改进的非等间距GM(1,1)大坝位移监控模型

针对传统GM(1,1)监控模型在拟合和预测大坝位移方面的不足,通过采用积分方式重构背景值、引进最佳赋权矩阵体现原始数据的时间影响效应、优化残差等途径,提出了改进的非等间距GM(1,1)大坝位移监控模型。结合工程实例,对比分析表明改进的GM(1,1)监控模型相比于传统GM(1,1)监控模型在对大坝位移原始监测资料分析的基础上,预测精度有较大提高,可作为一种新的预测手段应用于大坝位移预测中。     

IFNN时变模型在建立大坝位移监控中的应用

针对时变监控模型比常规监控模型更有效且能准确进行变量分离,通过改进的模糊神经网络(IFNN)结合时变模型对陈村水库大坝的水平位移进行拟合与预测,并与BP模型做了比较.结果表明,该模型拟合及预测精度均较BP模型高,与工程实例相近,可推广应用.     

大坝位移监控模型温度分量的欠拟合原因及改进

分析了目前通用的大坝位移数学监控模型对原型监测数据产生欠拟合问题的原因,指出影响模型拟合精度的关键是过于简化了温度分量表达式.根据热量在坝体内外发生传递特点建立微小时段内的坝体热力学模型,分析了温度效应对坝体位移影响规律并引入瑞利分布函数描述其影响过程,结合经扩充的温度分量因子集以数值积分形式给出改进后的大坝位移数学模型温度分量的表达式.实例结果表明拟合效果良好.     

改进的非等间距GM(1,1)模型在大坝位移预测中的应用

针对传统GM(1,1)模型在大坝位移预测中的缺陷,通过引入时间变量构建缓冲算子、重构背景值、优化残差等方式改进传统GM(1,1)模型。以某大坝测点径向位移样本为例,分别采用两种模型对观测值进行拟合预测。结果表明,改进的非等间距GM(1,1)模型预测精度有较大提高,更适用于大坝位移监控。研究成果可为大坝位移预测提供参考。     

基于逐步回归分析—马尔可夫链模型的大坝变形预测

针对预测大坝变形准确性难度较大的问题,综合逐步回归分析和马尔可夫链的优点,采用逐步回归分析法对大坝原型观测资料进行分析,得到回归模型,并判别回归方程的有效性和精度,同时利用马尔可夫链确定位移时序的状态转移概率矩阵,通过划分残差状态、修正实测值与逐步回归模型拟合值的绝对误差与相对误差,建立了大坝变形预测的逐步回归分析—马尔可夫链预测模型(SRA-MC)。实例应用结果表明,模型的拟合值与实测值吻合良好,预测效果好,可见逐步回归分析—马尔可夫链模型在进行大坝变形预测时具有有效性,可应用于大坝变形预测分析及大坝安全监控预警中。     

基于COA-LSSVM模型的边坡位移时序预测

鉴于预测边坡位移变化对边坡稳定性的重要意义,利用布谷鸟优化算法(COA)对最小二乘支持向量机(LSSVM)的核函数参数和惩罚因子进行寻优,从而建立了边坡位移时序预测的COA-LSSVM模型,并将该模型应用于锦屏一级水电站左岸高边坡变形预测中。与PSO-LSSVM模型的预测结果对比表明,COA-LSSVM模型具有更高的预测精度,预测结果更接近于实际的监测数据。     

基于PSO_GM_MC的某混凝土双曲拱坝监控模型

大坝位移的准确预测对大坝安全监控具有重要意义。针对传统的GM(1,1)模型在大坝位移监控中存在预测误差较大的问题,利用粒子群优化算法(PSO)对背景值权重参数寻优重构,借助马尔科夫链(MC)实现残差优化,建立了大坝位移的PSO_GM_MC监控模型。实例分析表明,PSO_GM_MC监控模型与传统灰色模型GM(1,1)相比,在大坝位移预测精度上有较大提高,可用于大坝位移的安全监控。     

支持向量机的核函数及其参数选择对大坝监控模型预测精度的影响

鉴于支持向量机的核函数及其参数选择对大坝变形监控模型的预测精度有重要影响,基于支持向量机常用的高斯核函数、多项式核函数及其线性混合核函数分别建立了大坝监控模型,并利用改进的粒子群算法对支持向量机的惩罚因子和核参数进行寻优。实例分析结果表明,基于高斯核函数的大坝监控模型的拟合能力较好,基于多项式核函数的监控模型的泛化能力较好,基于混合核函数的监控模型的综合性能较好。     

基于遗传神经网络的高边坡位移分析方法研究

针对神经网络的稳定性与计算精度依赖于初始权阈值,改进了标准遗传算法,采用改进遗传算法优化神经网络的初始权阈值,构建了遗传神经网络模型并应用于水电站高边坡变形位移模拟预测中.实例结果表明,该模型预测精度高、简单易行、快速实用,可应用于工程实际.     

基于峰值识别理论的大坝安全监控模型

针对常规基于误差平方和最小的监控模型未考虑大坝测值样本容量间的差别,使峰(谷)值拟合和预测精度比一般测值偏低,采用峰值识别理论根据采样频次中峰谷值比例和幅度分别对常规的逐步回归模型和BP模型进行改造,以辽宁白石碾压混凝土重力坝、甘肃碧口心墙土坝和浙江里石门双曲拱坝为例,计算结果表明改进后的监控模型可有效提高峰值的拟合和预测精度.     

基于改进随机森林算法的渡槽位移及应力预测模型

渡槽位移及应力监测是渡槽健康监测的重要内容,其位移及应力变化与多种因素存在复杂的非线性关系,这种关系导致传统数学模型难以较准确地预测出不同环境变量影响下渡槽的位移及应力变化情况。对此,提出了一种基于随机游走思想的随机森林算法,该算法以渡槽水位、气温及水温为输入,能较准确地预测出渡槽不同测点的位移及应力。最后,通过一个数值算例,对比了该算法与已有模型算法的拟合性能和泛化能力,验证了该算法的优越性,可满足渡槽工程位移及应力预测的需要。     

基于熵权的边坡稳定性评价物元可拓模型及其应用

针对目前高边坡安全稳定性评估主要考虑单项监测项目及不能综合考虑几项或多项监测项目等问题,在对安全监测资料进行分类汇总,并充分考虑影响边坡稳定的各种因素后,建立了边坡稳定综合评价多层次物元体系,对评价指标进行预处理后,运用物元可拓模型评价了边坡的安全等级。实例应用结果表明,该方法科学地构建了边坡安全稳定评估体系,合理量化了评估指标,可操作性强。     

改进的非等间距GM(1,1)模型在大坝沉降分析中的应用

由于影响大坝监测数据因素多,且数据存在非等间距离散的情况,利用传统非等间距GM(1,1)模型的建模原理,分析了数据拟合与预测精度低的原因,提出了优化背景值的改进非等间距GM(1,1)模型,根据两种模型对施工期堆石坝心墙的沉降观测数据进行拟合和预测。实例表明,改进模型精度较高,更接近观测值,可应用于工程实际中。     

基于极限学习机的面板堆石坝施工期沉降预测模型及应用

针对大坝安全监控预测中存在的不确定性与非线性问题,提出了基于极限学习机算法的面板堆石坝施工期沉降预测方法,并将其应用于柬埔寨某面板堆石坝沉降预测中。与传统的统计回归分析模型计算的沉降量相比,基于极限学习机算法的预测模型拟合学习速度快,精度高,适用性强,预测值与实测结果吻合较好。     

考虑残差的小波G-Verhulst-ARIMA大坝变形组合预测模型及应用

鉴于传统的统计模型未考虑变形中的随机扰动和混沌现象,借助小波分析、灰色Verhulst模型(G-Verhulst)和差分自回归移动平均模型(ARIMA)分析统计模型的残差,以充分挖掘变形观测资料中的数据特性。首先利用小波分析对残差序列去噪,提取出不同频率的信号,然后分别利用G-Verhulst模型和ARIMA模型进行建模预测,最后将统计模型预测值和残差预测值叠加,建立了一种考虑残差的小波G-Verhulst-ARIMA大坝变形组合预测模型。实例应用结果表明,与不考虑残差的组合模型及使用GM(1,1)模型(EGM)代替G-Verhulst模型的组合模型相比,该模型拟合和预测时的均方误差均小于其他两组模型,有效提高了预测精度,为建立大坝安全监控模型提供了新思路。     

基于塑料光纤裂缝传感器的裂缝开度预测

针对混凝土工程裂缝难以准确预测的问题,结合利用塑料光纤裂缝监测技术所得到的试验数据,运用多项式回归和权值分配等数学方法,建立了一种考虑到裂缝与塑料光纤呈不同夹角时的影响的裂缝开度预测模型,并将模型预测的裂缝开度值与实测值进行比较分析。结果表明,预测值与实测值具有较好的拟合精度,可见将该模型与塑料光纤裂缝监测技术结合用于预测裂缝扩展宽度具有可行性,且预测精度较高。     

基于强度折减的岩质边坡失稳判据的探讨

以锦屏水电站左岸某标段边坡为例,基于有限元强度折减法的基本原理和破坏准则,提出了综合特征点位移增量与折减系数增量的比值关系曲线与迭代次数突变准则编制有限元程序计算边坡的安全系数。计算结果表明,两种失稳判据较吻合,误差仅为1.3%,位移突变与收敛合理,该判据正确、适用。     

考虑流固耦合的水位降雨共同作用下荆江岸坡应力位移场分析

为了研究水位升降与降雨共同作用下荆江高滩岸坡应力位移的变化规律,根据该河段的地质水文条件,应用Geo-Studio软件对岸坡进行了流固耦合数值模拟。结果表明,岸坡最大剪应力分布由坡面向坡底逐渐增大;水位上升,同一岸坡点所受剪应力随之减小,岸坡位移指向坡内;水位下降,同一岸坡点所受剪应力随之增大,岸坡位移指向坡外,此时叠加降雨作用将导致坡顶向外位移进一步增大,对岸坡稳定非常不利,需重点监控;水位升降对坡脚位移的影响较大,降雨主要引起坡顶向外不利位移,需分别加强岸坡坡脚和坡顶的位移监测工作。