高混凝土坝长期变形特性计算模型及监控方法研究进展

我国高混凝土坝工程在数量、高度和规模方面均位居世界前列,其长期安全性是社会关注的焦点。变形是混凝土坝结构性态的综合反映,尤其是长期变形,是评价大坝结构性态转异和长效服役健康状况的重要指标。在对我国混凝土坝工程建设现状和混凝土坝变形效应诱发事故进行阐述的基础上,评述了高混凝土坝坝体混凝土徐变特性、坝基岩体蠕变特性等计算分析,以及高混凝土坝长期变形安全监控与预警等的模型、方法研究现状。认为今后应加强多因素协同作用下混凝土坝结构性能演变、多场耦合作用下结构长期变形性态、补强加固措施提升性能等方面的深入研究,以确保高混凝土坝长效服役的安全性。     

混凝土坝碱骨料反应模型及其长期运行分析

本文建立了混凝土坝长期运行碱骨料反应模型。该模型考虑碱骨料化学反应与力学的耦合作用,碱骨料化学反应动力学考虑温度、相对湿度的非均匀分布和混凝土应力状态的影响,混凝土的力学行为包括弹塑性损伤和长期蠕变效应。采用该模型分析了受碱骨料反应作用的法国Temple-sur-Lot闸坝长期运行性态,计算得到的坝体变形与实测结果吻合良好,损伤开裂情况也与实际裂缝分布接近。因此,该模型适用于分析和预测遭受碱骨料反应病害的混凝土坝长期运行的膨胀变形和损伤开裂行为,可为工程修复提供参考。     

基于因子融合的混凝土面板堆石坝变形预测模型

混凝土面板堆石坝变形测值具有高度的非线性和复杂性，变形影响因素众多且因素间存在多重共线性。针对此类坝型的变形预测分析问题，本文提出一种基于因子融合的混凝土面板堆石坝变形预测模型。首先，利用变分模态分解对变形时间序列进行分解，有效降低变形时间序列的复杂程度，提升特征提取效果。随后，借助偏最小二乘回归对变形影响因子进行降维融合，降低自变量间多重共线性对构建模型的影响，提高模型可解释性。最后，通过一维卷积网络融合门控循环单元神经网络对子序列进行重构预测。根据实际工程分析结果，本模型可以在效率和精度上有效提升混凝土面板堆石坝变形预测效果，对类似坝型的变形监测分析具有一定的参考意义。     

融合时变因素的浆砌石坝变形时空混合模型北大核心CSCD

混合模型常被用于大坝变形的整体预测,目前开展的研究主要针对混凝土坝,对于同样数量多且分布广的浆砌石这类非线性材料坝的研究还较少。本文考虑非线性材料坝变形具有的时变特性,通过引入时间量参数及观测点相对坐标,建立对应的水压分量多点统计模型。考虑到引入多参数的水压分量模型系数寻优困难问题,采用改良的粒子群算法(IPSO)加强粒子随机性及交互性,提高模型系数的寻优速度。采用有限元方法(FEM)与卡尔曼滤波(KF)对其进行预测,建立FEMK模型。同时,采用深度学习算法LSTM训练经PCA降维后的温度和时效因子并预测相应变形值。联合构建的FEMK-LSTM-PCA时空混合模型经工程实例验证有较高预测精度,并且可以实现对大坝变形的整体预测。     

混凝土坝位移FEM-HST混合预测模型研究

开展大坝安全监控模型的研究可以对监测异常值进行预警,有助于监测大坝的运行状态,保障其安全运行。本文基于混凝土坝的监测数据,结合有限元（FEM）分析和传统的混凝土坝位移统计分析（HST）,建立混凝土坝长期运行位移FEM-HST混合预测模型,其中水压分量通过有限元计算获得,有限元模型的材料参数根据实际测点监测数据反演得到;温度分量采用简谐温度模型;时效分量采用时间的线性函数和对数函数的线性组合统计模型。所建立的FEM-HST混合模型显著改进了HST模型的预测精度和稳定性,可反映大坝和地基的结构和材料特性,能够更好预测极端荷载工况下大坝的位移,这有助于监控大坝在极端工况下的工作性态。     

软弱岩体对西龙池上库1#副坝应力变形的影响分析

西龙池抽水蓄能电站上库1#副坝为沥青混凝土面板堆石坝,坝址地质地形复杂,有软弱岩层出露。本文采用E-B模型和Bursers粘弹性模型分别模拟堆石材料和沥青混凝土材料的应力应变关系,对该坝进行二维及三维应力变形有限元分析,计算结果较合理地揭示该坝在施工和蓄水过程中的受力和变形性状。本文对改善面板变形的两种软弱岩体开挖处理措施的效果作出了数值模拟和合理评价,为设计提供了参考。     

土质心墙土石坝变形协调控制发展与展望

回顾了高心墙坝历史上出现的心墙渗透破坏和水力劈裂、坝顶纵向裂缝等主要事故,探讨了事故的可能原因,提出了注意岸坡基岩约束、快速蓄水的影响及严格控制坝壳密度等变形协调控制要求。分析了心墙坝变形协调有关的相互作用及其三维特性和长期特性,提出了岸坡约束差异变形水力劈裂机理和顺岸坡变形协调性判据。总结了心墙坝变形协调控制的认识转变、预测能力和控制手段发展过程,梳理了变形协调控制要求由表面沉降变形协调向表面沉降协调和内部沉降变形协调联合过渡,再从空间变形协调向长期空间协调发展的技术脉络,对进一步技术发展作出了展望。     

基于实时监控的碾压混凝土VC值变化量预测模型研究

碾压混凝土坝施工气候是造成碾压混凝土VC值(vibrating-compacted value,单位:s)变化的主要因素之一,建立考虑施工气候参数影响的碾压混凝土VC值变化量的预测模型,对于保证碾压混凝土坝施工质量,具有重要的理论意义。本文依托碾压混凝土坝施工气候信息实时监控技术,提取碾压混凝土坝施工气候参数值(温度、相对湿度以及风速),通过现场检测获得了对应的VC值变化量,采用多元回归分析方法,分析施工气候参数与VC值变化量之间的多元映射关系,建立VC值变化量的预测模型。该模型可以对施工现场碾压混凝土VC值的变化量进行实时预测,反馈指导施工管理人员采取相应措施修改VC值,为碾压混凝土坝质量控制提供新的途径。     

土质心墙土石坝变形协调控制发展与展望

回顾了高心墙坝历史上出现的心墙渗透破坏和水力劈裂、坝顶纵向裂缝等主要事故,探讨了事故的可能原因,提出了注意岸坡基岩约束、快速蓄水的影响及严格控制坝壳密度等变形协调控制要求。分析了心墙坝变形协调有关的相互作用及其三维特性和长期特性,提出了岸坡约束差异变形水力劈裂机理和顺岸坡变形协调性判据。总结了心墙坝变形协调控制的认识转变、预测能力和控制手段发展过程,梳理了变形协调控制要求由表面沉降变形协调向表面沉降协调和内部沉降变形协调联合过渡,再从空间变形协调向长期空间协调发展的技术脉络,对进一步技术发展作出了展望。     

西龙池下库沥青混凝土面板堆石坝的应力变形分析

西龙池抽水蓄能电站下库大坝为沥青混凝土面板堆石坝，坝址地质地形条件复杂。本文采用沈珠江双屈服面模型和Burgers粘弹性模型分别模拟堆石材料和沥青混凝土材料的应力应变关系，对该坝进行二维及三维应力变形有限元分析。计算结果较合理地揭示该坝在施工和蓄水过程中的受力和变形性状。本文对面板计算参数进行了敏感性分析，重点研究覆盖层不均匀沉降对面板变形的影响，并对改善面板变形情况的工程措施进行了模拟计算和可行性分析。     

特约文章：高混凝土坝长期变形特性计算模型及监控方法研究进展

The total number, maximum height and engineering scale of concrete dams in China rank the first in the world, and their long-term safety is a focus of public attention. Deformation is a comprehensive performance of concrete dam structures, especially the long-term deformation, a key index for evaluation of the structure behaviors, health status, and their evolution of a dam in long-term service. This paper summarizes the state of arts in creep calculation models for dam concrete and foundation rock and in the methods and models for safety monitoring and early warning of high concrete dam long-term deformation, based on analysis of the latest construction of concrete dams in China and concrete dam failures caused by long-term dam deformation. To ensure the safety of concrete dams in long-term service, future studies should focus on three issues: evolution of structure performances under the coupling effect of multi-factors, long-term structure deformation behaviors under the coupling effect of multi-fields, and evaluation of performance improvement under reinforcement measures.     

基于时序分解与深度学习的堆石坝变形预测

堆石坝变形监测数据是一种时间序列数据,可以用时序预测模型挖掘其规律并进行预测。本文利用时序预测模型提出一种堆石坝变形预测方法,该方法首先采用时间序列分解（seasonal-trend decomposition procedure based on loess,STL）将堆石坝变形监测数据分解为趋势项、周期项和不规则波动三部分,再使用经验模态分解（empirical mode decomposition,EMD）对不规则波动平稳化处理,最后利用长短期记忆网络（long short-term memory,LSTM）预测分解后的序列,并利用贝叶斯优化方法进行超参数优化。为评估该方法的预测效果,以水布垭面板堆石坝为例,通过控制训练时长、预测时长、离群值数目等变量进行多组仿真实验,并与其他时序预测模型对比。结果表明该方法预测精度较高,适用性较广,对于堆石坝的性状评估具有一定的应用价值。     

耦合时空相关特性的大坝变形动态监控模型

大坝变形性态是多种因素长期共同作用的结果,其演变模式包括时间和空间两个维度。然而,当前大坝变形智能建模较少综合考虑时空二维特征,原型观测资料中蕴含的大量时空信息亟待进一步挖掘。针对该问题,本文从单测点时序相关性和多测点空间关联性出发,提出构建一种耦合时空两个维度相关特性的大坝变形动态监控模型。该模型将门控循环单元（gated recurrent unit,GRU）神经网络作为核心层,建模学习历史变形数据内在时变规律,通过迭代提取有效变形因子来构造空间维度特征,并引入软注意力机制改进GRU隐藏状态的概率权重分配规则,实现对关键信息的自适应学习。以丰满混凝土重力坝多测点变形监测数据为例,验证了该模型的有效性。结果表明,所提出的监控模型能准确模拟大坝变形动态演变过程,且与常规监控模型相比,其外推预测精度更高,为大坝安全监控提供了新的方法和手段。     

联合时序分解和深度学习的高土石坝变形预测北大核心CSCD

针对高土石坝变形监测时间序列复杂的非线性、非平稳性等特点,提出了一种沉降变形预测的组合方法,可更好兼顾土石坝变形的长期发展趋势和波动特性。利用基于局部加权回归的季节性趋势分解法将变形监测历史数据分为趋势、周期和残差分量;采用长短期记忆神经网络模型分别学习趋势、周期和残差序列趋势特征并预测,汇总各分量预测结果得到大坝位移的预测值。为定量评价和比较预测结果,引入三个评价指标,并将预测结果与季节性差分自回归滑动平均模型、长短时记忆神经网络模型及其组合模型的预测结果进行对比分析。本文联合时序分解和深度学习的组合模型具有更高的预测精度和较好的稳定性,能够较好体现土石坝变形的长期趋势和随水位的波动特性。     

溪洛渡拱坝内部温度预测的串并混联融合模型

准确、可靠、高效地预测反映大坝工作性态的关键变量对大坝安全建设与运行具有重要作用。本文针对大坝全过程温度场分析预测问题,构建了机理与数据驱动的串、并混联式融合模型,以溪洛渡大坝工程为例对大坝内部温度进行了预测建模。在串联融合中,采用营地链方法及主成分分析的辅助技术对大坝材料的热传导系数进行反演分析,以获得经参数优化后的机理模型响应输出。在并联融合中,利用解释因子法以及线性-高斯模型,建立了从优化的机理模型到实际监测数据的预测模型。试验表明,解释因子串并混联融合模型受益于机理模型的解释能力及线性-高斯模型的预测优势,可对测试数据的波动做出较准确的预测,并具中长期预测优势。串联模型相对于原始机理模型的整体预测误差缩减了13%,串并混联模型相对于串联模型的预测误差缩减了81%。     

大坝变形预测的最优因子长短期记忆网络模型

面对海量的大坝安全监测数据,快速合理地确定大坝变形预测模型的变量因子能够有效提高模型预测的效率和精度。为此,本文提出一种基于最小绝对值收缩和选择算子（least absolute shrinkage and selection operation,LASSO）变量选择和长短期记忆（long short-term memory,LSTM）网络的大坝变形预测模型。首先,通过大坝变形机理分析确定影响大坝变形的相关影响因子集。然后,通过LASSO算法剔除不显著的因子,筛选出最优影响因子作为模型输入变量,并利用LSTM网络建立大坝变形预测模型。最后,以皂市水利枢纽工程的碾压混凝土重力坝为例,对本文方法进行了验证和讨论。结果表明,本文方法具有较高的预测精度,其平均绝对误差（MAE）、均方误差（MSE）与均方根误差（RMSE）均相对较小;与常规预测模型相比,基于LASSO算法的变量选择使模型建立过程更加简单高效,有利于海量监测数据的处理分析。     

联合聚类方法和深度学习的混凝土坝变形预测

混凝土大坝变形预测对其安全运行具有重要意义,针对传统分析方法难以捕捉长期序列时序特征从而导致预测精度较低的问题,本文采用麻雀优化算法（SSA）和K调和均值算法（KHM）相结合对监测值进行聚类以捕捉序列时序特征,然后采用自适应噪声完备集合经验模态分解（CEEMDAN）等方法对聚类结果进行降噪处理,最后采用长短期记忆（LSTM）模型对序列进行预测。分析结果表明,本文所提出的聚类方法具有较好的长序列特征识别能力,结合基于CEEMDAN分解方法去除序列中存在的冗余信息,从而使LSTM模型能够更好地捕捉变形值的时序特性,进而提高预测精度。所提模型具有较好的精度和适应性,可为大坝变形预测提供一种有效方法。     

混凝土坝长效服役性态健康诊断研究述评

通过对长期服役的混凝土坝工作性态健康诊断,有助于选择合适的风险管控措施,保障混凝土坝安全运行.在阐述我国混凝土坝病险隐患的基础上,总结了混凝土坝健康诊断的作用,论述了混凝土坝安全监测和现场检测技术、诊断模型、结构计算及模型试验等关键理论、方法与技术的研究进展.认为今后应加强数据驱动的混凝土坝安全性态时空演变特征提取、可...