考虑多重共线性影响的特高拱坝时空监控模型

为了解决特高拱坝时空监控模型中因子数目众多、因子之间存在多重共线性以及各测点之间存在空间关联性的问题,基于大坝变形原型监测资料,采用核独立分量分析(KICA)方法提取独立分量,将多个测点信息转化为少数几个综合指标;将提取的独立分量代入利用灰狼优化(GWO)算法优化的支持向量机(SVM)模型,对特高拱坝空间测点进行回归预测,构建了KICA-GWO-SVM特高拱坝时空监控模型。工程实例分析结果表明,KICA-GWO-SVM特高拱坝时空监控模型与多元回归模型、BP模型及SVM模型相比,其非线性表达能力强且性能良好,能够降低多重共线性对大坝变形监测的影响,对特高拱坝变形序列的拟合与预测精度高,可以更加准确全面地表征大坝整体的时空变形性态。     

基于聚类分区和MO-LSSVR的高拱坝变形预测模型

为解决传统单测点监控模型未考虑多测点间的内在关联,难以反映高拱坝变形区域分布特征的问题,提出了基于聚类分区和多输出最小二乘支持向量回归机(MO-LSSVR)的高拱坝变形预测模型。模型基于测点之间的复合相似性指标,借助层次凝聚聚类(HAC)算法实现空间测点的聚类分区,再利用融合测点关联特性的MO-LSSVR对分区内多测点进行建模。工程实例验证表明,模型聚类分区结果与坝体变形空间分布特征较吻合,具有较高的准确性和稳健性,为从多测点关联维度预测坝体变形和监控大坝整体安全性态提供了一种新方法。     

碾压混凝土坝空间渗流安全监控模型研究

坝体、坝基中的渗流观测点所观测的仅仅是该测点及其附近部位的渗流状况,并不能很好地反映作为空间场形式存在的大坝整体渗流,因此,以渗流水头监测量为研究对象,分别考虑本体和层面水压分量的影响,建立能综合反映大坝渗流空间特性的碾压混凝土坝空间渗流安全监控模型.通过实例证明,该模型具有较高的精度,对碾压混凝土坝渗流监控和预警都有重要的意义.     

基于分数阶模式的高拱坝变形安全监控研究构想

为科学监控服役过程中高拱坝的变形安全,基于高拱坝结构特性和服役特点,在分析分数阶元件模型、混凝土坝物理力学参数反演、混凝土坝变形安全监控发展动态的基础上,依据分数阶建模理论,提出了一种高拱坝变形安全监控研究思路与构想:围绕高拱坝变形性态分数阶数值模拟以及基于分数阶模式的单测点和测点群变形安全监控这两个互相关联的科学问题,沿着“分数阶元件模型→物理力学参数反演→单测点变形安全监控→测点群变形安全监控”的研究主线,遵循“基础到深入、简单到复杂、现象到本质、理论到应用、局部到整体、一维到多维” 的原则开展研究。为实现研究构想,重点需攻克三维高应力状态下高拱坝加速流变效应分数阶元件模型、分数阶元件模型弹性和黏弹性物理力学参数反演,以及高拱坝时效变形分数阶分析模型这3个关键的科学技术问题。     

锦屏一级拱坝黏弹性工作性态反演分析

针对锦屏一级拱坝历年1 880 m高水位稳定期坝体向下游侧位移持续增大的异常变形性态,基于现场位移监测数据和坝体混凝土徐变试验数据,对该拱坝当前运行性态进行了反演分析。结果表明:坝体目前处于黏弹性工作状态,监测发现的短期趋势性变形是由水压荷载作用下黏弹性滞后变形效应和年周期环境温降效应所共同引起。混凝土黏弹性力学参数之间具有较好的线性关系,基于弹性水压分量反演得到的坝体混凝土弹性模量实际是瞬时弹性模量与延迟弹性模量的等效值,对于锦屏一级拱坝,该反演值为35.5 GPa,与前期反演值和试验值较为接近;而基于黏弹性水压分量反演得到的广义Kelvin模型中瞬时弹性模量、2延迟弹性模量和2黏滞系数分别为47.3 GPa、189.4 GPa、132.3 GPa、383.8 GPa·d和20 574.6 GPa·d。建议今后对锦屏一级拱坝建立变形监控模型时,应在HST模型中引入黏弹性滞后水压分量。     

大坝变形空间函数监控模型

对于传统的大坝变形监控模型,温度分量有着欠拟合的现象,对此进行了改进。为了反映大坝整体变形规律,引入空间坐标向量,建立了基于温度分量改进的大坝变形空间函数监控模型。所建的监控模型由于因子较多,因此应用量子遗传算法及逐步回归分析选择了显著性因子并剔除了不显著因子。最后将所建的大坝变形空间函数监控模型应用于某混凝土坝变形监测中,结果显示,所建模型较传统大坝变形监控模型精度高。     

改进温度分量的拱坝变形时空分布模型

通过对混凝土拱坝变形滞后特性的研究,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建立了改进温度分量的拱坝变形监控统计模型。再通过引入空间坐标,考虑变形值在空间的连续性,建立了改进温度分量的拱坝时空分布模型。由于所建立的监控模型因子较多,因此应用粒子群算法和逐步回归分析法进行参数寻优。最后将所建立的拱坝变形时空分布模型应用于某拱坝变形监控中,结果显示:影响因子的个数减少,复相关系数及剩余标准差均优于传统模型,所建立的模型较传统大坝变形监控模型精度更高、拟合效果更好。     

基于PPA-POT的RCCD变形监测控制值拟定方法

在碾压混凝土坝(RCCD)长期服役过程中,变形是能够直观反映大坝工作性态的主要性能参数之一。为了有效监控大坝运行状态,有必要对坝体变形拟定监测控制值。为突破传统单一测点指标拟定的局限性,针对碾压混凝土坝变形空间结构关联分布特性,构建了多测点融合的坝体变形场模型,利用投影寻踪方法(PPA)确定各测点权重,在此基础上,利用POT模型进行监测控制值的拟定。工程应用结果表明了本文方法的可行性与适用性。     

基于融合权重-POT的拱坝变形监控模型

引入极值理论,提出了基于融合权重的POT混凝土拱坝变形监控模型。对于多测点原型观测数据,以融合权重法确定其综合权重,以信息熵理论构建多测点的变形熵,通过POT模型设置一定的阈值,选取变形熵的超限值作为建模对象,利用广义帕累托分布拟合超限数据子样,以失效概率给出大坝变形监控指标。将该方法用于雅砻江流域某混凝土拱坝,工程实例表明,该模型可以得出更加合理的结果,更能反映工程实际。     

混凝土大坝变形监控指标拟定的混合法

针对混凝土坝变形监控指标拟定涉及的材料参数众多且不容易准确获取的问题,考虑到水压分量数值计算涉及的参数相对较少且计算结果相对可靠,采用数值计算-变形统计模型的混合法拟定混凝土坝变形监控指标,即水压分量采用不利水位工况下数值计算值,其它分量则采用不利工况下变形统计模型的分离值或反映非线性效应的分量值,结合某常态混凝土高拱坝,提出了基于混合法拟定混凝土坝变形一级、二级监控指标。分析表明,基于混合法拟定的变形一级监控指标与典型小概率法拟定的监控指标接近但略大,这表明该拱坝目前处于黏弹性工作性态,但混合法拟定的变形一级监控指标考虑的因素更全面,而且材料性能分项系数的引入明确了强度参数的合理取值。     

基于面板数据分析方法的混凝土拱坝变形数据时空聚类模型

变形数据可以直接表征混凝土拱坝安全状况,但传统变形分析一般仅针对单个监测点,不同监测点之间变形的相似和关联性质仍有待挖掘.基于时空数据挖掘领域的聚类方法,分析混凝土拱坝变形序列的变化过程,提取变形序列的相似性特征;提出混凝土拱坝变形数据不同时间截面、不同测点变形序列的绝对距离、增量距离、增速距离3种相似性指标及相应的综...     

Deformation early-warning index for heightened gravity dam during impoundment period

The mechanical parameters of materials in a dam body and dam foundation tend to change when dams are reinforced in aging processes. It is important to use an early-warning index to reflect the safety status of dams, particularly of heightened projects in the impoundment period.Herein, a new method for monitoring the safety status of heightened dams is proposed based on the deformation monitoring data of a dam structure, a statistical model, and finite-element numerical simulation. First, a fast optimization inversion method for estimation of dam mechanical parameters was developed, which used the water pressure component extracted from a statistical model, an improved inversion objective function, and a genetic optimization iterative algorithm. Then, a finite element model of a heightened concrete gravity dam was established, and the deformation behavior of the dam with rising water levels in the impoundment period was simulated. Subsequently, mechanical parameters of aged dam parts were calculated using the fast optimization inversion method with simulated deformation and the water pressure deformation component obtained by the statistical model under the same conditions of water pressure change. Finally, a new earlywarning index of dam deformation was constructed by means of the forward-simulated deformation and other components of the statistical model. The early-warning index is useful for forecasting dam deformation under different water levels, especially high water levels.     

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。     

基于小波EGM-ISFLA-SVR的大坝变形组合预测模型

为了提高大坝变形监控模型的预测能力,充分挖掘变形实测数据并及时了解大坝的运行性态,提出了一种基于小波EGM-ISFLA-SVR的大坝变形组合预测模型。该模型首先应用小波分析进行去噪,提取变形监测序列的时效分量以及由水压、温度分量组成的综合效应分量。然后,分别运用均值GM(1,1)模型和基于改进的混合蛙跳算法的支持回归机模型对两种序列进行建模和预测。最后,经小波重构得到组合模型。通过工程实例对模型效果加以检验,采用多项指标分别与传统统计模型的拟合精度和预测精度进行对比。结果显示,该模型拟合时具有比统计模型更大的复相关系数和更小的均方差;预测时均方差、平均绝对百分比误差和平均绝对误差均小于统计模型,表明该模型具有更高的拟合和预测精度和更强的泛化能力。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

基于原型监测资料的特高拱坝变形实时风险率模型

混凝土坝风险率分析模型通常基于结构极限状态功能函数对单个监测点一维时间序列建模,未考虑变形监测点之间的相关性及多重共线性问题。基于原型监测资料,考虑各分区所有测点的相关性及不同分区变形之间的协同性,引入面板数据理论对特高拱坝监测点进行聚类分区,在拟定单测点风险率函数的基础上,提出计算特高拱坝变形分区单测点实时风险率的方法,基于Copula函数进一步构建基于原型监测资料的特高拱坝整体实时风险率分析模型。实例分析表明,所构建的模型确定了依据大坝长序列立体监测数据建立变形实测效应量与风险率的函数关系,可有效分析特高拱坝各分区变形风险率及整体变形风险率,能够客观刻画特高拱坝整体风险率变化的基本规律。