迁移学习框架下高心墙堆石坝施工仿真参数IGOA-MLP动态预测模型

施工仿真参数是影响高心墙堆石坝仿真结果准确性的关键。现有方法基于历史数据来预测未来填筑层的仿真参数,忽略了不同层之间的施工差异;同时,在新一层开始时往往存在数据不足或缺失的问题;此外,施工参数受到气象条件、机械运行状态等多因素影响而动态变化。本文利用迁移学习解决了上述问题,该方法具有通过知识迁移解决少样本建模问题的优势,同时考虑气象条件、机械运行状态等多种因素的定量影响,提出迁移学习框架下的高心墙堆石坝施工仿真参数改进蝗虫算法优化的多层感知机动态预测模型。首先,建立综合考虑多因素影响的施工仿真参数IGOA-MLP预测模型;其中,采用非线性缩减因子和柯西-高斯混合变异模式改进蝗虫优化算法(IGOA),并利用IGOA高效全局最优搜索能力来优化多层感知机(MLP)的超参数。其次,引入迁移学习策略,将训练集划分为源域和目标域,并在MLP隐藏层中增加自适应层以表征源域数据与目标域数据的差异性,实现历史工况和新工况间的知识迁移,从而解决新工况下缺少数据的问题。工程实例表明,相比于传统MLP模型以及未使用迁移学习的IGOA-MLP模型,本文所提方法的平均绝对百分比误差(MAPE)分别降低了54.68%、40.57%,证明了本文所提模型能够更准确地预测仿真参数,为仿真计算提供可靠的数据基础。     

时空融合的堆石坝变形预测模型及在安全监测中的应用

变形预测是堆石坝安全监测与健康诊断的重要手段,现有研究多根据堆石坝监测数据建立单测点预测模型,未充分考虑测点之间相关性进行整体建模,且现有模型难以对漂移数据进行长期精准预测。本文考虑堆石坝变形序列的时序依赖性和测点之间的协同相关性,提出了基于图卷积和循环神经网络、引入概率预测与全过程训练的时空融合变形预测模型。该模型首先采用图卷积网络对多测点特征进行自适应汇聚,然后利用循环神经网络中细胞状态与隐层记忆沿时间轴的传递性,实现对时空信息的挖掘与融合,最后通过线性层得到概率预测参数,提高了模型对监测数据噪声的鲁棒性。采用全过程训练方式,提高模型对影响因子与累积变形量内在关系的学习能力,实现对漂移数据的长期精准预测。最后以水布垭面板堆石坝为例,进行了模型对比实验与消融实验,介绍了该模型在堆石坝安全监测和健康诊断中的三种具体应用。结果表明,本文模型有效融合了时空信息,在预测精度方面显著高于现有模型,解决了现有模型对大坝整体变形规律学习能力差、漂移数据预测精度低的问题,可用于堆石坝变形长期预测、测点异常检测与缺损数据补全。     

BP网络在大坝变形空间多测点监测模型中的应用

利用BP网络的较强函数非线性映射能力,对大坝多个测点的变形监测数据进行了仿真及预测,所建立的空间多测点BP网络模型以水位、温度、时间、测点坐标作为输入参数,以大坝变形值作为网络输出.结果表明,通过有代表性的学习样本对网络的训练,模型的拟合及预报结果能够满足精度要求,同时,与传统的统计建模方法相比,大坝变形多测点BP网络模型具有实施容易、运行速度快、误差修正方便、操作简单、运行灵活等优点.     

BP神经网络模型在库区高边坡变形预测中的应用

影响因素的多变及周期特征使高边坡变形表现出明显的非线性,线性模型难以对边坡变形做出准确预测。为研究库区高边坡变形发展趋势,以某水电站高边坡变形监测成果为依托,在对其变形影响因素分析基础上,选取半年库水位变化量、半年降雨量、前半年惯性位移量为输入参数,以监测点半年变形增量值为输出参数,构建起3层BP神经网络模型。利用该模型对2011年6月—2014年12月间监测数据进行训练,精度达到预设要求后,预测2015年1月—2016年6月测点变形值,结果表明:预测最大误差8.26%,平均误差7.2%,满足工程精度要求,说明该模型参数选取及设置适合,可为后续边坡变形趋势研究提供参考。     

基于深度学习的遥感影像小目标检测

针对大量高分辨率遥感影像中的小目标检测问题,文章提出一种基于SSD检测网络改进后的目标检测算法实现遥感影像小目标检测。第一,针对遥感影像中数据量不足的问题,利用迁移学习的策略对特征提取网络进行模型预训练,得到对图像较低层级特征具有较好提取能力的特征提取网络;第二,修改SSD网络架构的特征提取网络层级,使用更多尺度的特征提取层进行检测,同时使用Adam优化算法进行训练,提高对遥感影像小目标的识别精度。实验结果表明,利用迁移学习的策略和修改SSD网络架构的方式,可以将通用深度学习目标检测算法应用于遥感影像中的小目标检测,检测性能有所提高。     

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。     

人工电场算法优化的极限学习机大坝变形预测模型研究

为提高水库大坝变形预测精度,研究一种将人工电场算法(AEFA)与极限学习机(ELM)相结合的预测方法。以官地水电站72期大坝沉降数据为例,构建延迟时间为1,嵌入维数为2、3、5的3种ELM预测模型,利用AEFA优化ELM输入层权值和隐含层偏值,构建3种不同嵌入维的AEFA-ELM大坝变形预测模型,并构建对应的AEFA-支持向量机(SVM)、AEFA-BP作预测对比模型。将9种不同嵌入维的AEFA-ELM、AEFA-SVM、AEFA-BP模型用于实例大坝变形数据的训练和预测。结果表明：嵌入维数为2、3、5的AEFA-ELM模型对实例后10期大坝变形预测的平均相对误差分别为3.94%、4.08%、3.67%,预测误差均小于AEFA-SVM、AEFA-BP模型,具有较高的预测精度,对大坝变形预测研究具有一定的参考价值。     

基于优化VMD与GRU的混凝土坝变形预测模型

为提高大坝变形预测精度,基于“分解-重构”思想,采用变形信号处理技术对实测变形加以时频分解,并结合深度学习网络对分解信号分项预测再重构,提出一种基于优化变分模态分解(VMD)与门控循环单元(GRU)的混凝土坝变形预测模型。该模型使用灰狼优化算法(GWO)优化的VMD把原始数据分解为一组最优本征模态分量(IMF),利用GWO优化的GRU网络对每个IMF分量进行滚动预测,通过叠加各个分量的预测结果得到位移序列预测结果,解决了VMD人工选择参数导致分解效果差及GRU人工选择参数影响训练速度、使用效果及鲁棒性等问题。工程实例预测结果表明,该模型的预测误差小,具有良好的预测精度与稳健性。     

基于尖点突变理论的高层建筑沉降变形预测分析

为建立一个全面且系统的高层建筑变形预测模型,本文首先利用卡尔曼滤波对变形数据进行去噪处理,分离出趋势项和误差项,再利用GA-BP模型和LS-GM(1,1)模型对趋势项进行预测,并通过组合得到趋势项预测值;其次,利用马尔科夫链对累计误差序列的进行修正,进一步提高预测精度;最后,利用尖点突变理论对高层建筑的稳定性进行评价,以验证预测模型的有效性。结果表明:半参数型卡尔曼滤波具有较好的滤波效果,且在趋势项的预测过程中,通过对BP神经网络的优化将平均预测精度由4.02%提高到了2.44%,而优化GM(1,1)模型则将平均预测精度由4.29%提高到了2.76%,说明本文的优化方法切实可行。通过误差修正,验证样本中的最大相对误差仅为1.63%,说明误差修正模型达到了进一步提高预测精度的目的,尖点突变理论的分析结果与预测结果相符,均得出高层建筑处于稳定状态,其后期变形将会持续减弱。     

基于BP神经网络的改良黄土强度参数预测

选用新型固化材料SH改良黄土,以室内土工试验数据为学习样本和测试样本,通过BP神经网络模型就含水率对改良黄土力学参数的影响进行了预测分析,结果表明:隐含层函数为正切tansig函数、输出层为对数logsig函数、隐含层神经元数为9时训练次数最少,模型误差最小;根据试验数据建立了非线性预测模型,预测结果与试验数值基本吻合,内摩擦角的平均误差为0.5%,黏聚力的平均误差为7.74%,内摩擦角的预测效果优于黏聚力的,但整体误差较小,且都在土工试验允许误差范围内,可见将BP神经网络应用到力学参数的预测中是合理的。     

一种空间误差模型在混凝土拱坝变形预测中的应用

混凝土拱坝作为一种高次超静定结构,具有较强的自适应性和整体性,但传统混凝土拱坝变形统计模型主要考察单个测点的变形序列,不能体现不同测点之间的相互作用。基于传统混凝土拱坝变形统计模型,用空间计量方法挖掘了拱坝不同测点同一时刻误差项空间面板数据的空间关联特性;进一步采用空间面板自回归模型拟合变形序列误差项面板数据,建立了混凝土拱坝变形预测空间误差模型。小湾拱坝坝体34个监测点水平向变形监测序列分析结果表明:误差面板数据之间存在很强的正空间关联性质,空间误差模型的预测效果优于传统统计模型,具有一定应用前景。     

基于小波去噪及优化BP神经网络的滑坡变形预测研究

为提高滑坡变形预测精度,以小波去噪和优化BP神经网络为基础,构建了滑坡变形预测模型,即先利用小波去噪剔除滑坡变形序列中的误差信息,再利用BP神经网络实现滑坡变形预测,且为保证其预测精度,利用试算筛选和混沌理论优化其模型参数,以实现滑坡变形的优化预测。实例研究表明:小波函数、阈值选取方法和小波分解层数对去噪效果的影响较大,sym8小波函数、软阈值及12层分解层数组合在实例中的去噪效果相对最优;同时,隐层节点数优化和节点阈值优化能有效提高BP神经网络的预测精度,在初步预测效果评价中,SH1号监测点的相对误差均小于2%,平均相对误差仅为1.65%,并在可靠性验证中,SHZ2号和SHZ3号监测点预测结果的平均相对误差分别为1.54%和1.51%,说明该模型不仅具有较高的预测精度,还具有较好的稳定性,适用于滑坡变形预测。     

综合图形权值法在滑坡变形预测中的应用研究

为提高滑坡变形的预测精度,首先采用卡尔曼滤波对滑坡的变形数据进行去噪处理,分离出趋势项和误差项,再利用多种单项预测模型对趋势项进行预测,最后利用综合图形法确定组合权值,实现趋势项的组合预测;其次,利用神经网络模型对误差项进行预测,进而得到滑坡变形的预测值。结果表明:半参数卡尔曼滤波的效果最优,并通过组合预测有效地提高了预测精度,达到了对滑坡变形高精度及高稳定性预测的目的,验证了该预测模型的可行性和有效性。     

YOLOv3-CBAM长江禁捕垂钓场景识别模型研究

河湖水域岸线管控是河湖长制的重要内容,实施长江十年禁渔以来,长江岸线的非法捕捞行为屡禁不止,应用卫星-无人机-地面视频监控等遥感手段联合进行岸线禁捕场景识别成为趋势。为了实现对禁捕中垂钓行为的快速智能化精确检测,采用深度学习方法,利用Microsoft Common Objects in Context(COCO)数据集训练出一个具有较强特征提取能力的预训练权重,借助迁移学习的思想解决了目前禁捕场景样本量少的问题。为了增强对小目标的检测效果,在目标检测网络YOLOv3的基础上添加多个注意力机制模块,形成改进后的网络模型YOLOv3-CBAM。实验结果表明：YOLOv3算法采用迁移学习的训练策略,可以加快模型的收敛速度,提高模型的识别精度,将精度从78.57%提升至93.27%;添加注意力机制模块之后,在模型参数几乎不增加的情况下,识别精度又可提升到93.99%。研究成果可为长江流域禁捕垂钓的实时动态监管提供技术支持。     

基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSO-ANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。     

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。     

基于KPCA-ICFSFDP-MOGP的拱坝多测点变形数据预处理及预测方法

为更高效地对高拱坝的多测点变形数据进行分析,引入了核主成分分析(KPCA)算法重构误差以识别多测点序列中的异常值；为解决用于测点聚类的密度峰值聚类(CFSFDP)算法高维表现较差的问题,利用KPCA算法对其进行降维操作,并提出了自动选取聚类中心与截断距离的改进CFSFDP(ICFSFDP)算法；基于KPCA-ICFSFDP和多输出高斯过程(MOGP)算法,按分区建立了多测点变形MOGP回归模型。实例验证结果表明,对于簇内点数量较少的类,相较于不分区的MOGP模型,预测效果得到了一定的提升,同时在整体MOGP模型表现良好的测点,分区后仍然保持较高的预测精度,且与单输出高斯过程模型对比均有所提升。     

基于LSTM-Arima的大坝变形组合预测模型及其应用

大坝变形是水压、温度等多种因素综合作用的结果,变形监测数据是非平稳非线性的时间序列,并且在时间维度上具有关联性。为充分挖掘变形监测数据在长短时间跨度上的关联性,提出了应用长短期记忆网络(LSTM)预测大坝变形的方法。为进一步提升预测精度,利用自回归差分移动平均模型(Arima)对预测残差进行误差修正,从而建立基于LSTM-Arima的大坝变形组合预测模型。以某混凝土重力坝为例,将组合模型的预测结果与Arima模型、支持向量机(SVM)的预测结果进行对比分析。结果表明LSTM-Arima的预测结果优于Arima模型和SVM的预测结果,LSTM-Arima的均方根误差(RMSE) 比Arima模型和SVM分别降低了40.65%和59.00%,平均绝对误差(MAE)分别降低了35.49%和55.60%,表明LSTM-Arima模型具有较高的预测精度。研究成果对于更精确地开展大坝变形预测有一定参考价值。     

基于动态MIC优化TCN的混凝土坝变形预测模型研究

混凝土大坝变形是其安全运行的主要控制指标,对大坝变形的预测就显得尤其重要。为降低常规预测模型因未考虑环境量的时滞性所带来的误差,采用最大信息系数方法(MIC)计算水位影响因子和大坝位移的时滞关系,并确定最佳滞后时间。进一步,采用时间卷积网络(TCN)解决了混凝土重力坝的变形预测的高维非线性难题,并不断逼近坝体位移影响因子矩阵空间和位移目标向量之间的最佳映射关系,进而得到大坝变形的预测模型,并将其预测结果与常用的ARIMA模型进行对比。结果表明,MIC-TCN模型比ARIMA模型有更好的预测效果。     

沉降观测模型预测拦河枢纽工程沉降变形的探讨分析

为了探究不同沉降观测模型在预测沉降变形过程中的精度及可靠度问题,基于新疆某拦河枢纽工程,分别采用等维新息GM(1,1)模型和DGM(1,1)模型分析泄洪闸处的沉降变形,并与实测值进行误差对比。研究结果表明:采用引入时间参量的DGM(1,1)模型预测的沉降变形精度较等维新息GM(1,1)模型高,平均相对误差仅为1.3%,且模型拟合精度评价为优良,表明在GM(1,1)基础上引入时间累计修正参数后,能显著提高模型的可靠度。