基于改进BP神经网络的大坝变形监测模型预报

变形监测是大坝安全运行的重要保证,结合白石水库混凝土坝真空激光X向位移资料进行分析,提出应用改进的BP神经网络思想建立的安全监测模型,结合对相关数据参数进行系统性的研究,并与传统BP神经网络模型训练、预测结果对比,得出改进的BP神经网格模型优于传统BP神经网络模型,具有一定抗差能力,能够降权使用可疑值,相关系数较高,预测精度好,可在实际中广泛运用。     

大坝安全监测的组合预测模型

针对传统数学模型和神经网络预测模型在大坝安全监测应用中存在着预测精度较低的问题，分析了灰色预测模型、BP神经网络模型和统计预测模型的建立方法，并在此基础上提出了一种新的组合预测模型，结合实测数据对此组合预测模型进行了检验。结果表明：此组合模型不仅提高了预测精度，而且避免了预测模型选择的难度，在大坝安全监测中具有较好的实用性。     

大坝变形的多步预测模型研究

根据大坝变形时间序列分别建立多元线性回归、稳健回归和改进的BP神经网络预测模型,并进行了单步和多步预测研究。结果表明:3种模型对历史样本具有很好的拟和效果;在预测中,稳健回归、多元线性回归模型在单步预测中预测精度较高,而改进的BP神经网络模型在多步预测中预测精度较高,抗干扰性强,适合预见期较长的坝体变形预测。     

基于改进BP神经网络的大坝安全监测预报模型

合理有效的安全监控预报模型,是保障大坝的安全运行的重要手段.针对传统统计模型预测精度不高的问题,通过对BP神经网络的优化改进,建立基于逐步回归特征选择算法筛选输入变量、自适应学习率和附加动量因子网络学习的BP神经网络预测模型,并将该模型用于某混凝土拱坝的变形预测中.结果表明,改进的BP网络预测模型具有出色的非线性逼近能...     

基于多因素影响的BP-RBF神经网络渗流预测模型

为提高大坝坝基渗流的预测精度,把BP神经网络较强的模糊推理和自学能力与RBF神经网络在函数收敛中的快速性和绝对性相结合,以避免BP神经网络陷入局部最小或不收敛,构建了以水库大坝库水深、降雨量和温度三参数为主要影响因素,大坝渗流量为观测值的函数关系。通过与汾河水库实测资料对比分析表明,基于BP-RBF神经网络模型的坝基渗流预测模型预测效果良好,可以为大坝的安全监测与病险防护提供数据支持,为大坝原型观测资料处理提供了新途径。     

基于递阶偏最小二乘回归的数据分析

针对最小二乘法难以克服因子多重共线性对回归模型精度影响的不足和大坝观测数据分析中因变量较多的特征，引进递阶偏最小二乘法，对大坝安全监测变量及其影响因子进行递阶偏最小二乘回归分析，将建模预测分析方法通过递阶分层处理，可同时实现回归建模和数据结构简化，所建立的大坝安全监控模型精度可通过交叉有效性检验来控制．工程应用实例和模型对比分析研究表明，递阶偏最小二乘回归模型能有效克服由于各类因子变量间的多重共线性和因子变量数目较多而对模型拟合精度及其预测能力的影响，相对于传统回归模型有更好的解释能力，因而具有一定的实用价值．     

优化BP神经网络的位移预测模型

针对大坝位移预测常规方法存在的问题,基于改进粒子群算法的BP神经网络(IPSO-BP)的大坝位移预测方法,通过IPSO对常规BP神经网络的权值和阈值进行优化,弥补了BP网络的不足,保证了预测精度。以2011-12-21—2013-06-27观测得到的某混凝土重力坝某一典型坝段坝顶的顺河向位移值为研究对象,建立基于IPSO-BP的大坝预测模型并进行仿真分析研究。同时,为了验证该模型的拟合及预测效果,建立PSO-BP模型、利用最小二乘法求解参数的统计模型进行对比分析。上述研究结果表明,此模型预测精度优于常规模型且拟合效果好、预测结果的平均相对误差小,说明此方法有效可行。     

大坝安全监控模型因子相关性及不确定性研究

针对最小二乘法难以克服因子多重共线性对回归模型精度影响的不足，本文对大坝安全监控模型因子间的相关性及其不确定性进行了研究。引进偏最小二乘法，对大坝安全监测变量及其影响因子进行偏最小二乘回归分析，将建模预测分析方法与非模型式的数据内涵分析有机结合，可同时实现回归建模、数据结构简化以及因子相关的不确定性分析，所建立的大坝安全监控模型，其精度可通过交叉有效性检验来控制。工程应用实例和模型对比分析研究表明，偏最小二乘回归模型能有效克服各类因子变量间的多重共线性对模型拟合精度及其预测能力的影响，因而比目前常用的最小二乘回归模型更具广泛适用性。     

基于熵值法确权的大坝安全组合预测模型

针对传统数学模型和神经网络预测模型在大坝安全监测中存在的预测精度较低问题,分析了BP神经网络模型和偏最小二乘预测模型的建立方法,在此基础上,利用信息论中的熵原理提出一种新的组合预测模型,并结合实测数据对该组合预测模型进行了检验。结果表明:该组合模型提高了预测精度,在大坝安全监测中具有较强的实用性。     

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。     

主成分-BP组合模型在坝顶位移监控中的应用

在大坝位移监控中,主成分分析和BP神经网络方法运用较广,建立两种方法的组合模型,可以结合两种方法的优势,利用主成分分析消除坝顶位移预测中多重相关性给模型带来的不利影响,利用BP网络可通过自组织、自学习和高容错性等功能解决复杂非线性问题。通过实例计算可知,组合模型精度能够达到要求,可以推广应用。     

柴河水库大坝坝基渗流监测数据研究

柴河水库大坝右坝段坝基存在渗漏问题,为了水库大坝的安全建设和运行对大坝监测数据进行研究非常重要。采用逐步回归分析法对大坝坝基测压管多年监测数据建立了统计回归分析模型,计算结果表明,观测值与拟合值统计复相关系数较大,估计标准误差较小,模型有效地反映了坝基渗流的变化规律和发展趋势。为了监控大坝的安全运行和辅助决策,利用小波神经网络建立了有效的坝基渗流量预测模型,计算结果表明,该预测模型收敛速度较快、预测精度较高,能正确地模拟和预测大坝的渗流量。     

社上水库原型观测分析中的三种优选模型对比研究

建立实用的大坝原型观测模型,能有效地拟合和预测大坝安全监测量.本文在土石坝监测量长系列观测资料分析的基础上,通过BP神经网络、逐步回归和多元回归进行拟合分析.结果表明,BP神经网络拟合效果优于逐步回归,逐步回归拟合效果优于多元回归.     

基于 PCA － ＲBF 神经网络的混凝土坝位移趋势性预测模型

为了提高混凝土坝位移趋势的预测精度,提出了一种基于主成分分析( PCA) 和径向基( ＲBF) 神经网络的混凝土坝位移趋势性预测模型( PCA － ＲBF) 。首先,利用主成分分析,将混凝土坝多测点 的径向位移监测数据降维,消除影响分量数据集的多重相关性,分别提取出主元位移和主元影响分 量。然后,把主元位移和主元影响分量输入径向基神经网络并构建模型,对提取出的主元位移进行预 测。最后,将本法应用于某混凝土坝,结果表明,PCA － ＲBF 模型的均方根误差( ＲMSE) ,平均绝对 误差( MAE) 和平均绝对百分比误差( MAPE) 分别为 2. 037 8 mm,1. 698 6 mm 和 3. 32% ,显著低于传 统的多元回归统计模型、径向基神经网络模型( ＲBF) 和利用经主成分分析进行因子处理的 BP 神经网 络模型( PCA － BP) ,说明 PCA － ＲBF 模型有着良好的预测精度。     

基于模糊聚类算法的大坝监控模型的研究

将模糊理论和神经网络相结合，建立了基于模糊聚类算法的模糊神经网络的大坝安全监控模型，并针对某一大坝变形水平位移实测数据进行分析，计算结果表明，其拟合和预报精度优于常规统计模型，从而表明这一模型的有效性。     

基于混沌的大坝监测序列小波RBF神经网络预测模型

本文结合混沌理论、小波分解与重构,以及径向基函数(RBF)神经网络的优点,提出了一种基于混沌的大坝监测序列小波RBF神经网络预测模型。该模型主要利用小波分析将大坝监测序列分解为趋势项和细节时间序列,并利用RBF神经网络和基于RBF神经网络的混沌理论对两种时间序列进行预测,最后通过小波重构得到预测值。实例分析表明,本模型能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,对监测数据的预测精度较高,可应用于实际工程。     

基于主成分分析与BP神经网络模型的大坝渗流监测资料分析

大坝渗流观测资料分析中,各因子间常存在不同程度的相关性,这种相关性有时会对分析效果产生较大的影响,另外,通常的回归模型为线性模型,难以精确反映一般为非线性函数的因变量的变化规律。针对上述问题,本文将主成分分析和神经网络相结合,建立大坝渗流观测数据的主成分神经网络模型,经实例计算,该模型的预报精度较高。     

CPSO-NN模型在大坝安全监控中的应用

针对大坝安全监控中传统BP神经网络模型由于采用最速下降法求解网络权值而存在的计算过程复杂、易陷入局部极值点等缺点,提出大坝安全监控神经网络权值的协同粒子群优化求解方法。该方法先把网络权值的计算问题转化为粒子群的寻优问题,然后通过粒子群协同寻优实现对网络权值的计算。工程实例分析结果表明:基于协同粒子群算法的神经网络模型计算简单、收敛速度快、拟合精度高,为大坝安全监控分析提供了一种有效的新方法。     

ABC-RBF神经网络在平板坝裂缝开合度监测中的应用

为提高混凝土平板坝裂缝开合度预测精度,针对混凝土平板坝裂缝开合度监测序列呈非线性以及周期性变化的特点,将基于EMD分解优化的ABC-RBF神经网络模型应用于混凝土平板坝裂缝开合度安全监测中,对比分析普通RBF和ABC-RBF神经网络模型。结果表明,ABC-RBF神经网络模型预测误差相对较小,可用于分析混凝土平板坝裂缝开合度的安全监测。