基于时间序列的地下水封洞库变形监测模型研究

为确保地下水封洞库工程的安全,需利用监测数据分析和掌握地下结构的安全性状,并利用已有监测数据预测未来结构变化。基于时间序列分析理论,并以地下水封洞库变形监测效应量为研究对象,试图建立地下水封洞库变形的时间序列预测模型,在介绍模型原理的基础上,分析了监测数据平稳处理、模型识别、参数估计的方法和步骤。通过工程实例证明,采用时间序列分析预测模型对地下水封洞库围岩变形进行预测是可行的。     

观测数据分析中几种方法的探讨(一) 回归-时间序列模型和贝叶斯预测模型

首先，叙述用回归分析与随机时间序列技术的组合方法来处理大坝的监测数据。通常，回归分析后的残差序列并不满足白噪声假设，这个理论缺陷在一定程度上降低了监测的可靠性和预测的正确性。为此，采用鲍克斯—詹金斯方法对残差序列进行再处理。按照上述组合方法求得的计算数据能更好地吻合实测数据，最终的误差序列能符合白噪声特性，并使拟合和预测的正确程度有了较大改善。然后，利用贝叶斯动态模型分析监测资料。采用贝叶斯模型时，由于状态参数(相当于回归系数)能及时调整跟踪，故所得的结果比常规回归分析的结果有更高的精度，计算曲线与实测曲线吻合得更好。     

短时变形测值序列的大坝安全监控模型

为解决大坝短时间序列安全监测数据的建模问题,利用单独1 a的监测数据,采用基于特征正交分解的方法建立了某重力拱坝的安全监控模型,分析了模型拟合精度和预测精度,并同常规逐步回归分析方法进行了拟合和预测精度的对比分析。工程实例表明,基于特征正交分解的逐步回归分析方法可以建立短时间序列的大坝安全监控模型,其技术指标明显高于采用一般逐步回归分析所建立的模型。     

考虑混沌成分影响的高边坡位移监控预测模型

高边坡系统演化过程表现出复杂的非线性动力学特性。有效分离去除噪声,考虑混沌成分对测值序列整体数值特征的影响,是提高高边坡位移监控模型拟合和预测精度的关键问题之一。在对高边坡位移与影响因素相关分析的基础上,基于高边坡系统演化过程中的非线性动力学特性,组合应用相空间重构、小波分析等数值分析手段,研究了高边坡混沌特性提取的实现方法,探讨了考虑混沌成分影响的位移构建原理与算法。该模型重点依据实时监测资料,考虑的是包含混沌成分的动力系统特性,因而可以有效提高监控模型的拟合和预测精度。     

最优加权组合模型在边坡变形预测中的应用

利用某岩质边坡2002年-2011年的变形监测资料,结合区域地质与气象背景,运用莱茵达准则选定有效的监测数据,分别建立了GM(1,1)模型和趋势曲线预测模型;最后,基于最优加权组合原理,建立了边坡变形的最优加权组合模型。运用组合模型对该岩质边坡的变形进行了拟合和变形预测,模拟变形趋势与实际变形趋势对比结果表明,组合模型的预测精度高于任何单一模型的拟合精度,证明该组合模型合理、可靠。     

变形预测的一种最优线性组合模型

介绍了灰色GM(1,1)、时间序列和非线性组合模型的基本概念,讨论了最优线性组合模型的定义及其权系数的求解方法。结合某大坝变形监测数据,建立了基于灰色与时间序列的非线性组合模型和最优线性组合模型,以及基于灰色、时间序列与非线性组合的最优线性组合模型,并把这3种组合模型的预测结果与GM(1,1)、时间序列模型进行比较。结果表明,融合GM(1,1)、时间序列与非线性灰色时间序列组合的最优线性组合模型的预测效果明显好于另两种模型,其预测误差小于1 mm。     

灰色系统模型在大坝变形预测中的应用

为解决大坝安全监测中变形预测的问题,以某大坝坝顶监测数据为例,介绍了灰色GM模型预测的基本方法,采用MATLAB程序建立了GM（1,1）和GM（2,1）模型,分别对某大坝坝顶视准线部分监测点的变形量进行了预测。将预测值与实测值进行对比分析可知：采用GM（1,1）和GM（2,1）模型得到的预测结果均能很好地拟合实测值,预测精度高,利用该模型在实际工程中加以应用是可行的。     

基于混沌优化模糊神经网络的大坝安全监测模型

大坝监测数据分析和大坝监控预测模型的难点在于监测数据的效应量和影响量之间的高度非线性关系,传统监测模型的非线性分析能力欠缺.在充分利用模糊神经网络的模糊推理能力、处理众多影响因素能力和解决复杂非线性问题能力的基础上,结合混沌优化算法的全局搜索能力,建立了基于混沌优化的模糊神经网络模型.对某拱坝变形进行了拟合和预测,计算结果与实测值吻合良好.     

基于多尺度自回归模型体系的混凝土坝位移预报及工程应用

针对混凝土坝位移监测数据的时频非线性特征严重影响到数值模型预报精度的难题,通过小波技术解析原型数据中多重交叉环境驱动的效应实况,有机结合非线性自回归模型(Nonlinear Autoregressive Model with Exogenous Input, NARX)和差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model, ARIMA),建立了多尺度组合机制下的自回归模型体系,解决了内蕴复杂混沌特性的监测序列的信息挖掘难点。工程实例分析表明,所建模型的拟合精度及预测能力均得以提升,相比于传统模型具有较好的抗噪性和鲁棒性。此外,所建立的计算模型经一定的优化和拓展,亦可推广应用于其它水工建筑物的效应预报分析。     

基于ARIMA与ANN组合模型的需水量预测方法研究

需水量预测影响因素较多,具有线性和非线性特征。本文为了提高预测精度,提出基于ARIMA与ANN组合模型的需水量预测方法 ,利用ARIMA模型良好的线性拟合能力和ANN模型强大的非线性关系映射能力,把需水量时间序列看成由线性自相关结构和非线性结构组成,采用ARIMA模型预测需水量序列的线性部分,用ANN模型对其非线性残差部分进行预测,再将二者预测值进行组合预测。通过实例研究,组合模型预测精度更高,是需水量预测的一种有效方法。     

大坝监测分析中的时间序列叠合模型

叙述了用时间序列叠合模型建立大坝监测预报模型的2种基本方法：统计-时间序列模型和确定性时序叠合模型。通过统计软件SPSS实现2种时序叠合模型的实例表明，在环境量记录完整的情况下，统计-时间序列模型比单纯的统计回归模型精度要高；在缺少环境量监测或与环境量的因果关系不明显的情况下，用确定性叠合模型分析和预报大坝监测效应量的测值，精度也很高，并能够分离出趋势性分量、周期分量和随机平稳分量，分析的结果简单明了，是大坝监测分析中一种比较好的方法。     

混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型

混凝土坝的总变形可以归结为由水压和温度变化引起的变形以及随时间发展的变形。其中,水压变形和温度变形体现为总变形中的周期性分量,而时效变形体现为总变形中的趋势性分量。借助复合建模思想,提出一种混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型。首先利用小波多分辨分析功能,分解出大坝变形时间序列中的趋势性项、周期性项;其次,运用EGM模型实现对趋势性项的有效预测,采用周期外延模型实现对周期性项的有效预测,在此基础上,利用ARIMA模型实现对EGM模型和周期外延模型残差项的有效预测;最后通过某工程实例,检验所提出模型的有效性。计算结果表明:该组合模型充分考虑大坝各变形分量的变化规律,并基于此,实现对大坝变形时间序列有效的拟合和预测,且其拟合和预测精度均明显优于传统统计模型。     

基于最优加权组合预测的隧道监控量测数据分析

监控量测技术可收集能反映施工过程中围岩动态的信息,据此判断围岩的稳定状态、确定二次衬砌时机及验证所选支护方式的合理性。通过对华蓥山隧道的监控量测数据分析,建立了多个回归模型进行比选,得到拟合精度较高的回归模型;基于最优加权组合预测法对拱顶沉降量进行预测,通过对比组合预测和单一预测模型的预测精度,验证了最优加权组合预测法的优越性;将最优加权组合预测的结果应用于沉降速率的分析,可以确定隧道二次衬砌的时间。研究结果表明:最优加权组合预测法在隧道监控量测数据分析中的应用,可以提高预测精度,较单一预测模型能更加有效地反映拱顶沉降的发展趋势;选取精度较高的单一预测模型进行最优加权组合预测,分析变形速率,可以为确定隧道的二次衬砌时间提供依据,具有一定的实用价值。     

北方干旱地区土壤墒情预测模型

为满足农业生产的需求,利用邢台市土壤墒情监测资料,对墒情预报模型参数进行分析计算,建立了适合于该区域的土壤墒情预报模型,最后用实测数据来检验模型的准确性.该模型可对土壤含水量、灌溉时间和灌溉定额进行预报,通过实际检验,模型能满足本区域土壤墒情预报的需要.     

基于EEMD-LSTM-MLR的大坝变形组合预测模型

大坝变形监测数据序列具有非平稳、非线性特征,是水压、温度和时效综合作用的结果.引入集合经验模态分解(EEMD)方法处理变形数据,在得到多尺度大坝变形分量的基础上,对于其变化复杂的高频分量,采取长短期记忆神经网络(LSTM)以获得较优预测结果;对于周期性变化的低频分量,借助多元线性回归(MLR)实现快捷且有效的预测;最终...     

高坝基岩多点变形监测的GRNN模型研究

为有效地进行大坝基岩多测点变形分析预测,在既有的大坝变形安全监测数学模型结构基础上,利用广义回归神经网络（GRNN）良好的非线性拟合能力建立变形预测模型,并针对高坝基岩多点位移计监测的实际情况,以多个测点的变形量为分析对象,在利用历史变形资料进行训练后实现多点变形预测。实例计算与比较结果表明,GRNN模型计算快、精度高,是进行多测点非线性变形监测预报的有效工具。     

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。     

频谱分析法在郑州市降水量预报中的应用

频谱分析法能分离和提取存在于降水过程中的周期成分,并将分离出的周期分量进一步用于降水量的中长期预报。通过分析1971~2009年郑州市的降水量资料,应用频谱分析法构建了郑州市降水量的预报模型,并应用该方法对郑州市未来3 a的降水量进行了预报。结果表明,该区年降水量存在两个主要周期（2 a和5 a左右）,反映了该地区的气候变化规律。为了验证预报结果的准确性,还与Monte-Carlo方法的预报结果进行比较,证明了频谱分析法具有更高的预报精度。     

考虑黏弹性滞后效应的拱坝位移监控组合模型

位移监控模型需要对拱坝变形性态兼具良好的解释和预测能力。水压-滞后-周期性温度-时效四因子HHST(Hydraulic,Hysteretic,Seasonal and Time)模型能够合理地解释锦屏一级拱坝的黏弹性滞后变形性态。为进一步提升该模型的预测精度,使用支持向量机(SVM)建立有限元计算所得拱坝黏弹性滞后位移与其因果因子之间的隐式关系,再将其融入到HHST模型中,进而基于多元线性回归建立拱坝位移的组合监控模型。以锦屏一级拱坝为例,减少输入因子数的组合模型的预测精度明显高于直接以HHST模型中18个因子作为输入的单一模型;SVM对滞后水压位移分量的预测精度明显高于基于约束最小二乘法的线性回归模型,采用2种滞后水压分量所建组合模型对拱坝变形性态具有相近的解释能力,而采用SVM滞后水压分量建立的组合模型可有效地提高拱坝位移的预测精度,多测点均方误差(MSE)平均降低21.67%,决定系数R²整体提高0.07%。     

时间序列分析方法在郑州市降水量预报中的应用

根据1971年-2013年郑州市的降水量资料,采用二次多项式拟合提取降水量的趋势分量,采用谐波分析法提取降水量的周期成分,利用自回归模型求解随机成分,最后将三者叠加,构建了郑州市降水量的预报模型。模型计算结果与实测数据对比可知,应用预报模型对降水量进行预报精度较高。因此利用建立的预报模型对2014年-2016三年的降水量进行了预测,为该区水资源的管理提供依据。