根据历史位移预报大坝变形的神经网络方法

根据东江大坝变形水平位移实测数据分别建立统计模型和神经网络模型，以历史位移值作为参数来进行预测、预报，与采用变形因子作参数不同。实践表明，根据历史位移值来预报大坝变形是可行的，在预报精度方面，神经网络模型比统计模型得到的结果稍优。     

基于L-M BP神经网络的混凝土坝弹性参数反演

基于人工神经网络方法,根据实测位移资料反演坝体混凝土和坝基岩体弹性模量,可以不必将荷载对坝体和坝基的作用效应分离开来。基于L-M算法的BP神经网络在训练过程中同时利用目标函数的一阶和二阶导数,且训练中利用全部样本的信息进行网络权值及偏差的修正,因此,较基于梯度法的经典BP网络有更好的收敛速度及精度。计算结果表明,应用L-MBP神经网络反演混凝土坝弹性参数,具有精度高、速度快的优点。     

大坝安全监控模型中灰参数的识别

在对大坝的观测数据建立模型时，模型本身是不确定的，模型的输入也 是不确定的。文中从灰色系统的基本原理出发，对显式结构模型的灰参数进行了识别，确定 了灰参数的中点值和半径值，然后利用获得的灰参数的中点值和半径值对观测数据进行了预 测，给出了预测值的中点值和变化范围。     

改进的模糊神经网络模型在大坝弹性参数反演中的应用

通过对经典BP网络算法的改进,引入迭代步长优化的自适应规则,有效地避免了迭代解的振荡问题,提高了收敛速度。工程实例应用表明,基于模糊神经网络模型反演参数的方法具有精度高、收敛快等优点。     

BP神经网络在大坝位移监测中的应用

利用BP神经网络模型较强的非线性处理能力特性,以水位、温度和时效作为输入层,大坝位移为输出层,建立BP神经网络模型对龙滩大坝的位移监测数据进行模拟和预测,并将拟合值、预报值和实测值进行对比分析,结果表明:BP神经网络模型对大坝位移拟合效果较好,预报值精度较高,具有一定的参考应用价值。     

云峰大坝变形增大原因分析

１９９６年１１月至１２月期间，云峰水力发电厂观测班发现云峰大坝挠度及水平位移观测值出现异常，其值超过了１９８６年１１月发生的历史最在值，文中对云峰大坝冬季坝体水平位移增大的原因进行了分析，结果表明，大坝位移增大是由于低温高水位及气温与水温相差较大等因素综合影响造成的。     

云峰大坝变形增大原因分析

１９９６年１１月至１２月期间，云峰水力发电厂观测班发现云峰大坝挠度及水平位移观测值出现异常，其值超过了１９８６年１１月发生的历史最大值。文中对云峰大坝冬季坝体水平位移增大的原因进行了分析，结果表明：大坝位移增大是由于低温高水位及气温与水温相差较大等因素综合影响造成的。     

基于MATLAB的Elman神经网络在大坝位移预测中的应用

根据MATLAB的Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了一种利用：Elman神经网络建立大坝位移预报模型的方法。通过实例比较Elman模型与BP模型的预测效果,结果表明,所建立Elman神经网络模型不仅收敛速度快,且其预测精度高于BP网络模型。利用MATLAB神经网络工具箱能使工作者从繁琐的编程中解脱出来,有效的提高工作效率。     

云峰大坝溢流面补强设计

云峰大坝溢流坝面经二十多年的运用出现了破坏，破坏深度１０￣２０ｃｍ，面积占整个溢凡面的３２．１７％，补强采取了将溢流坝面旧混凝土挖除３０ｃｍ，再浇筑５０ｃｍ厚的新混凝土。     

云峰大坝垂直位移上抬分析

云峰大坝是一座运行了近三十年的老坝,1974年以来的观测资料分析表明,坝顶存在着垂直位移上抬的不可逆变形,本文从几个方面分析了可能产生上抬的原因,目的在于为大坝的运行管理和控制上抬起到参考作用.     

基于遗传算法和神经网络的结构损伤识别研究

应用遗传算法来优化神经网络的连接权值,在此基础上提出了基于遗传算法和神经网络的结构损伤诊断方法,并以一个矩形截面简支钢梁的损伤识别为例,进行了实例应用研究。该方法弥补了传统的BP神经网络收敛速度慢,易陷入局部极小点等缺陷。研究结果表明遗传算法和神经网络结合后兼有神经网络广泛的映射能力和遗传算法快速的全局收敛性能。     

基于神经网络模型的某大坝混凝土弹性模量时变规律反演分析

基于人工神经网络的非线性映射特性，在三维有限元计算的基础上，结合大坝原型观测资料，提出了大坝参数时变规律的反演方法。以某混凝土重力坝的原型观测资料为例，利用该方法反演得出了该坝坝体混凝土弹性模量的变化规律。结果表明该方法是切实可行的，可应用于分析评价大坝材料参数的变化。     

构皮滩混凝土双曲拱坝坝体温度仿真计算与分析

采用三维有限元法对构皮滩混凝土双曲拱坝坝体温度进行计算,坝体个别坝段最高温度高于设计允许温度,中期通水冷却结束后坝体温度均降低到了冬季允许的最高温度22℃以下,后期通水冷却结束后坝体温度降低到了接缝灌浆温度,验证了温控措施的可行性。     

基于演化程序的混凝土徐变参数识别

  根据演化程序的思想,提供了辨识混凝土徐变模型参数的一种新方法,即将徐变计算公式中的参数识别问题转化成一个优化问题用演化程序求解。利用演化程序特点,染色体采用实数表达方式,从多个初始点开始并行寻优,遗传过程包含了非均匀变异、算术杂交和简单杂交算子,避免算法过早收敛于局域最优,使优化的效率得到提高。据此编制程序对实际工程混凝土徐变试验数据进行参数辨识,结果表明该方法所得参数与试验值吻合较好,其精度高于用传统优化方法所得的结果,且收敛速度快、编程简单、易于实现,适合处理类似混凝土徐变等复杂问题的试验数据拟合,特别是多参数的辨识。     

大广坝混凝土坝坝顶变形自动化监测规划及相关问题

总结过去对自动化监测系统设备的运行经验,结合大广坝坝区的实际情况,指出大广坝混凝土坝变形自动化监测近期规划中易于实现的观测项目,并对规划项目中的相关问题进行探讨。     

寒冷地区混凝土面板堆石坝垫层的设计

对于寒冷地区的钢筋混凝土面板堆石坝，应根据水库运行特征分区考虑垫层的设计．冬季水位以上区域重点考虑防冻涨问题；水位以下区域考虑垫层的基础及防渗两种功能协调共同发挥作用的问题．对于寒冷地区，垫层宽度的选择是造价、可靠性和施工进度要求的综合考虑结果．施工方法也是设计寒冷地区面板坝时必须考虑的主要因素之一．     

水布垭面板堆石坝渗流场分析和分区材料允许比降设计指标研究

 采用饱和非饱和非稳定渗流模型对水布垭面板堆石坝在正常运行、面板局部缺损和面板失效等工况下的渗流场进行了较全面的模拟计算,分析了大坝各分区的水头和比降的分布,确定了垫层、过渡区和主堆石区可能出现的最大比降。这种最大比降对坝体渗透稳定性具有控制意义。据此提出了分区材料允许比降设计指标的建议值,为评价面板堆石坝分区之间水力过渡合理性和渗透稳定性提供了依据。     

滩坑水电站混凝土面板堆石坝筑坝施工综述

滩坑面板坝采用了一些新的筑坝施工理念,采用抛石挤淤工法,实现基坑深覆盖层坝基开挖快速施工;汛期适当提高坝体填筑高程,在坝面高差处设置超径石保护,经多次过流坝面冲刷少;坝体填筑超高值,下游坝体反抬加高填筑,较好地控制了坝体变形。大坝安全监测结果表明,坝基沉降量小;施工期及蓄水后坝体沉降均匀,水平位移小,大坝施工质量良好。     

基于卷积神经网络的大坝安全监测数据异常识别

为了减轻大坝安全监测数据异常识别的数据处理压力,解决传统方法难以辨别非最值异常点的问题,提出利用卷积神经网络(CNN)识别大坝安全监测数据异常模式.监测数据过程线的周期性及异常值的显著差别使CNN得以发挥图像分类功能,分别将存在单个突跳点、无异常、存在震荡段、台阶、多个突跳点、台坎的监测数据过程线作为6类图像,人工生成...     

Cascade Correlation Artificial Neural Networks for Estimating Missing Monthly Values of Water Quality Parameters in Rivers

Three layer cascade correlation artificial neural network (CCANN) models have been developed for the prediction of monthly values of some water quality parameters in rivers by using monthly values of other existing water quality parameters as input variables. The monthly data of some water quality parameters and discharge, for the time period 1980–1994, of Axios river, at a station near the Greek – FYROM borders and for the time period 1980–1990, of Strymon river, at a station near the Greek – Bulgarian borders, were selected for this study. The training of CCANN models was achieved by the cascade correlation algorithm which is a feed-forward and supervised algorithm. Kalman's learning rule was used to modify the artificial neural network weights. The choice of the input variables introduced to the input layer was based on the stepwise approach. The number of nodes in the hidden layer was determined based on the maximum value of the correlation coefficient. The final network arhitecture and geometry were tested to avoid over-fitting. The selected CCANN models gave very good results for both rivers and seem promising to be applicable for the estimation of missing monthly values of water quality parameters in rivers.