水工建筑物安全监控模型优化分析研究

基于神经网络算法中的LSTM算法,建立水工建筑物安全监控深度模型。从数据处理、网络结构和外延预测3个方面对监控大数据进行优化。结合某水工建筑物实例,验证模型的有效性,从不同角度对比LSTM模型与其他模型在水工建筑物安全监控预测方面的差异。结果表明,LSTM模型不仅能准确预测水工建筑物参数随时间变化的数值和趋势,也能在一定程度上反映参数的波动情况,体现出良好的预测效果。与其他模型相比,深度学习模型可以应用于不同场景,且在同一场景,深度学习预测效果更佳。SRSM、BPNN和LSTM 3个模型中,误差最小的为LSTM模型,误差结果由小到大排序为LSTM、BPNN和SRSM。     

浅谈水工建筑物地基承载力的宽度与深度修正

基础的实际宽度或埋深超过规定的标准，实际地基承载力会有所变化，需要加以修正。本文阐述了对水工建筑物地基承载力的宽度、深度修正的认识，提出了地基承载力修正的有效方法。     

水工建筑物的安全性

流经水利枢纽的最大流量是确定水工建筑物安全性和可靠性的主要因素之一。采用各种经验的和分析的方法来确定出现频率较小的最大流量，无论是对保证现有水工建筑物的安全。还是设计新的水工建筑物都是必要的。     

中小型水工建筑物冻害及其防治

中小型水工建筑物冻害及其防治刘亚凤张本秋王力军廉贵臣（黑龙江农垦勘测设计研究院佳木斯１５４０００）（佳木斯市水利局１５４０００）寒冷地区水工建筑物的冻害十分普遍，以黑龙江省来说，有许多灌区，尤其是涝区，由于地基土质多为黄色和黑色的粉质壤土，而且地下水...     

水工建筑物失事的典型实例及其安全保证措施

水工建筑物失事的典型实例及其安全保证措施［俄］Ｅ．Ａ．巴拉巴诺娃主题词水工建筑物，失事分析，典型实例，统计资料，安全措施近年来，无论是工业发达国家．或是发展中国家越来越重视对水能资源的开发，水电站设备容量正在稳定地增长。目前各国所开发的电能中水电占１...     

水工建筑物老化指标的研究

水工建筑物是水利工程中各种建筑物的统称,按照使用年限,可以分为永久性建筑物和临时性建筑物。对永久性建筑物来说,在自然环境因素的作用下,其完整性和化学结构会受到破坏,物理力学性能下降,从而致使工程的安全度     

新疆地区水工建筑物冻害及其防治措施

新疆属严寒和中寒地区，加之土壤含有一定数量的盐碱，致使解放后修建的水工建筑物，大都遇到不同程度的破坏，损失巨大，教训也很深刻。本文对新疆近年来一些水利工程的冻害情况作了简要介绍并总结提供了防治措施。     

基于混合深度学习模型的洪水过程概率预报研究

传统的人工神经网络模型无法量化洪水预报的不确定性,而且在多时段连续预报中未考虑输出的时间相关性。本文通过融合新安江(XAJ)模型、基于外源输入编码-解码(EDE)结构的长短期记忆(LSTM)神经网络和混合密度网络(MDN),构建了XAJ-LSTM-EDE-MDN混合深度学习模型,以实现洪水过程概率预报。该模型在考虑预报洪水时间相关性的前提下,将解码过程产生的点估计转化为条件概率分布的估计;进一步采用最大似然估计法建立了损失函数,通过自适应矩估计(Adam)算法优选模型参数。在陆水和建溪两个流域的研究结果表明：该模型在不降低XAJ-LSTM-EDE模型预报精度的前提下,可有效反映预报洪水过程的不确定性,获得合理可靠的置信区间和优良的概率预报性能,为水库防洪调度等决策提供更多的风险信息,同时为研究深度学习在洪水概率预报中的应用提供参考。     

基于深度学习框架的长序列大坝监测缺失数据插补模型

由于系统故障、传感器老化等不利因素常会导致监测数据缺失,从时间序列角度出发,针对大坝监测量中间缺失数据构建了一种基于深度学习框架下的双向CNN-BiLSTM-Attention缺失数据插补模型。该模型结合卷积神经网络与长短期记忆神经网络的算法优势,通过提取时间特征,引入注意力机制优化插补过程,同时以时间步递减的权重融合正反向插补结果。以某混凝土重力坝为例,采用该模型对大坝监测量长序列缺失数据进行插补,结果表明,双向融合插补能有效消除长序列缺失数据插补时间步的累积误差,与其他插补模型相比,这种深度学习模型具有更高的插补精度。     

爆破振动对邻近水工建筑物影响的监测与分析

在邻近水工建筑物环境下进行爆破开挖,爆破振动会产生一些负面效应,因此爆破振动监测十分必要。以大渡河深溪沟水电站安装间排水灌浆廊道开挖工程为例,对厂房机组及其他关键部位进行了爆破振动监测,并对数据进行回归分析,通过调整和优化爆破参数,既确保了原有机组的正常运行和其他水工建筑物的安全,同时又加快了工程施工进度,可为类似工程提供借鉴和参考。      

基于深度学习的道路积水智能监测方法

To solve the problems including frequent urban inundation and unsafe, costly and inefficient traditional monitoring urban inundation method, a method of detecting urban road flood rapidly based on deep learning techniques is proposed. This method, based on convolutional neural network, can extract the features of puddles from the input accumulated water image data set. The water accumulation in Xi’an University of Technology is selected for verification. It is shown that the average recognition accuracy of the method for training and verification of the data set is 96． 1% and 90． 1% respectively, and automatic extraction of the puddle area in the image is realized accurately. So that the automatic identification of the inundation area and the automatic acquisition of the water area in the urban inundation monitoring image are realized. © The Author(s) (2021).     

Safety evaluation system for hydraulic metal structures based on knowledge engineering

A comprehensive safety evaluation system taking the most influential factors into account has been developed to evaluate the reliability of hydraulic metal structures. Applying the techniques of AI and DB, the idea of a one-machine and three-base system is proposed. The framework of the three-base system has been designed and the structural framework constructed in turn. A practical example is given to illustrate the process of using this system and it can be used for comparison and analysis purposes. The key technology of the system is its ability to reorganize and improve the expert system＇s knowledge base by establishing the expert system. This system utilizes the computer technology inference process, making safety evaluation conclusions more reasonable and applicable to the actual situation. The system is not only advanced, but also feasible, reliable, artificially intelligent, and has the capacity to constantly grow.     

水工建筑物强震监测技术

水工建筑物强震动监测技术为水工建筑物抗震、健康诊断和地震灾害应急决策等提供支持。水工建筑物强震动安全监测的主要目的是利用强震加速度仪来监测强震时地面运动的全过程及在其作用下水工建筑物的地震反应。它不仅为确定地震烈度和抗震设计提供定量数据,而且能通过强震记录的实时处理发出预警,根据预警等级采取有效的应急预案,可防止水工震害的进一步扩展和次生水灾的发生。中华人民共和国电力行业标准DL/T5416-2009《水工建筑物强震动安全监测技术规范》已于2009年12月1日颁布实施。规范的适用范围为水电水利工程的1、2级水工建筑物,我国约有300余座。加上近期开发的西部流域梯级电站,总共接近400个台站,如果按照该规范要求,全部完成强震监测台阵建设后,基本上可满足全国建成水工建筑物强震安全监测台网的要求。     

水工金属结构远程监控及安全管理系统研究

针对水工金属结构存在的缺乏实时在线监测、监测数据存储及传输方式落后、缺少远程共享管理平台及实时安全评估机制等问题,构建了一套可支持数据动态采集、数据高效存储及实时传输、实现远程监控及实时安全评估的水工金属结构远程监控及安全管理系统,建立了系统的体系结构和运行流程。在此基础上,对基于信息采集终端的运行状态数据采集与收发技术、基于互联网技术的数据传递方法及管理平台和分类分层方法以及安全度概念的安全评估机制等关键技术进行了研究。该系统已成功应用于云南某水电站,取得了良好的效果。     

Seq2Seq模型的短期水位预测

为有效预测未来一定时间内的连续水位,提出了基于序列到序列(Seq2Seq) 的短期水位预测模型,并使用一个长短期记忆神经网络(LSTM)作为编码层,将历史水位序列编码为一个上下文向量,使用另一个LSTM 作为解码层,将上下文向量解码来预测目标水位序列。以流溪河为研究对象,针对不同预测长度分别建立水位预测模型,并与LSTM 模型和人工神经网络(ANN)模型进行了对比。结果表明:Seq2Seq 模型对连续6 h、12 h 和24 h 水位预测的纳什效率系数最高分别为0.93、0.90和0.85;当预测长度为6 h 时,LSTM 和Seq2Seq 模型预测结果相似,ANN 模型精度较低;当预测长度为12 h 和24 h 时,Seq2Seq 模型相比LSTM 模型和ANN 模型预测效果更好,收敛速度更快。     

坝基深风化槽安全监测技术应用及成果分析

株洲航电枢纽闸坝基础经勘探查实发现有多处溶蚀风化深槽,这些风化深槽的存在破坏了坝基岩体的完整性,影响闸坝的稳定。设计部门对坝基深风化槽提出了处理方案,经计算和分析,处理方案在理论上是可行的。为验证深风化槽的工程处理效果和满足蓄水后安全运行监测需要,应用监测传感器对风化槽重点部位进行渗压、变形、应力应变等监测。本文介绍了深风化槽主要监测项目和监测仪器布设方案,通过整编分析观测数据,说明监测仪器能真实反映所监测部位的受力变形特点,起到工程安全监测和验证设计的效果,为株洲航电枢纽工程安全运行管理奠定了良好的基础。     

水利水电工程安全监测标准化问题的研究

本文介绍了我国水电工程安全监测标准化和立法概况，重点对我国各种现行水电工程安全监测技术规范进行了对比分析，指出了标准体系目前所存在的问题。由此，建议统一制定国家级安全监测技术规范、整合或修编各专业规范的安全监测标准、统一安全监测专业规范与其它规范的术语和定义，并且应进一步加强对安全监测技术的研究。