分段法监控滩坑大坝渗流量

土石坝坝后量水堰测值是反映大坝渗流状况的重要监测量,然而该值易受客水干扰,特别是在降雨影响下,测值不能直接反映大坝的渗流状况,将影响大坝的结构安全评判结论.结合滩坑大坝渗流量实测数据,采用统计回归和LSTM方法,构建渗流量预报模型,可以较好地应用于不同降雨过程影响下的大坝渗流量预测预报.     

基于GAMLSS-GLO及随机森林算法的土石坝渗流监测模型

根据土石坝渗流原型观测,厘清水位、降水等因素的影响,模拟大坝渗流的真实状态,合理评估其渗流监测结果,是土石坝安全监控亟待解决的关键问题。基于此,根据数理统计原理,采用随机森林算法构建无降水条件下渗流量与上下游水位的回归模型;考虑渗流量受前期累积降水的综合影响,引入广义可加模型（GAMLSS-GLO）,模拟降水影响下土石坝渗流监测值的波动区间,并将其与渗流-水位回归模型叠加,预测土石坝渗流监测的可靠区间;最后,将该方法应用于糯扎渡心墙堆石坝的渗流监测。结果表明：所提模型方法对渗流的水位、降水响应表现出良好的适用性,显著提高了渗流模拟预测质量。同时求解了渗流量置信区间,有利于土石坝的运行工况判断及安全监控。     

NARX在土石坝渗流预测中的应用

渗流监测是掌握大坝安全性态的重要手段,针对土石坝渗流压力存在滞后于库水位的特点,引入具有延时输入特性的带外源输入的非线性自回归神经网络(Nonlinear Auto-regressive with Exogenous inputs neural network, NARX)实现土石坝渗压的有效预测。以某一水库大坝为例,将历史某时段的库水位和降雨等影响因子作为输入序列,渗压测值作为输出序列,分别建立NARX网络多因子和单因子模型进行拟合训练和多步预测,并将预测结果与传统回归模型和传统BP神经网络进行对比。研究结果表明,在RMSE、MAE、MAPE 3种精度指标下,NARX模型均优于2种传统模型。其中,在单因子条件下,NARX仍具有良好的表现。NARX的延迟输入特性可在一定程度上模拟坝体水流渗透的滞后性,对于土石坝的渗压预测具有良好的应用效果。     

基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究

渗压监测是土石坝渗流安全评价的重要内容之一。由于渗压受到诸多外界因素的影响,测点的渗压值时间序列往往存在非平稳性、局部突变等特点,为此基于“分解-重构-组合”的思想构建了土石坝渗压预测的EEMD-LSTM-ARIMA模型。首先采用集合经验模态分解(EEMD)对时间序列特征进行提取,根据长短期记忆神经网络(LSTM)对提取出的特征分量进行预测,同时结合差分自回归移动平均方法(ARIMA)进行残差修正,组合LSTM和ARIMA的预测结果,重构得到改进预测模型。以某深厚覆盖层上的土石坝工程为例,选取主河床坝体防渗墙后2个典型测点的实测渗压值序列为研究对象进行应用验证。结果表明：相较于单一的LSTM模型和ARIMA模型,改进模型的平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中的最小值,预测精度明显优于另外2种模型,该模型为土石坝渗压的精确预测分析提供了新途径。     

基于关联规则的土石坝渗流推理预测方法及应用

将关联规则算法引入到土石坝渗流的预测中,并建立预测模型。首先将渗流量和上游水位、降雨量、下游水位等组成事务组,利用K-means算法对实测数据进行预处理,然后通过Apriori算法进行频繁项集的挖掘,产生强关联规则,最后将强关联规则用于渗流量的预测。本模型可以较好的解释影响渗流变化的内在原因,将本预测模型应用于某土石坝工程中,结果表明该模型具有较好的精度。     

基于组合赋权-TOPSIS土石坝渗流安全等级评价

根据资料收集选取土石坝渗流量、渗透坡降等8个定量因素作为土石坝渗流风险评价的指标,使用粗糙集改进层次分析法组合赋权的方法获取各评价指标客观权重.建立组合赋权-TOPSIS评价方法,对6个土石坝进行渗流风险评价预测,获取土石坝渗流安全风险等级.与现场调查情况相比结果一致.研究表明:该方法对土石坝渗流风险评价准确便捷,可用于快速评价土石坝渗流风险等级.     

基于麻雀搜索算法和滞后效应的土石坝渗流监控模型

针对渗流滞后效应对土石坝渗流监控模型精度的影响问题,考虑不同滞后效应下库水位和降水量对土石坝渗流影响的差异性,分别引入正态分布函数和瑞利分布函数定量描述库水位和降水量对土石坝渗流滞后影响,构建了考虑滞后效应的土石坝渗流监控模型,并采用麻雀搜索算法求解模型滞后效应参数和回归系数的最优值。以某心墙土石坝为例,对比分析了考虑不同滞后效应及未考虑滞后效应的渗流监控模型的精度,结果表明,本文构建的渗流监控模型精度较高,更接近实际情况,能定量评价土石坝渗流的滞后效应,可用于土石坝渗流健康监测和安全性态评价。     

基于多种学习方案LSTM的信江流域径流预测

长短期记忆神经网络(LSTM)在径流预测中具有广泛应用,不同的输入使神经网络具有不同的学习方案,从而影响到模型性能。设置3种不同的LSTM学习方案,以前期径流预测当日径流(方案一)、以前期降雨预测当日径流(方案二)和以前期径流和前期降雨预测当日径流(方案三),比较其在相同模型结构下对信江流域丰水期和枯水期径流预测的性能。结果表明,丰水期和枯水期时方案三拟合度最高,平均绝对误差为0.012 6和0.007 6,纳什效率系数为0.94和0.96,对于信江流域基于LSTM的日径流预测,应当将前期降雨与前期径流结合起来作为模型输入。研究对基于数据驱动的径流预测输入集数据的选取有参考价值。     

基于LMBP神经网络的土石坝渗流压力预测

渗流压力是反映大坝工作状态的重要物理量,对渗流压力进行预测分析可以及时了解大坝渗流状况和趋势。为克服标准BP算法收敛速度慢、泛化能力弱和计算量大等不足,引入LM算法优化标准BP神经网络的权值和阈值,提高BP神经网络对土石坝渗流压力的预测效果。根据渗流分析,给出了渗流压力的统计模型,由统计模型选取上下游水位、降雨和时效作为神经网络输入层因子,以渗流压力作为输出层因子,建立了3层LMBP神经网络大坝渗流压力预测模型。利用MATLAB进行了多组仿真试验,确定了使本次渗流压力预测效果更好的训练样本数据量区间。以渗流压力实测数据及同期库水位和降雨资料作为训练样本,在选取适当数据量的训练样本的基础上,运用LM算法对BP网络进行训练,利用测试样本对训练好的神经网络进行测试。将同结构的LMBP神经网络和标准BP神经网络应用于某土石坝渗流压力的预测中,应用结果表明,LMBP神经网络收敛速度更快、拟合和预测精度更高,在土石坝渗流压力分析和预测应用方面是可行的。     

LSTM变体模型在径流预测中的性能及其可解释性

基于湘江流域1999—2013年实测水文气象数据,采用LSTM模型和其变体模型研究多个预见期下不同输入变量和不同模型结构对径流预测结果的影响,评估LSTM模型及其变体模型在短期径流预测中的性能,基于排列重要性法和积分梯度法探究了LSTM模型对流域径流预测的可解释性。结果表明：在历史径流输入数据的基础上增加有效的水文气象变量输入,可以明显改善模型的预测效果,输入变量的改变比模型结构的差异对预测结果的影响更大;随着预见期的增大,降水数据的加入对预测效果表现出不同程度的提升,预见期为1 d时,预测结果的纳什效率系数(NSE)提升2.0%,预见期为2～4 d时,NSE提升可达13.6%;降水和历史径流在预测中起着重要的作用,而前期湿润条件与降水事件的共同作用是湘江流域洪水的主要诱发因素;LSTM模型可反映两种不同的输入输出关系,这两种关系对应于近期降雨和历史降雨两种洪水诱发机制。     

边坡渗流与坡面径流联合求解三维有限元模型

强降雨特别是暴雨常常诱发边坡失稳。边坡渗流场的模拟是准确评价边坡稳定性的前提,然而强降雨条件下的渗流场与坡面径流相互影响,十分复杂。为准确模拟此时边坡水分的运移过程,建立边坡渗流与坡面径流联合求解三维有限元模型。模型采用Richards方程描述边坡饱和-非饱和渗流过程,采用运动波方程描述坡面径流过程;分别采用有限元和特征有限元建立渗流和径流控制方程的有限元格式;以边坡渗流场和坡面径流场之间的交换流量为联系(但不计算流量),将2组有限元方程相加而消去交换流量,从而构建边坡渗流与坡面径流联合求解模型;若坡面产流,则根据坡面径流场修正入渗边界流量。对简单边坡降雨入渗进行数值模拟,对比了该方法与Geo-Seep所得结果,表明当上段边坡渗透性相对下段边坡较小,且上段边坡产流而下段边坡未产流时,该方法所得的累积入渗量更加符合实际情况。     

基于神经网络的渗流模型

通过对土石坝渗流的成因分析，应用人工神经网络原理，综合某土石坝的实测资料建立了渗流监控模型。由于该模型具有再学习能力，所以在应用过程中，可以用新的观测资料对模型进行不断地学习训练，以提高模型的精度。     

基于组合赋权-云模型土石坝渗流安全风险模糊综合评价

文章选取土石坝渗透坡降、渗流量等12个定量因素作为开挖边坡稳定性的评价指标,使用组合赋权的方法获取各评价指标权重,使用云模型获取各指标的云模型参数。通过建立组合赋权-云模型评价方法,对5个土石坝进行评价预测,获取渗流安全风险情况,结果与现场实际情况相符合。研究表明:该方法对土石坝渗流风险评价方便快捷,具有一定的客观性,可用于指导工程实践。     

基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明：所构建的模型可以有效提高水文预报的精度。     

基于神经网络的土石坝渗流监控模型

通过对土石坝渗流的成因分析，应用人工神经网络原理，并结合某土石坝的实测资 料建立了渗流监控模型。由于该模型具有再学习能力，所以在应用过程中，可以用新的观测 资料对模型进行不断地学习训练，以提高模型的精度。     

复合土工膜防渗土石坝渗流仿真分析

为评价采用复合土工膜防渗土石坝的防渗效果,以某水库复合土工膜土石坝工程为例,建立了该土石坝的三维有限元模型,并基于分析确定的土工膜当量渗流系数取值,开展了该复合土工膜土石坝的渗流仿真分析。计算结果表明:复合土工膜防渗土石坝坝体渗流量为9.46×10-7m3/s·m,坝基渗流量为1.71×10-4m3/s·m,渗流出口比降0.1224,允许比降为0.10~0.20。计算发现复合土工膜具有良好的防渗效果,验证了该土石坝采用复合土工膜防渗的合理性,可为类似复合土工膜防渗土石坝工程提供借鉴。     

基于安全监测成果的硗碛土石坝渗流稳定分析

土石坝的渗流稳定对于土石坝的安全运行起着至关重要的作用。根据实测渗流渗压监测成果,运用多种分析方法,研究了硗碛砾石土心墙土石坝的渗流渗压分布特征及发展变化规律。心墙消减水头作用显著,防渗效果良好;河谷防渗墙与两岸防渗帷幕后最高渗压水位与库水位相差90 m以上,水位折减效果明显,坝基防渗体系防渗效果较好;两岸绕坝渗流水位变幅很小,多数测孔长期处于干孔状态,绕坝渗流现象不明显;大坝最大渗流量为19.1 L/s,多年平均渗流量9.44 L/s,远低于设计值,且呈逐年减少趋势。分析成果表明:由心墙、防渗墙、帷幕组成的坝体坝基防渗体系防渗效果良好。     

改进的土石坝GACO-BP渗流监控模型研究

为克服标准BP算法训练效率低、易陷入局部极值等不足,引入遗传蚁群混合算法(GACO),并对其混合时间和信息转换的计算方法进行改进,利用改进后的算法优化标准BP神经网络的权值和阈值,对土石坝的渗流压力进行监控。以某土石坝为例,利用GACO-BP神经网络监控模型以测压管水位为指标对其渗流压力进行预测,将预测结果与同结构的经典BP神经网络预测结果进行对比发现,GACO-BP神经网络模型在训练速度和预测精度上明显更好,在土石坝渗流压力预测和分析方面具有较好的实用性。     

卫星降雨数据与地面站点资料在水文模型中的融合应用

地面站点观测的降雨资料可以代表站点附近的降雨真实情况,具有单点高精度观测优势;卫星降雨数据则具有空间分配观测优势,对雨量空间分配规律刻画较准确,但精度不如地面站点观测值。以南流江流域为例,通过将卫星降雨数据与地面站点资料融合应用到水文模型中,以融合后的降雨数据驱动新安江模型得到的径流过程与水文站实测流量过程吻合程度有明显改善。可见将卫星降雨数据与地面站点资料相融合,可弥补地面站点分布不均匀的问题,保证降雨数据更好反映实际降雨特征,在水文模拟中具有很好的应用价值。     

库水位骤降条件下均质土石坝渗流稳定分析

本文基于Van Genuchten非饱和渗流模型综合分析了土石坝饱和一非饱和渗流,以工程实际为例,研究了水位骤降工况下土石坝渗流稳定问题.结果表明:库水位骤降工况下,上游水位的变化对坝体渗流量的影响较大;库水位急剧降落易使浸润线形成逆向渗流形态,并造成土石坝坝坡稳定性的降低,但是当孔隙水压力消散时间足够长时,上游坝坡稳定性有一定程度的提高.