基于小波分解和支持向量机的大坝位移监控模型

常规大坝安全监控统计模型未能分别针对监测序列值内系统信号和随机信号特点进行模拟,故预报精度存在一定的提升空间。基于小波分解技术,利用监测序列值信号频率特征分离出系统信号与随机信号,并结合逐步回归与支持向量机(SVM)对不同信号的处理优势,在引入网格寻优与交叉验证确定SVM敏感参数的基础上,提出了一种基于多元统计结合小波分解和支持向量机的大坝位移监控模型,同时编制了其相应的计算程序。工程算例表明,该模型较常规模型能够同时考虑监测序列中的系统信号和随机信号,并且具有较强的模型寻优能力和更高的预报精度,从而验证了所建模型的有效性,该方法亦可推广应用于高边坡及大坝其他预警指标的监控。     

RS-SVM模型在大坝安全监控中的应用

将粗集理论与支持向量机结合起来,研究了针对大坝安全监测数据序列中出现小样本、短序列、不确定等情况时的监控模型,利用粗集理论中的知识约简,引入属性重要度概念,对输入数据预处理,简化大坝工作性态影响因素和效应量之间的映射关系,实现了支持向量机模型输入的优化设计,使模型更能体现大坝的工作机制。以某混凝土大坝为例,分别采用统计模型、BP神经网络模型、标准SVM模型以及RS-SVM模型进行建模分析,对比验证了RS-SVM模型方法的可行性。     

基于改进PSO算法和SVM的大坝监控模型研究

针对传统大坝安全变形预警监控模型对缺失数据敏感、精度易受其它因素影响的特点,提出了一种利用粒子群算法与支持向量机相结合的建模方法。即通过粒子群算法对支持向量机模型的参数进行寻优,同时改进了惯性权重因子与学习因子,并引入参数收敛程度,有效地解决了粒子群算法存在的早熟收敛问题,提高了全局收敛能力。阐述了模型建立的算法步骤,并利用某水电站观测数据进行了验证。结果表明,相对于传统优化算法,改进的PSO-SVM模型在大坝安全变形监控上具有很大的优越性,而且也扩展了粒子群算法的应用范围。      

基于PCA-SVR模型的大坝裂缝早期预报研究

支持向量机拟合模型（SVR）可用于大坝裂缝预报，但自变量间的多重相关性和输入变量的高维数对支持向量机拟合模型的精度影响较大。基于大坝裂缝开合度理论，利用主成份分析法（PCA）提取原样本信息缩减后的主成分作为SVR模型的输入量，构建了大坝裂缝开合度的早期预报PCA-SVR模型。将该模型应用于某大坝监控资料的分析中,与传统回归模型相比，PCA-SVR模型具有更高的计算精度和运算效率，并可提前预报裂缝开合度信息，能在实际工程中广泛应用。     

基于小波核函数和支持向量机的大坝变形预测

支持向量机中核函数的选择对大坝监控模型预测精度具有较大影响。基于支持向量机结构风险最小化以及小波框架理论,提出用小波核函数代替高斯径向基核函数(RBF),并采用粒子群算法对支持向量机的参数进行寻优,得到一种新的大坝变形预测模型。针对某实际工程,基于监测数据,将该模型与采用RBF核函数的支持向量机模型以及统计回归模型做对比,结果显示采用小波核函数的支持向量机模型模拟精度更高,泛化能力更强。     

混凝土坝安全监控最小二乘支持向量机模型

传统的混凝土坝安全监控模型难以精确反映大坝变形的非线性变化规律,一定程度上影响模型的预测效果。基于统计学习理论的支持向量机,采用结构风险最小化准则,具有结构简单、理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点。将最小二乘支持向量机应用于大坝安全监控领域,建立了混凝土坝的支持向量机监控模型。工程案例证明,该模型精度较高,具有广泛的实用性。     

基于鸡群算法优化相关向量机的混凝土坝变形预报模型

针对混凝土坝变形监控模型中大坝变形与环境影响因素之间的复杂非线性问题,为提升大坝变形监控模型的预报能力,提出了一种基于鸡群算法(CSO)优化相关向量机(RVM)的混凝土坝变形预报模型。考虑到相关向量机核函数参数的选取直接影响其回归分析性能,采用鸡群算法对其核函数参数进行寻优处理。据此,构造了基于鸡群算法优化的相关向量机模型,进而提升相关向量机的预报精度和泛化能力。以某混凝土坝长期变形监测资料分析表明,基于鸡群算法优化的相关向量机模型预报可有效挖掘大坝变形与环境因素间复杂的非线性函数关系,相比传统的相关向量机模型,该模型的拟合与预报精度更优,有效验证了所提方法的合理性与有效性,为大坝变形分析与预测提供新的模型方法。     

基于PSO的SVM-ARIMA大坝安全监控模型

大坝监控过程中,大坝变形的实测值是一个非线性且非平稳的时间序列,支持向量机(SVM)适用于解决小样本、非线性问题,在SVM算法的基础上建立了改进的大坝变形监控模型,利用差分自回归移动平均模型(ARIMA)解决非平稳时间序列问题的优势,对SVM模型的残差进行处理,并采用粒子群算法(PSO)优化支持向量机(SVM)中的核函数。实例分析表明,优化后的组合模型预测结果可靠,且精度较SVM模型有所提高。     

大坝变形的ε-SVR数值模拟

在新建水利枢纽、大坝除险加固以及监测系统不稳定等原因导致有效观测序列较短的情况下,为了对大坝变形进行有效的监控和预测,用基于不敏感损失函数的支持向量回归机(ε-SVR)对大坝变形进行数值模拟.采用支持向量回归机、序贯极小优化算法对大坝变形水平位移各分量的特征因子进行选择,模型建立后分离水压、温度、时效等主要分量,并分析其对变形的影响.对实际工程进行数值模拟的结果表明,依靠较少的支持向量就可以建立模型,该模型具有拟合效果稳定、预测结果准确可靠的特点,可以应用于大坝短期观测资料的分析.     

基于IPSO-RVM的大坝安全预警模型

针对SVM(Support Vector Machine,支持向量机)存在支持向量个数较多、核函数要求严格等不足,将性能更出色的RVM((Relevance Vector Machine,相关向量机)用于大坝安全预警模型的构建。核函数及其参数对RVM模型的性能有着重要的影响,组合局部核函数和全局核函数的混和核函数能提高模型的拟合精度和泛化能力,利用PSO(Particle Swarm Optimization,粒子群算法)能有效地对核参数进行寻优,针对标准PSO算法容易陷入局部最优点的缺陷,提出IPSO(Improved Particle Swarm Optimization,改进的粒子群算法)。将上述组合算法用于大坝安全模型的建立,实例分析表明,基于上述算法模型的性能得到了一定程度的提高。     

基于偏最小二乘回归和最小二乘支持向量机的大坝渗流监控模型

利用偏最小二乘回归法对影响大坝渗流的诸多因素进行分析,提取对因变量影响强的成分,克服了变量间的多重相关性问题,降低了最小二乘支持向量机的输入维数,从而可以较好的解决非线性问题,建立了基于PLS-LSSVM的大坝渗流监控模型。实例分析表明,PLS-LSSVM模型的拟合与预测精度均优于独立使用PLS或LSSVM建模的精度;PLS-LSSVM模型的学习训练效率比LSSVM模型有较大的优势,更适合于大规模的数据建模。     

基于PSO-SVM的碾压混凝土坝变形预测模型

为提升大坝变形预测能力,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的混凝土重力坝变形预测模型.通过粒子群算法对支持向量机惩罚函数C与核函数σ进行寻优,避免了拟合过程中易陷入局部最优解的问题,提高了模型的拟合精度.以新疆北疆某碾压混凝土坝2014年～ 2019年变形监测数据为例,建立了逐步回归、SVM、P...     

土石坝渗流安全监测的遗传支持向量机方法

为了有效地根据土石坝地原型观测资料来分析坝体和坝基中存在的渗流问题,本文在对建模因子进行分析的基础上,充分利用支持向量机的结构风险最小化原则和遗传算法快速全局优化的特点,通过支持向量机模型对非线性监测数据进行拟合,并利用遗传算法优化支持向量机的模型参数,建立了基于GA-SVM的土石坝渗流监测模型。实例分析表明,该模型与传统的多元线性回归模型和神经网络模型相比,具有预测精度高、泛化能力强等优点,对土石坝安全监控具有实用价值。     

基于实测数据的重力坝型水电站大坝安全诊断关键技术研究与系统实现

保障大坝安全是确保水电站长期稳定运行的首要任务。在水工安全运维数据资源整合技术、基于BIM的多源异构空间信息融合技术、基于实测数据的测点快速评判与大坝工况综合评价技术等关键技术开展研究的基础上,构建了重力坝型水电站大坝安全诊断与决策支持系统,并在西南某水电站投入实际应用,有效提升了电站在大坝安全数据共享融合、分析诊断、综合评判和异常预警等方面的能力,为同类坝型水电站提供了参考和示范。     

大坝安全监测的兽棒最小二乘 支持向量机模型

针对目前在大坝监测模型中应用较多的支持向量机模型,以土坝沉降监测实例比较分析了监 测数据中是否含有异常值的两种情况的最小二乘支持向量机监测模型的拟合精度与预测精度,发现异 常值的影响不容忽视。通过改进支持向量机模型中的损失函数,建立了大坝安全监测的普棒最小二乘 支持向量机模型(RLS一SVM )。实例分析表明:不论监测数据是否含有异常值RLS一SVM均可达到较 好的拟合精度和预测效果,优于普通LS一SVM模型。     

南城子水库大坝安全管理保障信息系统建设探析

本文结合南城子水库除险加固应急工程建设需求,考虑到汛期洪水可能对水库防洪安全和大坝稳定造成的恶劣影响,将水文遥测、大坝监测、防汛会商等技术应用于水库安全管理保障信息体系中,集成预报、预警、分析、管理、会商等安全管理保障体系,实现水库安全的硬件监测支撑和软件应用平台服务的管理目标。     

三维可视化大坝安全监控系统研发及应用

先进可靠的三维可视化大坝安全监控系统能准确检查大坝结构,展示仪器埋设位置,提高实时监测信息及大坝安全管理的效率。通过对大坝监测数据的深入分析,并依据规范拟定应力、渗流量等监控指标对三维数值模型进行正反分析,可确定大坝变形预警值。以湖南托口水电站为例,采用BIM技术构建了大坝实体、地形场景以及监测信息的三维可视化模型,并开发出集成了三维可视化模型展示、数据查询、数据展示及安全预警四大模块的大坝安全监控系统。该系统能全方位展示大坝结构、监测数据分析结果、监控指标等信息,并直观展示实时信息,实现了大坝安全监控预警,提高了大坝安全管理效率。相关经验可供类似水利水电工程的安全监控系统开发借鉴。     

拱坝变形监测预报的随机森林模型及应用

大坝变形预报对大坝运行安全评估起着至关重要的作用。传统模型预报精度不够、模拟效果不稳定;若大坝变形数据有异常值时,传统机器算法模型识别和处理异常值的灵活性很小,导致预报结果有偏差。为了解决这些问题,首次将随机森林算法运用到大坝变形监测领域,将大坝测点根据随机森林相似性矩阵分成若干个子集,针对每一个子集建立随机森林预测模型,分区建立预测模型更符合工程实际情况。选取拱坝变形作为研究对象,验证所建模型的适用性。结果表明,根据随机森林的相似性矩阵对大坝各测点的分区情况符合物理和工程实际意义,对各分区子集测点利用随机森林模型建立的预测模型,与支持向量机、BP神经网络模型相比,预测结果精度较高、模型稳定性好,为大坝变形监测提供了新思路。