监控中,结果显示:影响因子的个数减少,复相关系数及剩余标准差均优于传统模型,所建立的模型较传统大坝变形监控模型精度更高、拟合效果更好。     

混凝土拱坝多测点确定性位移监控模型研究

在建立混凝土拱坝位移监控模型时,温度位移分量的确定一直是建模的重点和难点。本文提出以气温和水温确定大坝温度边界采用有限元数值分析方法分别确定混凝土拱坝位移的水压分量和温度分量,并在此基础上建立了混凝土拱坝位移的一维多测点确定性模型,所建立起来的位移确定性模型有较好的精度和外延性,可以实现对水压、温度及时效等位移分量的分离。最后,以清江隔河岩重力拱坝为例,建立了一维多测点确定性位移监控模型,并与实际观测数据进行了对比,结果表明效果较好。     

基于某混凝土拱坝的坝顶位移回归分析

通过对混凝土拱坝拱冠梁处垂线位移多年监测资料的分析模拟建立坝顶位移统计回归模型。采用逐步回归法,分析水压分量、温度分量、时效分量对坝顶位移的影响量。统计分析回归模型较好地反映了大坝的变形规律与变化趋势,该模型的建立,为今后大坝运行安全性态和预测大坝变形发展规律提供了有效分析手段和途径。     

温度变形效应认知不确定性影响下高拱坝位移置信区间的预测方法

为解决传统预测模型未考虑拱坝变形因果关系的不确定性,导致所建立的位移静态置信区间缺乏合理的因果机理,提出了温度变形效应认知不确定性影响下高拱坝位移置信区间的预测方法。采用动态时间规整法衡量坝体温度测点之间的时间序列相似性,构建最小相似性实测温度变形因子筛选准则,基于支持向量机构建不放回采样和正交试验设计采样的机器学习模型,通过统计多模型预测值的分布规律来拟定动态变化的置信区间。以锦屏一级拱坝为例的预测结果表明该预测方法及筛选准则可有效实现高拱坝最具表征性温度测点的优选,基于最小相似性实测温度因子的正交试验设计误差小、建模效率高,所得位移预测置信区间更符合因果机理;高拱坝的最优实测温度因子组合是动态变化的。     

基于SSA-LSTM的混凝土拱坝变形预测模型

由于混凝土拱坝在变形过程中有明显的非线性特点,因此参数过多和陷入局部最优的问题是大坝变形预测模型过程中较为常见的问题。通过将麻雀搜索算法(SSA)引入长短期记忆神经网络(LSTM)中,进行超参数优化,建立了SSA-LSTM模型进行混凝土拱坝变形预测模型。以某拱坝多个测点的实测径向位移数据为例,将水压、温度和时效作为输入,坝体径向位移作为输出,使用SSA-LSTM模型与传统的变形预测模型BP神经网络、极限学习机(ELM)和支持向量机(SVM)分别进行回归预测,结果表明SSA-LSTM模型具有较强的预测能力,可用于大坝安全的预警预报。     

混凝土大坝变形监控指标拟定的混合法

针对混凝土坝变形监控指标拟定涉及的材料参数众多且不容易准确获取的问题,考虑到水压分量数值计算涉及的参数相对较少且计算结果相对可靠,采用数值计算-变形统计模型的混合法拟定混凝土坝变形监控指标,即水压分量采用不利水位工况下数值计算值,其它分量则采用不利工况下变形统计模型的分离值或反映非线性效应的分量值,结合某常态混凝土高拱坝,提出了基于混合法拟定混凝土坝变形一级、二级监控指标。分析表明,基于混合法拟定的变形一级监控指标与典型小概率法拟定的监控指标接近但略大,这表明该拱坝目前处于黏弹性工作性态,但混合法拟定的变形一级监控指标考虑的因素更全面,而且材料性能分项系数的引入明确了强度参数的合理取值。     

基于数理统计多元回归模型的拱坝水平位移影响因素分析

为了从海量大坝安全监测数据中揭示大坝变形行为与其影响因素之间的数理统计规律,建立了大坝水平位移多元回归统计模型,并采用最小二乘法获取了统计模型的参数估计值。结果表明：模型计算值与实测值吻合较好,复相关系数较大,剩余均方差较小;所建立的基于最小二乘参数估计数理统计多元回归的分析模型能够有效解释水压分量、温度分量和时效分量对水平位移的影响,为评价大坝运行性态和预测大坝水平位移发展规律提供了有效的分析手段和途径。     

基于APSO和TWSVM的特高拱坝变形预测模型

为挖掘混凝土大坝变形监测数据与各影响因素之间复杂的非线性关系,提高特高拱坝变形预测精度,在孪生支持向量机(TWSVM)模型基础上,引入位置因子与速度因子,运用自适应粒子群优化(APSO)算法进行参数优化,构建了特高拱坝变形的APSO-TWSVM预测模型。实例验证结果表明,该模型可有效挖掘拱坝变形与影响因子间复杂的非线性关系,模型运算速度和精度均比传统SVM模型有明显提升。     

沙坝水电站碾压混凝土拱坝实测位移性态分析

本文介绍了贵州省沙坝水电站碾压混凝土双曲拱坝的变形监测布置情况,对工程下闸蓄水运行以来水平位移监测资料进行整理及多元线性回归分析,初步理清拱坝的整体变形规律和运行性态,为今后沙坝水电站大坝的安全运行管理提供参考。     

Analysis of working behavior of Jinping-I Arch Dam during initial impoundment

To study the stress, deformation, and seepage pressure during the initial impoundment of the Jinping-I Arch Dam, monitoring analysis and numerical calculation were used in a dam behavior analysis that focused on the working behavior of the dam during the late period of the initial impoundment up to the end of November 2014. The numerical calculation was performed based on feedback analysis of the deformation and stress of the arch dam through inversion of the elastic moduli(E) of the dam body and foundation, using a three-dimensional finite element model for the linear elastic material of the arch dam. The main monitoring indices presented insignificant changes in the late period of the initial impoundment, and the results of feedback analysis were consistent with monitoring results. Analysis results also show that the deformations of the dam body and dam foundation were within the design range; the dam stress distributions were normal, with values lower than the design control criteria; and the seepage flows through the dam body and dam foundation were lower than the design drainage capacity of the deep-well pump house, demonstrating that the Jinping-I Arch Dam was in good working condition, and the initial impoundment had been successfully completed. The results of the working behavior analysis of the Jinping-I hydropower project during the initial impoundment can provide references for safe operation of similar projects.     

特高拱坝施工及初次蓄水期变形回归模型研究

针对特高拱坝施工及初次蓄水期间的变形特点,在传统模型基础上,增加了初次蓄水坝高因子、初蓄温度因子和初蓄渗流因子,建立了施工及初次蓄水作用下的大坝变形回归模型。通过对某高拱坝初次蓄水期间大坝回归分析可知,新模型拟合精度高,各测点相关系数均在0.99以上。水压分量、温度分量、坝高分量、初蓄及时效分量变化趋势以及在整个径向位移中所占比例符合实际规律,考虑了施工及初次蓄水期间坝体上升、外界温度影响、坝体自身温度变化、初次蓄水及渗流作用、时效等影响,反映了初蓄期间坝体的变形特性。总之,新的大坝变形回归模型能够较好地反映施工及初次蓄水期的各种影响因素,便于分析施工及初次蓄水期坝体的工作性态。     

李家峡水电站垂线自动化观测资料模型分析

根据李家峡LN2002A垂线自动化观测资料,对拱冠垂线位移进行了分析,用数理统计分析方法,由多元逐步回归,建立了拱冠坝段2185m层测点变位统计监控模型.计算结果表明模型拟合精度较高,因子意义明确,对预测坝体变位有实际应用价值.     

佛子岭连拱坝变形性态分析

针对佛子岭连拱坝垂线改造前后坝顶水平位移实测资料进行分析，分别对新、旧两套垂线系统所测水平位移建立各自的回归模型，深入分析了佛子岭连拱坝的变形性态及变形规律。结果表明：坝体变形主要受温度的影响，水压和时效的影响较小；高水位、低气温、高水温是连拱坝变形最不利的荷载工况。     

基于多因子融合和Stacking集成学习的大坝变形组合预测模型

变形是反映大坝服役形态变化的直观表征,构建高效准确的变形预测模型对于大坝结构安全控制十分重要。传统单因子及单算法变形预测模型存在泛化能力不足、鲁棒性差等问题,易出现预测偏差甚至误判。针对这一问题,本文选取不同变形解释因子及回归算法,构建多种单因子单算法预测模型,结合Stacking集成学习思想,对上述模型进行组合,提出了大坝变形组合预测模型。该组合模型以Stacking集成学习为核心,采用高斯过程回归作为元学习器,从算法、因子两方面对单因子单算法预测模型进行集成,并通过k折交叉验证减小模型过拟合风险。以某混凝土拱坝变形监测数据为例,通过多模型构建与性能比较,对所提出模型的准确性与有效性进行评估。结果表明：单因子单算法预测模型具备准确性和多样性的特征;通过算法、因子集成,组合模型的预测精度和鲁棒性得到了显著提高,在水位波动期的预测能力得到了有效增强。综上,大坝变形组合预测模型具备出色的非线性信息挖掘与建模预测能力,可为大坝安全监测提供可靠依据。