共查询到20条相似文献,搜索用时 15 毫秒
1.
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。 相似文献
2.
针对大坝变形时间序列预测问题,考虑多测点变形相关性,建立变形量时空多维输入矩阵,提出一种基于K-means聚类融合多元时空信息的Informer-AD大坝变形预测模型。首先,采用K-means聚类对变形测点进行分区;其次,引入面板数据回归模型分析分区结果;最后,提出融合多元时空信息的Informer-AD大坝变形预测模型。利用该模型对空间特征序列进行学习,通过全连接层整合空间特征,输出预测的大坝变形值。将上述预测模型运用于CT混凝土重力坝,结果表明,本文所提出的考虑时空关联性的预测方法充分挖掘大坝变形整体性态与测点空间分布特性的关系,能够更好地捕捉变形时空特性,进而提高预测精度。 相似文献
3.
4.
当前堆石坝变形智能预测模型较少关注多测点变形时间序列在时空特征上的不均衡性,因此限制了变形预测精度的进一步提高。为了解决该问题,本文提出了一种结合卷积神经网络、注意力机制和长短期记忆神经网络的堆石坝变形预测模型(CTSA-Conv LSTM),该模型可以提取变形时空特征,对不同时刻和不同位置的测点赋予不同的权重系数,实现对堆石坝整体变形规律的自适应学习。以水布垭面板堆石坝为例,采用该模型和最大断面所有测点的变形监测数据,验证了模型的有效性。模型预测效果优于Holt-Winters等常规时序预测模型,预测精度也优于笔者提出的基于LSTM的变形预测模型。通过深度学习提取监测数据时空特征,进一步提高了大坝变形预测精度,为大坝安全监控模型提供了新的思路。 相似文献
5.
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。 相似文献
6.
构建高精度的变形预测模型对于大坝风险评估及防治措施制定具有极其重要的意义。传统的大坝变形预测模型鲜有针对大坝的变形滞后性特点以及变形特征因子的影响性分析与评估,这会对模型的预测精度造成较大的影响,并导致模型缺乏可解释性。针对上述问题,本文提出一种结合时间注意力机制的门控循环单元神经网络(GRU)架构。首先通过卡尔曼滤波(Kalman Filter)对原始大坝变形数据中由于监测器异常导致的随机噪声与异常值进行处理。其次,利用随机森林(RF)对各变形特征因子的重要性进行分析和评估,筛选模型输入的特征因子。最后,针对大坝变形的滞后性,利用时间注意力机制进一步提高GRU模型对时间维度上的动态特征关注度,增强模型对时间维度信息的自适应学习能力,且对时间注意力进行可视化进一步提高了大坝变形预测模型在隐藏状态阶段上的可解释性。通过工程实例研究结果表明,卡尔曼滤波在大坝变形监测中确实存在一定适用性,同时本文所提出的耦合时间注意力机制的变形预测模型有着较高的预测精度,对于预测过程中的隐藏状态层级有较强的解释性,并揭示了温度与水位因素对大坝变形的长期影响,为大坝变形安全监测提供了一种新的有效方法。 相似文献
7.
建立准确可靠的变形预测模型对保证大坝安全运行至关重要,然而现有监控模型难以兼顾海量监测数据的多维度时空关联特性,不能有效反映大坝整体和区域性变形性态。为此,引入考虑测点综合距离的层次凝聚聚类和投影寻踪法,深入挖掘坝体位移场海量监测数据中的关联信息,得到反映分区多测点变形特征的融合变形序列;提出一种由北方苍鹰算法优化的高斯过程回归,以此建立分区多测点融合变形预测模型,并依据拉依达准则构建预测结果的置信区间。结合工程实例,探究了不同核函数对模型预测精度的影响;通过对比分析,验证了本文方法对比几种常规模型具有更高预测精度和适用性,且能对预测结果的可靠程度进行估计,对大坝变形性态的安全监测具有一定工程应用价值。 相似文献
8.
9.
10.
针对大区域输电线路冰区分布图绘制步骤烦琐、模型准确性不高等关键问题,采用贵州地区气象观测站多年逐日气象要素资料进行分析,提取了输电线路覆冰影响相关因素,并运用GIS空间分析方法对各覆冰因子进行关联性验证;根据数据资料建立地形因子数据库;将各相关因子进行栅格化处理,并采用多元回归空间几何分析法对各因子进行分析,在此基础上进行导线覆冰特征划分,建立输电线路覆冰分布模型.本文从冰雪灾害事故的形成机理出发,对各气象因子进行关联性分析,解决了大区域输电线路冰区分布图绘制的关键技术问题;通过建立的模型得到的贵州地区输电线路覆冰分布图,可模拟出贵州地区覆冰分布规律. 相似文献
11.
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。 相似文献
12.
为解决大坝混凝土早龄期拉伸徐变确定困难的问题,本文综合考虑大坝混凝土早龄期水化发展进程和约束状态,采用温度-应力试验技术,测试获得粉煤灰掺量分别为35%和80%掺量的两种大坝混凝土在两种不同温度养护模式下约束试件和自由试件的温度、变形和应力的发展曲线,由此确定两种大坝混凝土的早龄期拉徐变及其发展规律。结合温度-应力试验和绝热温升试验数据,提出变温条件下的改进开尔文模型的大坝混凝土早龄期拉徐变模型,并对模型进行验证。结果表明:粉煤灰掺量为80%的大坝混凝土早龄期拉伸徐变度较大,可减小约束应力的发展,对混凝土早龄期抗裂有利。基于水化发展进程的改进开尔文模型可较好地预测约束状态下大坝混凝土的早龄期拉伸徐变,从而用于其早龄期开裂风险评估。 相似文献
13.
吴斌平岳攀鄢玉玲钟登华刘昊元 《水力发电学报》2016,(9):78-86
大坝变形通常是由于多种复杂耦合因素而致,并且是具有高度的灰色性和模糊性的不确定性系统。由于多因素影响下的大坝变形问题没有确定性数学物理关系公式解决,而组合模型能够充分利用各子模型的有用信息,较单一模型更能够反映大坝变形的复杂性和不确定性,是更为科学预测分析大坝变形的方法。目前国内外学者缺乏对于大坝变形的组合预测模型的研究并且没有考虑时间因素对组合模型权重影响;针对此问题,本文以灰色模糊模型(ANFIS-GM模型)和遗传神经网络模型(GA-BP模型)作为子模型,采用考虑时间影响的神经网络模型作为组合模型权重的求解方法,对大坝变形进行预测。通过西南某心墙堆石坝的实例分析表明:该模型能综合其子模型的优势,获得更高的精度,同时也比未考虑时间影响的最小误差平方和组合模型具有更高的精度,它比最小预测误差平方和组合模型精度平均高10.50 mm。 相似文献
14.
大坝变形通常是由于多种复杂耦合因素而致,并且是具有高度的灰色性和模糊性的不确定性系统。由于多因素影响下的大坝变形问题没有确定性数学物理关系公式解决,而组合模型能够充分利用各子模型的有用信息,较单一模型更能够反映大坝变形的复杂性和不确定性,是更为科学预测分析大坝变形的方法。目前国内外学者缺乏对于大坝变形的组合预测模型的研究并且没有考虑时间因素对组合模型权重影响;针对此问题,本文以灰色模糊模型(ANFIS-GM模型)和遗传神经网络模型(GA-BP模型)作为子模型,采用考虑时间影响的神经网络模型作为组合模型权重的求解方法,对大坝变形进行预测。通过西南某心墙堆石坝的实例分析表明:该模型能综合其子模型的优势,获得更高的精度,同时也比未考虑时间影响的最小误差平方和组合模型具有更高的精度,它比最小预测误差平方和组合模型精度平均高10.50 mm。 相似文献
15.
拱坝变形性态是多因子耦合共同作用的结果,具有时空二维的演化规律和分布特征。本文基于变截距面板数据时空模型,充分利用多测点变形资料,研究了锦屏一级大坝变形性态的变化规律,解决了常规统计模型仅从时序上考察单点变形性态的不足。结果表明:模型可准确感知反馈坝体变形响应的时空特征,良好的拟合精度与外延性确保了建模的正确性。此外,模型具有控制异质性的特点,可精准评价各分量对坝体特征区域的影响,弥补了常规模型的不足;模型还具备降低多重因子共线性、抗差性等优良性质,为大坝安全在线监控提供了理论依据和技术支持。 相似文献
16.
传统大坝预测方法难以适应坝体变形序列的高维非线性特征,且仅能以点值的形式预测大坝变形,未能有效量化由数据随机噪声、输入样本的主观确定、参数的随机选择等引起的结果不确定性。针对上述问题,提出了基于Bootstrap和改进布谷鸟优化多核极限学习机(ICS-MKELM)算法的大坝变形预测模型,实现在精确预测大坝变形点值的同时,通过区间形式量化预测值的不确定性。首先,建立基于高精度多核极限学习机(MKELM)的大坝变形预测模型,该模型集成了核极限学习机(KELM)高效处理强非线性回归问题的优势和混合核泛化、学习能力强的特点,同时采用基于惯性权重和混沌理论改进的布谷鸟搜索(ICS)算法对多核极限学习机中核参数及正则系数进行优化,弥补模型易陷入局部最优的不足;其次,引入Bootstrap区间预测方法对模型和数据造成的不确定影响进行量化;最后,将所提模型应用于某实际大坝工程的变形预测,分析了不同训练样本数对模型预测精度的影响,同时通过与五种常用的预测算法进行对比,验证了本文模型具有一致性和优越性。 相似文献
17.
18.
大坝安全监测是大坝安全的重要保障,对监测数据进行异常检测与恢复可有效避免对大坝状态的错误估计和判断,具有重要现实意义。近年来基于深度学习方法的大坝监测数据异常检测受到广泛研究,但现存方法存在数据利用不足、信息挖掘不充分等问题。因此,本文提出一种多维度LSTM异常检测与恢复方法,该方法用LSTM输入多个测点的大坝监测数据对单测点数据进行预测,有效利用了不同测点间的相关信息;最后利用拉依达准则对目标测点进行异常检测。本文利用大渡河瀑布沟水电站真空激光准直监测数据进行案例验证,通过与单维度的LSTM异常检测与恢复方法相比较,验证了所提方法能有效地检测数据异常和预测恢复正常数据,是一种有效的大坝监测数据异常检测与恢复方法。 相似文献
19.
针对单点变形分析的局限性提出了整体变形分析的等值线法。在现有四边形和三角形等值点追踪算法的基础上,提出了基于线段的等值点追踪算法,介绍了该算法的步骤;描述了用样条磨光 — 盈亏修正方法进行光滑插值的步骤,并对插值精度、有效性和适用范围进行了实例分析。以东江大坝水平位移监测数据生成的等值线为例,用等值线法分析大坝整体位移,可以发现单点分析方法不能发现的异常,全面地了解坝体变形现象。 相似文献
20.
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%。 相似文献