大坝变形监测统计模型与混沌优化ELM组合模型

变形是反映大坝动态演化的重要效应量。为了提升统计模型预测能力,借助极限学习机(ELM)处理非线性问题的优势,对大坝位移的统计模型残差进行数据挖掘。而极限学习机欠缺对混沌动力特性的考虑,为了解决这个问题,采用混沌理论对统计模型残差进行了混沌动力学特性分析,揭示其混沌特性,并据此重构相空间,从而为混沌优化极限学习机提供先验知识。基于统计模型,结合极限学习机和混沌理论的优点,建立统计模型与混沌优化ELM的组合模型。将该组合模型应用于工程实例,由多个定量评估指标对模型进行性能评价,结果表明,组合模型建模合理,预测精度高于统计模型、统计模型与混沌优化BP神经网络组成的组合模型,在大坝变形监测中具有一定的应用价值。     

基于CEEMDAN-PSR-KELM的大坝变形预测

为提高大坝变形预测精度,针对大坝变形监测序列的非线性、非平稳性等特点,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)-相空间重构(PSR)-核极限学习机(KELM)的大坝变形预测模型。首先利用CEEMDAN算法将大坝变形监测序列分解成为若干不同频率的子序列,然后对各序列进行相空间重构,依据重构的各个子序列分别建立相应的KELM预测模型,最后对各子序列预测结果进行叠加求和得到最终预测结果。通过实例对比分析表明,该模型在大坝变形预测中预测精度较高,对于大坝变形安全监测具有一定的实用价值。     

长江上游径流混沌动力特性及其集成预测研究

针对长江上游干流主要站点月径流时间序列强非线性和非平稳特征,引入混沌理论和AdaBoost.RT集成极限学习机方法对其月径流时间序列进行分析和预测。首先,以流域径流非线性动力系统混沌特征参数辨识为切入点,研究并发现了流域内在特性作用下月径流时间序列动力响应的混沌现象,推求了月径流时间序列相空间重构的延迟时间和最佳嵌入维数,在此基础上,以重构相空间时间序列作为输入变量,引入基于自适应动态阈值的改进AdaBoost.RT算法改进极限学习机模型的学习性能,得到最佳的混沌集成学习月径流时间序列预测模型。实例研究结果表明,所提方法和模型能够显著提高单一极限学习机模型的泛化性和稳定性,从而获得更优越的预报性能。     

基于相空间重构的大坝服役性态小波支持向量机预测模型

通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。     

多相型综合法及其在高边坡变形预测中的应用

基于相空间重构理论和近邻等距及其加权预测模式,提出了多相型综合预测方法,并应用于高边坡变形监测数据的处理。该方法应用于小湾水电站2#山梁高边坡4个GPS监测点连续430期变形时间序列的数据分析并进行预测。结果表明,该方法有效地削弱了重构参数选取算法和数据噪声等主客观因素对变形预测值的不确定影响,具有更高的预测精度和可靠性,为高边坡变形的非线性混沌预测提供了一种方法。     

基于统计和混沌优化BP神经网络融合模型的大坝变形预测分析

变形是大坝结构性态动态演化的重要效应量,对其准确预报是保障大坝安全运行的基础。针对大坝变形监测数据序列中存在的混沌现象,采用混沌相关理论对统计模型中的残差序列进行混沌动力学特性分析,揭示其混沌特性并进行相空间重构。同时,利用BP神经网络处理非线性问题具有的优点,建立统计和混沌优化BP神经网络融合预测模型,将其用于工程实例。工程实例表明,该模型精度高于传统统计模型,在大坝变形安全监控中具有一定的应用价值。     

基于BO-GRU的混凝土坝变形预测模型

针对混凝土坝变形具有较强的非线性特点、目前大坝变形预测模型出现参数过多及易陷入局部最优等问题,提出了一种深度学习中的门控制循环单元(GRU)模型,并结合贝叶斯优化算法(BO)对门控制循环单元的超参数进行优化,建立BO-GRU模型应用于混凝土坝变形预测。为检验模型的可行性,以实测变形监测数据为基础,并与极限学习机、相关向量机和基于遗传算法优化的支持向量机等模型预测结果进行对比。结果表明:该模型的泛化能力强、运行效率高,能有效运用于混凝土坝的变形预测。     

重庆藕塘滑坡地下水位时间序列混沌性判别与预测

在周期性库水位涨落和季节性强降雨等因素影响下,藕塘滑坡前缘地下水位时间序列呈现混沌特性。以藕塘滑坡前缘水文孔(MZK5)地下水位序列为研究对象,进行混沌分析;并利用饱和关联维数法和最大Lyapunov指数法,在水位序列相空间重构的基础上对混沌特性验证。为克服粒子群算法本身的不足和SVR模型参数选取困难的缺点,采用基于遗传选择策略的粒子群算法(GSSPSO)优化选取SVR模型的参数,再用预测性能较为精准的回归型支持向量机(SVR)模型对其进行预测。对MZK5水文孔地下水位进行了BP神经网络模型预测和优化后模型(GSSPSO-SVR)预测。结果表明:藕塘滑坡前缘地下水位序列具有混沌特征,GSSPSOSVR模型预测结果的均方根误差为0.036 m,拟合优度为0.803,说明GSSPSO-SVR模型预测效果较理想,且预测精度高于BP网络模型,具有较强的实用性。     

基于DDA分析的白石水库库岸硬岩边坡倾倒变形研究

库岸边坡的地形、地质条件复杂,其变形往往和自身蠕变特征关系密切。文章以辽宁省白石水库右岸岸坡为研究对象,基于水岩耦合以及岸坡蠕动特性,利用DDA方法从变形量、变形形态以及变形过程等方面对岸坡倾倒变形进行研究,结论显示利用DDA方法获得的计算结果与现场观测结果具有较高的吻合度,说明该方法可以用于水库岸坡倾倒蠕动变形预测研究。     

基于EEMD的BP神经网络边坡预测研究

针对边坡变形中非平稳和非线性的数据处理问题,提出一种基于集合经验模态分解(EEMD)和BP神经网络相结合的边坡变形预测新算法(EEMD-BP)。该算法先对边坡变形序列进行EEMD分解,有效分离出隐含在时序中具有不同尺度特征的子序列,进而对各子序列建立BP神经网络预测模型,最后叠加各子序列预测值得到边坡变形最终预测结果。与GM(1,1)和BP神经网络模型对比分析表明,该算法预测精度较高,在边坡变形波动剧烈时段,也能保证较优的局部预测值和较好的全局预测精度。     

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。     

白龙江某水库库岸的塌岸预测研究

水库蓄水后将引起库区岸坡的变形和再造。为了研究其塌岸类型及规模,通过对库区重点岸段的详细地质调查,总结了白龙江某库岸段存在三种主要塌岸模式。并针对不同的塌岸模式和岸坡结构等,预测合理的参数来对各库岸段塌岸规模进行计算,得出极限平衡法更适用于滑移型破坏模式的库岸,佐洛塔廖夫法和类比图解法预测的塌岸结果相接近,卡丘金法整体偏大。更多还原     

基于混沌时间序列的大坝变形短期预测

将混沌时间序列预测理论应用到大坝变形预测中，根据非线性大坝变形时间序列，运用相空间重构理论，建立了加权一阶局域法、基于最大Lyapunov指数法大坝预测模型，对混沌的大坝变形数据短期预测模型进行了研究，对比分析了各自的特点，并结合实例完成了对大坝变形的预测。计算分析表明，该模型预测误差较小，与传统的自回归模型预测结果相比，基于混沌时间序列的预测方法在大坝变形的短期预测中具有更高的精度。     

基于蚁群算法优化支持向量机的边坡位移预测

由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。借助支持向量机(SVM)可有效解决小样本、高维数、非线性等问题的优点,对边坡实测位移进行数据挖掘,预测边坡变形趋势。为了避免人为选择支持向量机模型参数的盲目性,提高模型预测精度和泛化能力,引入改进的蚁群算法(ACO)对模型参数进行寻优,结合位移时序滚动预测方法,建立了适合边坡变形预测的ACO-SVM模型。将该模型应用于2个边坡的位移预测,研究结果表明,ACO-SVM预测精度高,模型建立正确。与遗传算法、粒子群算法优化SVM的预测结果相比,ACO-SVM模型预测精度更高,具有更强的泛化能力,预测结果更加合理,在边坡变形预测中具有一定的工程应用价值。     

基于在线序列-极限学习机的干旱预测

极限学习机在干旱预测时,通常将作为预测因子的历史数据固化的导入到模型中进行训练,而忽略了不同阶段产生的数据在模型训练中的作用和效果。因此,基于在线更新理论构建了在线序列-极限学习机预测模型,该模型在参数训练更新时,预测因子数据是按不同批次逐步导入到模型进行训练,大大降低了计算机资源占用率,且选用标准降水指数作为干旱评价指标对研究区域进行了预测。结果表明:在线序列-极限学习机较极限学习机的预测精度与稳定性有了大幅度的提高。     

月径流序列的混沌特征识别及Volterra自适应预测法的应用

在混沌动力系统相空间重构的基础上,利用关联维数法和最大Lyapunov指数法,对月径流时间序列进行混沌特性识别。然后结合自适应技术的实时递推特性和Volterra级数的非线性表征能力,利用Volterra自适应滤波法可对径流时间序列进行预测。通过江桥站和丰满水库实际月径流序列的预测结果表明,月径流序列中存在着一定的混沌特征。应用Volterra自适应法可以有效地对水文时间序列进行预测,与加权一阶局域预测法相比,能够实现更高精度的多步预测。     

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。     

支持向量机的混沌序列预测模型及在径流中应用

混沌和支持向量机理论为研究复杂多变的非线性水文时间序列开辟了新的途径。给出了应用支持向量机回归原理的混沌时间序列非线性的预测建模的思路、特点及关键参数的选取。根据重构相空间理论对月径流过程进行相空间的重构,探讨了支持向量机混沌时间序列非线性预测模型在月径流预测中的应用,在支持向量机建模过程中引入了经向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文数据序列,且有较好的预测精度。     

基于小波分解的AVOA-DELM月径流时间序列预测模型及应用

为提高月径流时间序列预测精度,提出小波分解(WD)-非洲秃鹫优化算法(AVOA)-深度极限学习机(DELM)组合预测模型,并应用于云南省丫勒水文站月径流预测。利用WD对月径流时序数据进行分解,以获得更具规律的子序列分量;通过AVOA优化DELM隐含层神经元数,建立WD-AVOA-DELM模型对各子序列分量进行预测,将预测结果加和重构得到最终月径流预测结果。同时构建基于支持向量机(SVM)、BP神经网络两种预测器的WD-AVOA-SVM、WD-AVOA-BP、AVOA-DELM、AVOA-SVM、AVOA-BP作分析对比模型。结果表明：WD-AVOA-DELM模型对丫勒水文站月径流预测的平均绝对百分比误差为3.02%,预测误差远小于WD-STOA-SVM、WD-AVOA-BP模型,预测精度较AVOA-DELM、AVOA-SVM、AVOA-BP提高1个数量级以上,具有较好的预测效果。WD能科学降低径流序列的复杂性,提高预测精度;AVOA能有效优化DELM关键参数,提高DELM网络性能。     

混沌水文时间序列区间预测研究

本文提出了一种混沌水文时间序列区间预测算法。该算法首先利用关联积分法计算嵌入参数，重构水文时间序列的相空间，而后采用交叉迭代模糊聚类算法确定当前时刻相点的相似状态，并依据给定的不同区间风险度，动态得到未来某一时刻水文要素值的取值区间。作为分析研究，本文采用长江寸滩水文站的月径流时间序列作为研究对象，对其进行非线性水文中长期区间预测研究。结果表明该方法不但可以避免混沌点预测中局部邻域确定的任意性问题，而且还避免了混沌点预测中必须模拟确定性的混沌规则，无法控制其误差的问题。