灰色模型改进的大坝变形分形几何监控模型

为了对大坝安全进行准确监控,利用分形几何理论预测大坝变形。针对一般常维分形分布不能很好分析大坝变形数据的问题,对监测数据进行N阶累计和变换,对变换后的数据利用分段变维分形模型计算各阶变形维数序列,再选择效果较好分形维数已知序列预测未知分形维数,最后反推大坝变形预测数据。针对传统变维分形预测模型分形维数预测方法的不确定性和所需监测数据量大的缺点,利用灰色模型预测分形维数,建立改进的大坝分形几何监控模型。结合工程实例,对比插值法预测分形参数的传统分形几何预测模型和灰色模型改进后的预测模型之间的预测精度,结果表明,改进分形模型不仅在预测精度上有所提高,而且更具稳定性和抗波动性。     

改进WOA-指数幂乘积模型在基坑变形预测中的应用

为提高基坑变形预测精度,提出基于拉普拉斯交叉算子(LX)改进的鲸鱼优化算法(LXWOA)优化的指数幂乘积(EPP)基坑变形预测模型。选取4个标准测试函数对LXWOA进行仿真验证,并与基本鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、正弦余弦算法(SCA)、粒子群优化(PSO)算法的仿真结果进行比较。利用LXWOA对EPP模型的指数参数进行优化,构建LXWOA-EPP变形预测模型,并构建WOA-EPP、GWO-EPP、SCA-EPP、PSO-EPP模型与LXWOA-SVM、LXWOA-BP模型作对比,以文献基坑监测数据为例进行实例研究,分别利用自相关函数法和虚假最邻近法确定实例延迟时间和嵌入维数,构建模型输入、输出向量,利用实例前15期和后3期监测数据对各模型进行训练和预测。结果表明:LXWOA搜索能力优于WOA、GWO、SCA和PSO算法,具有较好的寻优精度和全局搜索能力。LXWOA-EPP模型对实例预测的平均相对误差绝对值、平均绝对误差、均方根误差分别为0. 18%、0. 008 mm、0. 009 mm,均优于WOA-EPP等6种模型和文献预测精度,表明LXWOA能有效优化EPP模型参数,LXWOA-EPP模型用于变形预测是可行和有效的,模型及方法可为其他相关预测研究提供参考。     

基于EEMD-ELM的大坝变形预测模型

建立合理可信的大坝变形监控模型对科学有效地分析大坝变形监测数据和准确可靠地评估大坝工作运行状况意义重大。通过EEMD算法分解大坝变形量,得到代表不同特征尺度的本征模函数(IMF)分量,针对不同IMF分量选择不同影响因素,将各IMF分量作为极限学习机(ELM)的训练样本对大坝变形分量进行分析、拟合、预测,最后累加各IMF分量的预测结果得到大坝变形预测值。以某碾压混凝土重力坝为例,利用EEMD-ELM模型对大坝变形量进行预测,同时与BPNN模型和ELM模型的预测结果进行对比分析,其中EEMD-ELM模型的平均相对误差为0.566,较BPNN模型、ELM模型分别降低54%和14.8%,表明EEMD-ELM模型预测精度更高,具备一定的应用价值。     

基坑变形预测的改进供需优化算法-指数幂乘积模型

为提高基坑变形预测精度,提出改进供需优化算法-指数幂乘积基坑变形预测模型(ISDO-EPP模型)。通过6个标准测试函数和3个应用实例对ISDO算法的寻优能力进行验证,并与基本供需优化(SDO)算法、鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、蛾群算法(MSA)、粒子群优化(PSO)算法的寻优结果进行比较。以3个基坑沉降预测为例,通过自相关函数法和虚假最邻近法确定各实例延迟时间和嵌入维数,构造输入、输出向量对各模型进行训练和预测。结果表明,ISDO算法搜索能力优于SDO等5种算法,具有较好的寻优精度、全局搜索能力和稳健性能。ISDO-EPP模型对3个实例预测的平均相对误差绝对值分别为0.73%、3.36%和1.33%,均优于ISDO-SVM、ISDO-BP模型,表明ISDO算法能有效优化EPP模型参数,ISDO-EPP模型用于变形预测是可行和有效的。     

基于GP XGBoost的大坝变形预测模型

为了改善传统预测模型建模方法大样本训练效率低、容易过拟合、参数敏感性差的问题,引入极端梯度提升(XGBoost)算法,结合基于高斯过程(GP)的贝叶斯优化方法提升学习效率与预测精度,构建了基于GP-XGBoost的大坝变形预测模型,并通过工程实例与传统统计模型、神经网络模型的预测效果进行了比较。结果表明,构建的大坝变形预测模型预测精度高,迭代速度快,通过调整正则项参数能有效避免过拟合。     

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。     

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。     

大坝沉降变形的灰色分析方法

用灰色理论建立了大坝沉降变形的GM(1,1)预测模型,分析了观测数据列长度、观测时间的不等步长性、数据累加方式等对建模和预测精度的影响,考虑了荷载变化对沉降过程的影响和处理方法,探讨了灰色等维预测模型维数尺度的确定原则和精度标准。     

基于LMD与样本熵的多尺度大坝变形预测

针对大坝变形数据的多尺度特征,将局域均值分解、样本熵及高斯过程算法应用于大坝变形预测中,提出了多尺度大坝变形预测新模型。首先利用局域均值分解算法对变形数据进行多尺度分析,挖掘变形数据隐含的信息,随后根据各变形分量特征,构建基于高斯过程的多尺度大坝变形预测模型,并利用样本熵对模型进行简化。通过实例分析,证实该大坝变形预测新方法精度高于BP网络和最小二乘支持向量机模型。     

基于混合注意力机制和深度学习的大坝变形预测模型

为深度挖掘时序数据中前后信息的动态相关性,探究大坝变形的内在影响机理,有效提高模型预测精度,构建了一种基于混合注意力机制与鲸鱼优化算法(WOA)的双向门控循环网络(BiGRU)预测模型。模型利用WOA对BiGRU进行超参数寻优以有效挖掘变形数据在时间维度的深层信息,并引入融合特征注意力(FATT)和时间注意力(TATT)的混合注意力机制计算各影响因子的贡献率,使模型可视化并提高模型捕捉环境因素动态变化的能力。以某高拱坝为例,将该模型预测结果与多种常用模型预测结果进行对比分析,结果表明该模型预测精度显著提升,贡献率计算符合大坝变形研究成果,验证了模型在大坝变形预测中的优越性与合理性。     

大坝沉降变形的灰色预测分析研究

用实测沉降资料预测大坝沉降过程是目前国内外大坝沉降变形监测分析中常采用的一种方法,包括双曲线拟合法、指数曲线拟合法和基于灰色理论的GM(1,1)模型预测方法。由于灰色理论在预测时不需要较长的观测数列,且能通过动态预测模型,最大程度的反映新信息在预测中的作用,因此在沉降变形预测方面具有很大的优势。本文针对目前大坝沉降变形GM(1,1)预测分析中存在的一些问题,根据大坝沉降变形的特点,分析了沉降观测数据列长度、观测时间的不等步长性、数据累加方式等对建模预测精度的影响,探讨了用灰色等维预测模型动态预测非稳态沉降变形过程的方法,提出了灰色等维动态预测模型的维数尺度标准。     

基于新型智能算法ELM的滑坡变形位移预测

针对采用经典智能算法进行滑坡变形预测时存在学习速度慢、网络结构参数选取复杂等问题,构建了基于新型智能算法ELM(Extreme Learning Machine)的滑坡位移预测模型,采用二值区间搜索算法选定最佳隐层神经元个数和激励函数,并融入数据滚动建模思想,以期提高网络泛化能力和预测精度。以链子崖、古树屋两滑坡体为例,将ELM与经典智能算法LMBP、RBF的预测效果进行对比,算例结果表明:ELM算法具有较高的预测精度,且在网络学习速度等方面优势明显。     

基于LSTM的混凝土坝变形预测模型

为提升混凝土坝变形预测的精度,采用具有出色的非线性数据挖掘能力与时间序列长、短期预测性能的长短期记忆网络(LSTM),提出了基于LSTM网络的混凝土坝变形预测模型.实例分析表明,相比于常用的逐步回归、多元回归等方法,基于LSTM网络构建的变形预测模型可有效挖掘大坝变形与影响因子间复杂的非线性关系,模型的建模与预测精度均得以显著提升.     

组合多元线性回归模型在径流预测中的应用研究

为提水文预测预报精度,研究提出混合蛙跳算法(SFLA)-组合多元线性回归(CMLR)径流预测模型。首先基于主成分分析(PCA)数据降维和不降维构建CMLR模型;然后利用SFLA同时优化CMLR常数项、偏回归系数和组合权重系数,建立SFLA-CMLR径流预测模型;最后将SFLA-CMLR模型应用于2个年径流预测实例,并构建基于PCA降维处理的SFLA-PCA-MLR、SFLA-PCA-支持向量机(SVM)、最小二乘法(LS)-PCA-MLR、PCA-SVM和未经降维处理的SFLA-MLR、SFLA-SVM、LS-MLR、SVM作对比预测模型。结果表明:SFLA-CMLR模型对2个实例年径流预测的平均相对误差分别为1.54%、4.63%,预测精度均优于SFLA-PCA-MLR等8种模型,具有较好的预测精度和泛化能力。     

基于EMD分解法的大坝变形预测模型及应用

针对传统模型对脉动时间序列的预测效果较差的情况,结合经验模态分解(EMD)、相关向量机(RVM)理论以及改进粒子群算法(IPSO)的优点,提出一种基于EMD分解法的大坝变形预测模型。首先利用EMD分解法对大坝变形时间序列进行分解和重构,使非平稳的大坝变形时间序列平稳化,再以RVM理论为基础进行预测,核函数选用高斯核函数,并采用改进粒子群算法(IPSO)进行寻优,最终建立EMD-RVM(IPSO)大坝变形预测模型。通过实例计算得到,SVM、RVM和EMDRVM(IPSO)三种模型的平均残差分别为5.29 mm、3.13 mm、0.97 mm,并且EMD-RVM(IPSO)模型的预测值误差均控制在5%以内。这证明EMD分解法对非平稳时间序列的预处理可有效提高预测精度,相比于标准SVM模型和RVM模型,EMD-RVM(IPSO)模型的预测精度更高,且结构稀疏度更好,在实际工程中具有一定的可行性。     

基于改进GWO和SVM的大坝变形预测

建立准确可靠的大坝变形预测模型是大坝安全评价的重要内容,为此,将差分进化算法的交叉和变异算子引入灰狼优化算法(GWO),提出一种基于改进灰狼算法(MGWO)优化支持向量机(SVM)的大坝变形预测方法。通过差分进化算法丰富初始种群,提出改进灰狼优化算法(MGWO),并采用MGWO算法优化SVM的惩罚因子和核函数,建立基于MGWO-SVM算法的大坝变形预测模型。以锦屏一级特高拱坝实测数据为例,将MGWO-SVM模型与SVM、GWO-SVM模型的预测结果进行比较。结果表明,MGWO-SVM模型可以有效提高大坝变形预测精度。     

基于混沌优化极限学习机的库岸边坡变形预测

为提高库区岸坡变形的非线性预测精度,提出利用极限学习机构建库区岸坡的非线性预测模型。首先,利用逐步试算法优化极限学习机的激励函数和隐层神经元数;其次,采用Rosenstein算法评价边坡变形序列的混沌特性,利用空间重构来实现极限学习机的混沌优化,进而构建混沌优化ELM模型。分析表明,不同实例的最优网络参数具有差异,通过逐步试算法能很好地确定最优参数;库岸边坡的变形序列均具有混沌特性,通过混沌理论的空间重构优化,能有效提高预测精度,且预测结果较传统神经网络具有较大的优越性。     

基于EEMD的区域地下水埋深PSO-ELM预测模型

针对区域地下水埋深时间序列预测问题,本文将集合经验模态分解(EEMD)、粒子群算法(PSO)和极限学习机(ELM)组合,构建了EEMD-PSO-ELM地下水埋深预测模型。选用黑龙江省三江平原友谊农场地下水埋深的时间序列数据,首先利用EEMD将地下水埋深时序数据分解成若干个IMF分量,根据各分量均值将IMF分量分组叠加为高频部分、低频部分和余项;然后针对3个新序列分别构建不同的PSO-ELM模型,进而得到3组预测值,最后将预测值叠加就得到原始地下水埋深序列的最终预测值。通过精度检验发现,该组合预测模型预测效果很好;与径向基网络(radial basis function neural network,RBF)、PSO-ELM模型和ELM模型对比分析,实验结果表明,EEMD和PSO均能有效改善ELM神经网络的预测精度,ELM神经网络在区域地下水埋深预测方面有很大的应用前景。     

基于RDPSO结构优化的三隐层BP神经网络水质预测模型及应用

提出基于随机漂移粒子群(RDPSO)算法结构优化的三隐层BP神经网络水质预测方法,利用RDPSO算法优化三隐层BP神经网络隐层节点数,构建三隐层RDPSO-BP水质预测模型,并与基于单隐层、双隐层节点优化的RDPSO-BP神经网络、基于网络权值阈值优化的RDPSO-BP神经网络预测模型作对比,以云南省五里冲水库总氮预测为例进行实例研究,利用实例60个月的总氮监测资料对此4种模型进行训练和预测。结果显示,三隐层RDPSO-BP神经网络模型对总氮预测的平均相对误差绝对值为6.98%,预测精度远高于其他3种模型,具有较好的预测精度和泛化能力。模型及方法可为相关水质预测研究提供参考。     

基于MLR-WNN的大坝变形预测

针对大坝变形预测中非平稳非线性的数据处理问题,为克服多元线性回归模型(MLR)在处理非线性数据方面的不足,将小波神经网络模型(WNN)引入到多元线性回归模型里面,提出一种基于多元线性回归和小波神经网络的大坝变形预测模型(MLR-WNN)。首先,针对温度、水位、时效因子和大坝变形实测值,建立多元线性回归模型,再对其产生的误差建立小波神经网络模型进行修正,最后得到大坝变形预测值。经算例验证并与多元回归模型和WNN模型对比分析,结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果。