基于蚁群算法优化支持向量机的边坡位移预测

由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。借助支持向量机(SVM)可有效解决小样本、高维数、非线性等问题的优点,对边坡实测位移进行数据挖掘,预测边坡变形趋势。为了避免人为选择支持向量机模型参数的盲目性,提高模型预测精度和泛化能力,引入改进的蚁群算法(ACO)对模型参数进行寻优,结合位移时序滚动预测方法,建立了适合边坡变形预测的ACO-SVM模型。将该模型应用于2个边坡的位移预测,研究结果表明,ACO-SVM预测精度高,模型建立正确。与遗传算法、粒子群算法优化SVM的预测结果相比,ACO-SVM模型预测精度更高,具有更强的泛化能力,预测结果更加合理,在边坡变形预测中具有一定的工程应用价值。     

洞室围岩变形预测的ACA-LSSVM模型及工程应用研究

现场监测获得的围岩变形信息,从宏观上反映了洞室的力学性态变化。为克服人工神经网络方法的过学习问题,提出了一种新的洞室围岩变形预测模型--进化支持向量机模型。该模型利用蚁群算法来搜索支持向量机的惩罚因子和核函数参数,避免了人为选择参数的盲目性,提高了支持向量机的推广预测能力。应用该非线性智能预测方法,滚动预测围岩变形量,能及时发现异常情况,从而调整和优化施工步序,维护洞室的稳定性。将该方法用于锦屏一级水电站工程洞室变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景。     

基于蚁群优化的支持向量机风速预测模型研究

由于风速的随机性大,预测的准确度不高,针对这种现象,基于支持向量机理论建立了风速预测模型,同时针对支持向量机参数的选取尚无有效的方法,尝试应用蚁群算法来优化参数的选取。以某风场连续5 d的实测风速为研究对象,选取前4 d的实测风速(采样间隔30 min),应用风速预测模型对第5天的48个风速值进行预测,其预测的平均绝对百分比误差仅为9.77%,预测效果比较理想。验证了应用蚁群优化算法理论与支持向量机理论进行风速预测的可行性,可为风速的长期预测、风力发电功率预测和风电场规划选址等提供理论指导。     

基于PSO-SVM的大坝渗流监测时间序列非线性预报模型

大坝渗流监测分析是大坝安全监控的重要内容，预测分析的难点之一在于渗流监测数据往往具有复杂的非线性特点。本文充分利用支持向量机的结构风险最小化与粒子群算法快速全局优化的特点，采用粒子群算法快速优化支持向量机的模型参数，通过该模型对非线性监测数据进行拟合，建立了基于PSO_SVM的大坝渗流监测的时间序列非线性预报模型。本模型应用于隔河岩水电站的坝基渗流量的预测，计算结果与实际监测值吻合良好。     

支持向量机在大坝渗流监测中的应用

支持向量机是基于统计学习理论的小样本学习方法,是一种处理高度非线性分类回归等问题的新方法,它能较好地解决小样本非线性高维数,避免了神经网络无法解决的局部极小问题.本文简要介绍了支持向量机的基本原理及其在渗流监测数据处理中的应用,论述了如何利用支持向量机建立大坝渗流统计模型和预报.通过对云龙水库渗流监测连续观测数据的计算和分析,并与RBF神经网络预测结果进行比较,证明支持向量回归机在渗流监测中比RBF神经网络预测精度更高,具有良好的泛化能力.     

大型地下工程围岩力学参数反分析方法研究

基于实时位移监测数据的大型地下工程围岩力学参数反分析理论是实现工程动态反馈优化设计的基本手段。将小波理论与传统BP神经网络结合形成小波神经网络,提高了映射系统的非线性泛化能力;利用均匀设计方法确定围岩待反演物理力学参数组合,并通过有限元正分析计算围岩在相应参数下的理论变形位移,形成网络训练样本集;将小波神经网络作为反分析的人工智能学习算法,映射围岩变形理论位移和力学参数之间的非线性关系;将现场监测位移输入到训练好的网络,计算围岩力学参数的反演值。工程实例验证表明,与传统理论相比,该理论可大大提升反分析的效率和准确性。     

WPSO-SVR耦合日径流预测模型研究及应用

针对径流时间序列过程的高度非线性,将小波分析方法、粒子群优化算法与支持向量回归相结合,建立了小波-粒子群-支持向量回归耦合日径流预测模型(WPSO-SVR)。该模型充分挖掘小波分析的多分辨功能和支持向量回归的非线性逼近能力,应用小波分析方法将日径流时间序列分解为不同频段的子序列,将重构后的序列作为模型的输入,利用粒子群全局搜索能力实现模型参数寻优,得到最佳模型参数,构建模型,并将该模型应用于金沙江中游石鼓站日径流预测。结果表明,该模型的预测效果明显优于单一支持向量回归模型,在日径流预测中具有较强的适应性。     

基于相空间重构的大坝服役性态小波支持向量机预测模型

通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。     

基于果蝇优化算法的支持向量机径流预测

为了提高径流预测的精度和可靠性,将支持向量机应用到单因子月径流预测建模中。针对支持向量机模型参数的选择费时费力且效果差的问题,利用全局寻优的果蝇算法优化选择支持向量机的惩罚参数和核参数,提出了基于果蝇算法优化支持向量机参数的FOA-SVM预测模型,并利用新疆某站的月径流历史数据进行了仿真测试。结果表明:与GA-SVM模型和PSO-SVM模型相比,FOA-SVM模型能够提高径流预测的效率与精度。     

基于IVDF-SVR耦合模型的边坡变形预测

针对改进变维分形在分形维数进行拟合预测中的不足,提出一种基于改进变维分形理论(IVDF)和支持向量回归机(SVR)理论耦合的分形预测模型。该模型利用支持向量回归机(SVR)理论来对原来改进变维分形模型中分形维数序列进行拟合预测。以茅坪滑坡的边坡位移监测数据为例,选取ln(r)-ln(S1)累计和序列分维分段曲线作为预测模型的分形参数曲线,先利用改进变维分形模型计算各曲线的分段分形维数,进而预测边坡的位移值,再利用IVDF-SVR耦合模型计算各曲线的分段分形维数,进而预测边坡的位移值。预测结果表明,IVDF-SVR耦合模型充分利用了分形理论的自相似性,使预测模型具有良好的抗噪性,同时结合SVR理论的自学习能力,可以实现小样本、非线性条件下的数据拟合与预测的优势,使得该模型能够达到较好的预测长度和较高的预测精度,有着较好的应用前景。     

基于极限学习机的隧洞岩体蠕变参数反分析方法

以某水电站坝区左岸导流洞工程为依托,将极限学习机(ELM)应用于隧洞岩体蠕变参数反演计算中。通过正交实验设计,确定导流洞出口段的16组岩体力学参数,选取其中的14组用FLAC3D中的Cvisc模型进行数值分析,根据各组蠕变参数和与其对应的各测点计算位移,对ELM网络进行训练,输入岩体中关键点实际监测的位移变化过程线,反演出相应的岩体蠕变参数确定二者之间的非线性关系,其余两组用于检验训练结果。将该模型应用于某水电站左岸隧洞岩体蠕变参数反演分析中,计算结果与实测位移值拟合较好,说明该模型简单、实用,具有良好的反演精度,可满足工程设计要求。     

不确定性地基水荷载的智能识别初探

实际地基水荷载存在不确定性,地基水荷载作用方式不同,引起的效应量差异较大,如果人为地将地基水荷载作为面荷载或作为稳定渗流体荷载进行数值计算,参与优化反分析,反演获得的参数值得商榷.将监测点相对位移作为输入,坝体混凝土、岩基材料参数和坝基面一定深度测点水头作为输出,建立了不确定性地基水荷载识别神经网络模型,采用均匀设计原理进行材料参数组合,采用饱和地基非稳定渗流分析获得不同渗流体荷载分布,获得样本进行学习,以此训练好的网络模型描述大坝混凝土、岩基材料参数及地基水荷载和坝体变形的非线性关系.将大坝实测位移分离出的水压分量输入训练好的网络模型,可自动识别出大坝混凝土和岩基的材料参数以及地基水荷载.算例分析表明,本文建立的不确定性地基水荷载识别神经网络模型是可行的.     

位移增量法反分析边坡结构面参数

利用前期原型监测数据,快速反分析边坡岩体力学参数,对优化设计意义重大.运用基于均匀设计的位移增量反分析法对边坡结构面参数进行反分析,并对优化设计提出了建议,得到了良好效果.     

基于SSA-MSVR的混凝土拱坝材料参数反演模型

为进一步提高混凝土拱坝材料参数获取的准确性,构建了基于多输出支持向量回归(MSVR)和麻雀搜索算法(SSA)的混凝土拱坝材料参数反演模型。为了快速模拟坝体径向位移与材料参数的非线性关系,建立了高精度的MSVR模型代替有限元模型计算,并利用SSA对所需参数进行寻优反演。工程实例验证结果表明：构建的反演模型计算精度高,计算速度快,能快速反演坝体与坝基材料参数,可用于实际工程的材料参数反演分析。     

Long-term deformation analysis of Shuibuya concrete face rockfill dam based on response surface method and improved genetic algorithm

Due to the size effects of rockfill materials,the settlement difference between numerical simulation and in situ monitoring of rockfill dams is a topic of general concern.The constitutive model parameters obtained from laboratory triaxial tests often underestimate the deformation of high rockfill dams.Therefore,constitutive model parameters obtained by back analysis were used to calculate and predict the long-term deformation of rockfill dams.Instead of using artificial neural networks(ANNs),the response surface method(RSM) was employed to replace the finite element simulation used in the optimization iteration.Only 27 training samples were required for RSM,improving computational efficiency compared with ANN,which required 300 training samples.RSM can be used to describe the relationship between the constitutive model parameters and dam settlements.The inversion results of the Shuibuya concrete face rockfill dam(CFRD) show that the calculated settlements agree with the measured data,indicating the accuracy and efficiency of RSM.     

岩体力学参数的非线性随机反演优化方法的研究

 运用最优化理论,通过构造公差准则函数序列,在近似可行概念［1］和非线性加速单纯形法的基础上,采用三维非线性位移随机反分析的伸缩保养法研究了岩体力学参数。岩体的性态采用弹塑性?开裂模型描述,考虑工程中实测位移的随机波动性,应用随机反分析的目标函数。非线性迭代采用收敛稳定的子增量变Kp法。并与复合形法进行了比较,工程实例表明伸缩保养法较复合形法在调用有限元次数及耗用机时方面要少一些,且反演结果相差很少,说明该方法是有效和可行的。     

岩石粘弹性模型辨识及参数反演

本文回顾了常用的几种岩石粘弹性本构模型，依据蠕变柔量的概念，用位移和蠕变柔量两步反分析法从粘弹性本构模型的一般表达式中辨识出岩石的本构模型.先由相应的位移实测值用解析法反演岩石的蠕变柔量，再由岩石的蠕变柔量运用非线性优化技术辨识出岩石本构模型表达式，最后进一步由模型参数反算出岩体的粘弹性参数.文中最后给出了工程实例.     

Long-term deformation analysis of Shuibuya concrete face rockfill dam (China) based on response surface method and improved genetic algorithm

Due to the size effects of rockfill materials, the settlement difference between numerical simulation and in situ monitoring of rockfill dams is a topic of general concern. The constitutive model parameters obtained from laboratory triaxial tests often underestimate the deformation of high rockfill dams. Therefore, constitutive model parameters obtained by back analysiswere used to calculate and predict the long-term deformation of rockfill dams. Instead of using artificial neural networks (ANNs), the response surface method (RSM) was employed to replace the finite element simulation used in the optimization iteration. Only 27 training samples were required for RSM, improving computational efficiency compared with ANN, which required 300 training samples. RSM can be used to describe the relationship between the constitutive model parameters and dam settlements. The inversion results of the Shuibuya concrete face rockfill dam (CFRD) show that the calculated settlements agree with the measured data, indicating the accuracy and efficiency of RSM.     

三维粘弹塑性位移反分析的可变容差法

本文运用最优化理论，通过构造公差准则函数序列，在近似可行概念的基础上，借用非线性单纯形法，提出了三维粘弹塑性位移反分析的可变容差法，经完善，可望解决三峡大坝施工期大坝安全监测和反设计施工的反馈分析问题。     

飞蛾火焰优化算法在承压含水层参数反演中的应用

通过10个典型低维函数对一种新型群体智能仿生算法——飞蛾火焰优化(MFO)算法进行仿真验证,并与粒子群优化(PSO)算法的寻优结果进行对比。以无界井流问题及直线隔水边界附近井流问题的解析解为基础,将MFO算法应用于分析抽水试验数据,进行反演承压含水层参数,并以2个实例对MFO算法进行验证。结果表明:MFO算法在低维函数极值寻优问题上具有较好的收敛精度和全局寻优能力,寻优精度较PSO算法提高了7个数量级以上。MFO算法对2个实例的反演精度较文献改进SA算法等提高了56.5%以上,具有较好的稳健性能、收敛速度和全局寻优能力。利用MFO算法对承压含水层参数进行反演,可获得比相关文献更高的反演精度,不但为精确估计承压含水层参数提供了有效方法,而且拓展了MFO算法在地下水模型参数反演中的应用,具有良好的应用价值和前景。