基于高边坡位移突变的安全监控模型

高边坡受爆破、地震等强外界作用时,位移监测值会出现明显跳跃。有效辨识测值突变位置,消除或削弱位移突变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。基于高边坡系统演化过程中的非线性动力学特性,应用相空间重构、云模型等数值分析手段,研究了高边坡位移突变辨识等的实现方法;在对高边坡位移与影响因素相关分析的基础上,探讨了考虑动力学结构突变影响的位移预测模型构建原理与算法。该模型重点依据最近一次位移突变后的监测资料,考虑了突变后形成的相对稳定的高边坡动力系统特性,因而可以有效提高监控模型的拟合和预测精度。     

基于混沌理论和突变诊断的高边坡变形预测模型

高边坡系统的演化过程表现出复杂的非线性动力学特性,由于边坡经常受到外界因素的扰动,而使整个监测资料时间序列具有以突变点为分界的跳跃性,因此,有效辨识测值突变位置,是提高高边坡位移监控模型拟合和预测精度的关键问题。组合应用相空间重构、云模型和最大Lyapunov指数等数值分析手段,研究了高边坡位移突变辨识的实现方法,探讨了考虑动力学结构突变影响的位移预测模型构建原理与算法。由于该模型依据最近一次位移突变后的监测资料,着重考虑突变后相对稳定的高边坡动力系统特性,因而可以有效提高监控模型的拟合和预测精度。以某水电工程为例,论证了利用该方法进行高边坡监测的有效性与准确性。     

混沌序列GA-SVM模型在滑坡监测中的应用

滑坡位移系统的发展演化过程同时包含确定性和随机性,是一个复杂的非线性系统,而混沌理论将确定性分析和随机性分析结合起来,能有效体现滑坡位移系统的非线性特征。在对滑坡位移序列进行混沌分析的基础上,采用预测性能较好的支持向量机(SVM)模型对其位移值进行预测。同时针对SVM模型参数选取困难的缺点,用具有强大全局搜索能力的遗传算法(GA)对其参数进行优化,提出GA-SVM耦合预测模型。最后对实测滑坡位移数据进行分析,并与单独SVM模型和GA-BP模型进行比较,结果表明运用GA-SVM模型进行滑坡位移时间序列预测是可行的,且具有较高的精度。     

基于动力属性区间辨识的混凝土坝安全监控模型

对混凝土坝位移与影响因素相关分析的基础上,考虑混凝土坝系统演化过程中的非线性动力学特性．综合应用相空间理论、动力学结构突变理论等数值分析手段,有效辨识了测值突变位置。针对突变后形成的相对稳定的动力结构,探讨了混凝土坝长效服役安全监控模型的构建原理与算法。文末通过某混凝土拱坝实例验证．表明所提出的安全监控模型对混凝土坝位移的实时监测和预警都有重要意义。     

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。     

大坝变形监测统计模型与混沌优化ELM组合模型

变形是反映大坝动态演化的重要效应量。为了提升统计模型预测能力,借助极限学习机(ELM)处理非线性问题的优势,对大坝位移的统计模型残差进行数据挖掘。而极限学习机欠缺对混沌动力特性的考虑,为了解决这个问题,采用混沌理论对统计模型残差进行了混沌动力学特性分析,揭示其混沌特性,并据此重构相空间,从而为混沌优化极限学习机提供先验知识。基于统计模型,结合极限学习机和混沌理论的优点,建立统计模型与混沌优化ELM的组合模型。将该组合模型应用于工程实例,由多个定量评估指标对模型进行性能评价,结果表明,组合模型建模合理,预测精度高于统计模型、统计模型与混沌优化BP神经网络组成的组合模型,在大坝变形监测中具有一定的应用价值。     

加权一阶局域法在边坡位移预测中的应用研究

目前,常用的变形预测分析方法有[1]:确定函数法、统计回归分析法、混沌时间序列分析法等.其中混沌时间序列分析法可以在未直接考虑引起位移变形的有关随机因素的条件下,对历史观测数据进行重构相空间处理,建模比较简单、计算量小、预测精度较高. 研究建立了加权一阶局域法多步预报模型,运用Matlab6.5编制了计算程序,并利用预报模型进行了典型混沌系统的预测和水利工程高边坡位移预测,取得了较好的预测效果.     

加权一阶局域法在边坡位移预测中的应用研究

目前，常用的变形预测分析方法有：确定函数法、统计回归分析法、混沌时间序列分析法等。其中混沌时间序列分析法可以在未直接考虑引起位移变形的有关随机因素的条件下，对历史观测数据进行重构相空间处理，建模比较简单、计算量小、预测精度较高。研究建立了加权一阶局域法多步预报模型，运用Matlab6，5编制了计算程序，并利用预报模型进行了典型混沌系统的预测和水利工程高边坡位移预测，取得了较好的预测效果。     

基于连续蚁群算法和小波支持向量机的位移反分析

提出一种基于连续蚁群算法和小波支持向量机的位移反分析模型。一方面利用具有良好时域、频域分辨能力和非线性学习功能的小波支持向量机建立反演参数和位移之间的非线性关系,避免了大量的数值计算,提高了预测精度;另一方面利用全局优化的连续蚁群算法代替传统的优化算法,避免优化过程中目标函数陷入局部最优,提高了反演的精度。应用该模型对三峡工程永久船闸高边坡4种介质弹性模量进行位移反分析,并利用反演所得参数进行监测点位移预测,计算值与监测值吻合较好,表明该方法适合解决具有非线性和不确定特性的岩土工程问题,在位移反分析中具有良好的实际应用价值。     

基于偏最小二乘-径基网络模型的岩体变形分析

偏最小二乘回归不直接考虑因变量与自变量回归问题,而直接提取与系统有关的新的综合变量,并能利用交叉有效性检验确定成分个数,在分析单因变量与多自变量间关系时结果令人满意;3层RBF神经网络模型具有自适应学习和记忆能力,因而被广泛应用。把这两者相关联,以岩体变形量为因变量,以6个影响因素为自变量,分析研究了实际工程的高边坡位移监测资料。工程应用实例分析研究表明,偏最小二乘-径基网络模型能有效克服各类因子变量间的相关性和与因变量的非线性关系,模型收敛速度快,求解稳定,对实测数据具有较好的拟合效果和预测精度,因而具有一定的实用价值。