模糊聚类法在大坝监测资料分析中的应用

为了解模糊聚类法在大坝监测资料分析中应用的适宜性,利用该法对水布垭面板堆石坝2013年面板挠度变形监测数据开展了研究。首先将监测管道划分为若干监测点,运用模糊聚类分析法对监测点进行分类,并采用F统计量评价聚类效果以确定最佳分类,对分类结果进行分析比较,可确定关键的面板变形监控点。随后建立面板挠度变形统计模型,考虑上游水深、温度、时效等因素,利用多元逐步回归分析法对关键点监测数据进行预报拟合。结果表明,利用模糊聚类分析法处理大坝监测数据具有便捷、高效的优点,模型预报结果拟合度较高。     

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。     

未确知滤波法和灰色模型在大坝变形预测中的应用

对大坝变形进行预测时,观测序列中的粗差不可避免地影响预测精度,同时,监测序列较短也会影响预测的精度,针对这些情况,将未确知滤波法和灰色模型应用到大坝变形预测中。首先利用未确知滤波法对大坝变形监测序列进行粗差识别,并修正粗差,再采用灰色模型预测大坝的变形。实例分析表明,通过 2 种方法有机地结合,可以显著地提高大坝变形预测的精度,具有较高的工程实用价值。     

基于FCM-XGBoost的大坝变形预测模型

变形是评价大坝是否安全的重要指标之一。随着变形监测测点的不断增加,实现对所有测点的分析意味着消耗大量时间,往往会出现预报不及时的问题;另一方面,传统机器学习算法的引入虽然提高了预测精度,但参数选取不佳时对结果影响很大且建模过程十分复杂。引入模糊C-均值聚类(FCM)和极端梯度提升算法(XGBoost),首先对大坝的变形测点根据变化规律的相似性进行分区,然后针对每个分区建立XGBoost变形预测模型。以拱坝垂线径向变形监测资料为例,验证了聚类结果的可靠性,并将XGBoost变形预测模型结果与随机森林模型结果对比。结果表明,XGBoost模型在数据预处理、建模时间及预测精度上,都体现出更大的优势。     

基于马尔可夫链2卡尔曼滤波法的拱坝变形预测

变形监测分析和预警对大坝健康运行起着关键的作用,但是监测数据都不可避免地存在随机误差。卡尔曼滤波法可以有效地剔除测量数据中的噪声,然而,利用其对大坝未来的趋势位移做出预测时与实际情况吻合度不高。因此提出了马尔可夫链-卡尔曼滤波法,既能剔除测量数据噪声又可以准确的预测未来位移。利用浙江某拱坝位移实测资料,拟合并预测了该大坝的变形,验证结果表明该方法的拟合预测效果良好,可用于拱坝变形预测和安全监控。     

混凝土坝变形监测缺失数据处理新方法

针对混凝土坝变形监测数据缺失使大坝服役状态分析困难甚至引起误判的问题,基于聚类和面板数据理论,提出了一种考虑时间和截面两种维度的混凝土坝变形监测缺失数据处理新方法.该方法兼顾了影响大坝变形的共同因素和特异因素,与传统方法相比,能更加全面地反映荷载和非荷载因素对大坝结构性能的影响,对大坝变形监测缺失数据的处理更加有效.某...     

溪洛渡特高拱坝初期蓄水期监测反馈分析

基于溪洛渡拱坝初期蓄水阶段各类原型监测成果,利用数值反馈分析方法,通过整合集成综合分析、数值模型反馈分析以及定性、定量数值判断,建立了一整套特高拱坝监测反馈分析方法,完成了对溪洛渡初期蓄水期大坝安全状态评估,并预测了后期蓄水大坝的受力变形特性。文章首先系统梳理分析大坝监测成果并进行归纳总结,初步评价了大坝的运行状态,建立若干监测反馈分析目标;其次,运用数值仿真实验,通过反演正分析使数值分析成果逼近原型监测成果,进而分析大坝受力变形特性的机理;最后,利用数值模型对大坝后期蓄水过程及运行状态进行预测评估。分析表明:建设期大坝根据浇筑形象面貌及封拱灌浆面貌分阶段完成自重时空受力变形状态分布,符合大坝常规变形特征;初期蓄水期拱坝整体向下游和两岸山体方向变形,河床坝段径向位移大于岸坡坝段,对称性较好;坝基受力变形稳定,坝肩推力在坝基内扩散明显,符合力学规律,处于可控状态;后期蓄水预测受力变形规律良好。综合分析认为,溪洛渡拱坝蓄水过程安全可靠。     

小波和混沌神经网络在大坝变形预测中的应用

大坝是复杂的变形系统,其变形表现为动态非线性,也存在混沌现象。为充分利用大坝变形监测位移时间序列,实现位移单变量情况下的准确预测,提出了一种小波和混沌神经网络预测新方法,首先对大坝位移变形监测数据进行小波分解,其次对分解后的平滑信号进行傅里叶函数拟合预测,再对细节信号进行软阈值去噪和混沌神经网络预测,最后将预测信号进行小波重构。通过工程实例对比分析了小波和混沌神经网络预测新方法、神经网络模型、多元回归模型在大坝位移变形预测中的精度。结果表明,小波和混沌神经网络预测方法的预测精度最高,可以应用于大坝变形预测。     

分位数回归在大坝变形监测中的应用

研究了基于分位数回归的大坝变形监测预测模型,并结合实例进行分析和预报,通过与多项式模型及指数平滑法的拟合精度和预测结果的比较,证明分位数回归法有很好的拟合效果和预测精度,可以很好地应用于大坝变形监测的数据处理中.     

基于某混凝土拱坝的坝顶位移回归分析

通过对混凝土拱坝拱冠梁处垂线位移多年监测资料的分析模拟建立坝顶位移统计回归模型。采用逐步回归法,分析水压分量、温度分量、时效分量对坝顶位移的影响量。统计分析回归模型较好地反映了大坝的变形规律与变化趋势,该模型的建立,为今后大坝运行安全性态和预测大坝变形发展规律提供了有效分析手段和途径。     

贝叶斯框架下的大坝变形交互式时变预测模型及其验证

大坝变形是同一时刻内外多重风险因素综合作用的结果,应用时序分析方法挖掘历史监测数据潜在规律是变形预测的常用方法,现有时变预测模型不仅参数配置难度高,且难以融入专业知识,导致预测效果并不理想。本文提出一种耦合自动预测算法与大坝专业知识的交互式变形预测模型。该模型在贝叶斯框架下,以加法模型为基础重构各时序分解项作为模型底层,根据仿真结果甄选模型参数缺省值进行自动预测,通过结合参数化检测与直观参数配置实现交互式建模,并借助拟合可视化和统计指标准确反映预测误差来源,从而进一步修正参数以提高模型适用性。基于上述流程协同构建的大坝变形循环预测体系,以某混凝土坝多测点长期变形监测数据为例,对模型的准确性、鲁棒性和灵活性进行了有效验证与分析,为大坝变形安全预测与分析提供了新的模型和手段。     

大坝变形的小波-云预测模型

大坝变形原始观测信号可视为真实信号与白噪声的叠加。为实现对大坝变形的有效预测,将小波去噪与云模型相结合,提出一种大坝变形时间序列分析的小波-云预测模型。首先利用小波多分辨分析特点,分解出大坝原始变形时间序列中的真实信号项及噪声项;其次,创建变形预测的云模型语言规则,利用最大隶属度原则,确定被预测变形所属的规则前件及相应的历史云,结合历史云与被预测变形所在的当前云生成预测云;最后,以对某实际大坝进行变形预测为例,比较了传统统计模型、云模型和小波-云模型的预测精度。结果表明:所提出的小波-云预测模型能够提供更准确的预测结果,能够为大坝的安全运行提供有效依据。     

大坝变形的小波分析与ARMA预测模型

大坝变形观测资料可视为非平稳时间序列,从影响大坝变形规律的因素出发,可将其分解为主值函数项、周期函数项和改进后的平稳时间序列。其中主值函数项采用逐步回归法拟合,针对时效因子采用半经验公式无法准确拟合实际变化情况,采用小波分析法将序列分解为低频和高频两部分信号,其中低频部分代表时效等因素影响的变形趋势;高频部分代表水位、温度等影响的变化规律,应用时间序列原理分别建立变形预测ARMA（p,q）模型,从而在现有水位、温度观测资料下预测坝体未来的变形趋势。实例计算结果表明,结合小波分析的时间序列法建立的预测模型,预测精度高于统计回归分析,预测效果良好,可作为一种有效方法应用于大坝变形预测中。     

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EEMD-PCA-ARIMA模型的大坝变形预测

针对大坝观测数据中存在的噪声容易掩盖实际变形曲线走势的问题,提出一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和自回归移动平均模型(ARIMA)的大坝变形预测方法。通过对观测数据进行EEMD和PCA,从而构建映射矩阵,然后利用映射矩阵对原始数据构建的样本矩阵进行转换,实现消噪效果,进而对处理后的观测数据进行ARIMA建模预测,据此构建EEMD-PCA-ARIMA模型。依据所提出的模型对实际大坝坝顶水平位移观测数据进行预测分析,并与实测数据和经直接去掉高频分量消噪后的ARIMA预测模型、ARIMA预测模型、BP神经网络模型预测模型进行对比分析。结果表明:此方法能够更好地获取大坝的实际变形曲线,对于大坝变形预测而言是一种有效的方法。     

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 EMD － ＲVM － Arima 的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法( EMD) 、相关向量机理论( ＲVM) 以及 Arima 误差修正模型对大坝变形监测数据进行分析预测。首先利用 EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数( IMF) 以及残差序列,再以 ＲVM 预测模型对上述结果进行分析预测,最后利用 Arima 误差修正模型对预测残差进行误差修正,从而建立了以 ＲVM 为基础预测模型的 EMD － ＲVM － Arima 大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为 2. 89 mm,同时计算出SVM、ＲVM 法的平均残差为 11. 62 mm、9. 30 mm。可以看出,EMD － ＲVM － Arima 模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

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...