基于PCA-SSA-ELM的混凝土坝变形预测模型

混凝土坝变形与环境量之间有着复杂的函数关系,传统统计模型泛化能力较弱,难以处理高维非线性问题。为此,提出了一种基于主成分分析法和麻雀搜索算法优化极限学习机的混凝土坝变形预测模型,该模型通过主成分分析法(PCA)提取环境量中的关键因子作为模型输入变量,采用寻优能力强的麻雀搜索算法(SSA)选取极限学习机(ELM)中的初始输入权重和偏置的最优解。将该PCA-SSA-ELM模型应用到某高拱坝拱冠梁坝段测点径向位移的预测中,并与ELM、BP神经网络模型的计算结果进行对比分析,验证了新模型的有效性。     

基于MF-DFA法和PSO-ELM模型的基坑变形规律研究

为准确掌握基坑变形的发展趋势,实现对基坑施工的准确指导,针对基坑变形序列的非线性和复杂性,提出利用MF-DFA法和PSO-ELM模型对基坑的变形规律进行研究。首先,利用MF-DFA法对基坑变形速率序列进行多重分形特征分析,以判断基坑的变形趋势;其次,利用PSO-ELM模型对基坑累计变形序列进行预测,得到基坑变形的预测值;最后,对比两变形序列的分析结果,综合判断基坑的变形趋势。同时,采用实例检验分析思路的准确性。结果表明:MF-DFA法能有效分析基坑变形速率序列的多重分形特征, PSO-ELM模型在基坑变形预测中也具有较高的预测精度,且两者对基坑变形规律的判断的一致性较好,相互佐证了两者分析结果的准确性,为基坑变形规律研究提供了一种新的思路。     

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。     

混凝土重力坝变形极限监控指标的探讨

大坝变形是大坝观测主要物理量之一，也是评估大坝工作性态，监控其安全运行的重要指标。变形监控指标一般可分为正常值、警戒值和极限值。变形极限值是重要而又难以拟定的，值得深入研究。本文重点探讨推求重力坝运行期变形极限监控指标值的基本原理、表达公式和计算方法，并结合实例予以应用。     

基于SSA-LSTM的混凝土拱坝变形预测模型

由于混凝土拱坝在变形过程中有明显的非线性特点,因此参数过多和陷入局部最优的问题是大坝变形预测模型过程中较为常见的问题。通过将麻雀搜索算法(SSA)引入长短期记忆神经网络(LSTM)中,进行超参数优化,建立了SSA-LSTM模型进行混凝土拱坝变形预测模型。以某拱坝多个测点的实测径向位移数据为例,将水压、温度和时效作为输入,坝体径向位移作为输出,使用SSA-LSTM模型与传统的变形预测模型BP神经网络、极限学习机(ELM)和支持向量机(SVM)分别进行回归预测,结果表明SSA-LSTM模型具有较强的预测能力,可用于大坝安全的预警预报。     

丰满混凝土重力坝的冻胀变形分析

根据混凝土结构的冻胀变形机理、典型混凝土试件冰冻变形过程并结合丰满大坝的温度过程特点,定性地解释了坝顶位移测值的历年＂双峰＂现象,界定了冻胀变形的涵义;采用温度等效变形的有限元分析说明受冻胀影响,坝顶廊道处的位移除上抬外还会有向上游的水平位移;利用包含冰冻因子的统计模型对坝顶位移的分析表明,丰满大坝的加固工程对减小冻胀变形的影响确实起到了一定作用,位移测值＂双峰＂现象已不明显,但仍存在冻胀变形,表现出季节性的冻胀变形且时效变形仍有一定的发展趋势.     

基于非连续变形分析的重力坝变形预警指标

传统的确定大坝安全监控指标的方法都采用小变形和连续性假设,不能把重力坝的整体抗滑稳定与大坝变形有机地结合起来。在研究影响混凝土重力坝安全的因素和预警指标体系的基础上,引入基于块体理论的非连续变形分析,考虑坝体和坝基整体抗滑稳定,采用强度折减系数法分析了三峡大坝左岸厂房3#坝段的整体抗滑稳定性,得到了安全系数与大坝位移之间的内在联系。根据失稳判据和坝体位移与强度折减系数之间的关系曲线确定了大坝的结构性态,并估计出大坝弹性状态和承载极限状态的变形预警指标。     

基于改进EMD-SSA-KELM的用水量预测方法研究

针对用水量具有波动性和不确定性,且预测时存在精度低、可信度差等问题,提出了改进经验模态分解法与麻雀搜索算法优化核极限学习机的组合预测模型。首先使用长短期记忆网络对人民胜利渠的原始引黄用水量序列进行极值延拓,改进经验模态分解法的端点效应;然后通过改进后的经验模态分解法将时序信号分解为若干个本征模态分量,使原始用水量信号平稳化;最后利用麻雀搜索算法优化核极限学习机,对原始用水量序列与通过改进后经验模态分解方法的用水量序列进行预测对比。结果表明：基于改进后经验模态分解方法有效地抑制了端点效应,模型预测误差降低43.51%、可信度提高76.79%,因此采用改进经验模态分解方法有效地提高麻雀搜索算法优化核极限学习机组合模型的预测精度和可信度,在水资源预测中更具适应性。     

基于优化TSVR的混凝土重力坝变形预测模型

以某混凝土重力坝为研究对象,基于孪生支持向量机算法(TSVR)优化算法,建立大坝变形预测模型,分析不同因素对混凝土重力坝水平位移的影响,并将预测结果与实际监测结果进行对比,以验证该算法的准确性。结果表明,混凝土重力坝的上部位移情况较不稳定,随着外部条件及监测时间的变化,位移情况波动较大;混凝土重力坝的下部位移情况较为稳定,随着监测时间的增大,变形量较为稳定。PL5坝段受库水位升降的影响较大,PL4坝段受库水位升降的影响较小。对比库水位升降对混凝土重力坝的影响可知,温度变化对混凝土重力坝水平位移的影响较大,不同监测点的水平位移受温度变化的影响程度具有一定的差异性。采用TSVR算法得出的模型残差较小,随着监测时间的变化,模型残差变化趋势较为平稳,表明采用TSVR算法得出的混凝土重力坝水平位移的准确性较高。     

混凝土重力坝变形博弈监控模型研究

传统的重力坝安全监控模型考虑了水压、温度及时效等外荷载的作用,尚不能反映出大坝材料与结构特性的影响。基于博弈思想,提出大坝变形的博弈参与者,研究分析了大坝变形与大坝材料、大坝结构特性等抗因素的关系,构建了大坝安全监控博弈模型的具体表达式。工程实例分析表明,本文所提出的博弈模型能够更好地模拟大坝的变形过程。     

重力坝可靠性分析的IPSO-Kriging模型

针对传统概率可靠性分析方法在重力坝可靠性分析方面因结构自身性能不确定性及功能函数高度非线性等影响,其解析过程中收敛性差、精度低且耗时较长等问题,结合改进粒子群算法(particle swarm optimization, PSO)、Kriging模型提出一种基于IPSO-Kriging模型的重力坝可靠性分析方法。借助PSO全局寻优能力强和鲁棒性强等优点,通过对算法本身加以变异操作、惯性权重和高斯加权等诸多方面进行重构(improved PSO,IPSO),依靠IPSO算法的群体搜索能力克服模式搜索法寻得参数θ~*易陷入局部最优值和对初始值较敏感的缺点,确保在任意初始值条件下都能获得极大似然条件下搜索到的最优参数θ~*,进而改善传统PSO收敛速度慢和早熟等问题。通过构建融合IPSO算法IPSO-Kriging数学模型,建立基于IPSO-Kriging模型的重力坝可靠性优化模型。经实例考证所建方法既能合理考量参数变异性,又能在提升精度基础上减少仿真计算次数以实现重力坝工程可靠性的高效计算。     

基于Kriging模型的重力坝可靠性分析

针对重力坝概率可靠性分析时其参数实时获取难,以及其极限状态方程高度非线性甚至非显式表达等问题,本文基于衰减函数获取重力坝服役后参数统计信息基础上,融合Kriging模型强拟合能力,建立了重力坝极限状态方程的Kriging模型,并给出了Kriging模型检验方法;由可靠指标几何定义,发展了一种重力坝可靠指标优化计算方法.经实例考证,本文方法有效考虑了服役效应对重力坝可靠度的影响,较好适应了重力坝高度复杂的工程特性,可更真实及深入分析重力坝的运行可靠状态.     

基于NMEA-BP大坝变形监测模型研究

在对思维进化算法(MEA)改进的基础上,开展了基于思维进化算法与BP神经网络的大坝变形监测模型的研究。通过引入小生境技术和思维进化算法,克服了BP神经网络易陷入局部最优值、训练时间长和收敛速度慢等缺点,极大地提高了其搜索效率和全局搜索能力。通过进一步利用改进的思维进化算法优化BP神经网络的权值和阈值,建立了NMEA-BP大坝变形监测模型,并用该模型对工程实例进行了拟合预测。结果表明,NMEA-BP模型有效提高了大坝变形预测的精度,能更高效准确的进行大坝变形监测。研究成果为大坝变形监测的理论和实践研究提供参考。     

基于ABC-SVM的土石坝变形监测模型

针对土石坝变形具有较强的非线性特征,传统统计模型预测精度不高,误差较大的问题。引入支持向量机模型(SVM),并采用人工蜂群算法(ABC)对支持向量机的关键参数惩罚因子C和核函数参数σ进行寻优,提高模型的拟合和预测精度,建立ABC-SVM模型应用于土石坝变形监测。实例验证分析表明:与传统多元回归模型和SVM模型相比,ABC-SVM模型预测精度高、泛化能力强。利用ABC-SVM模型对土石坝变形进行预测效果良好,可在大坝安全监测领域推广应用。     

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。     

基于CEEMDAN-PE-LSTM的混凝土坝变形预测

由于混凝土坝变形监测数据有明显的非线性、非平稳特征,且数据序列包含一定的噪声,容易导致模型预测精度不高。针对上述问题,提出了基于自适应噪声完全集合经验模态分解（CEEMDAN）-排列熵（PE）-长短时记忆神经网络（LSTM）的混凝土坝变形预测模型。利用CEEMDAN对非线性信号的自适应分解能力,将原始变形数据分解为频率不同、复杂度差异明显的一组固有模态函数（IMF）,降低序列中不同尺度信息的相互影响。基于PE算法将复杂度相近的IMF分量进行合并重组。最后,对若干重组序列分别构建LSTM模型进行预测,将预测结果相加得到最终变形预测值。以某混凝土坝水平位移监测数据进行建模分析,结果表明:CEEMDAN-PE-LSTM模型与常规模型相比预测精度显著提高,能更好地对非线性数据序列进行预测。与单一的LSTM模型相比,平均绝对误差、平均绝对百分比误差和均方根误差分别降低了76.43%、75.55%和74.73%,表明该模型通过对原始序列的分解与重组获取不同尺度特征,可以更好地把握非线性、非平稳数据的变化规律,提高预测精度,能有效运用于混凝土坝的变形预测。     

基于改进鲸鱼优化算法的重力坝变形参数反演

针对利用位移实测资料对大坝坝体和基岩的变形力学参数进行优化反演时存在效率低、精度差等问题,通过对鲸鱼优化算法进行并行化改进,并引入权重因子,结合有限元计算,提出一种基于改进鲸鱼优化算法的力学参数反演方法。利用该方法对某混凝土重力坝坝体和基岩弹性模量进行反演,并与粒子群算法的反演结果进行比较。结果表明:在相同迭代次数的情况下,改进的鲸鱼优化算法比粒子群算法耗时更少,且反演得到的坝体、基岩力学参数比粒子群算法得到的更为准确。表明利用多核处理器对该方法进行并行计算,可大幅度缩短计算时间。基于改进鲸鱼优化算法的力学参数反演方法具有搜索能力强、收敛速度快和精度高等特点,合理可行,可推广应用于混凝土拱坝等其他坝型的力学参数反演。     

基于AdaBoost-SVM的混凝土坝变形预测模型

针对混凝土坝变形预测模型中环境量与效应量之间复杂的非线性问题,以及单支持向量机(SVM)模型预测精度不高的问题,提出一种AdaBoost-SVM的混凝土坝变形预测模型,该模型采用结构风险最小化的原则,并借鉴提升算法强化学习的思想,从而提高模型的学习性能,达到增强模型泛化能力和预测精度的目的。结合实例,经过AdaBoost-SVM预测模型对混凝土坝位移原型监测数据进行训练及预测,并将预测结果与单支持向量机模型的预测结果进行对比,结果显示:基于AdaBoost-SVM预测模型得到的均方差为0.5565,平均误差绝对值为0.40,预测精度比单支持向量机模型高出一个数量级;而且相较于单支持向量机预测模型,强化后的模型在预测时段表现出更好的稳定性。该模型综合了提升算法与支持向量机各自的优势,可作为混凝土坝变形预测的一种有效方法。