基于支持向量机的土石坝安全监测预报模型研究

简要介绍了支持向量机的基本原理,在对建模因子进行分析的基础上,提出了基于支持向量回归（SVR）算法的土石坝安全监测预报模型。实例分析表明,该模型与传统的多元线性回归模型和逐步回归模型相比,具有预测精度高、泛化能力强等优点,对土石坝安全监控具有实用价值。     

基于ABCA-SVM的大坝变形预警模型

合理分析大坝变形监测数据序列特征,精确预测大坝变形状况,是大坝安全监测的重要内容。针对常用大坝安全监测分析模型存在的不足,将人工蜂群算法与支持向量机模型结合起来,利用人工蜂群算法全局搜索能力强、收敛速度快等优点对支持向量机模型的惩罚因子C和核参数δ进行优化,建立了ABCA-SVM模型。某水电站大坝坝顶某点的112组径向位移预测实例表明,ABCA-SVM模型预测精度高于标准SVM模型的,可以在大坝安全监测领域推广应用。     

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。     

土石坝渗流安全监测的遗传支持向量机方法

为了有效地根据土石坝地原型观测资料来分析坝体和坝基中存在的渗流问题,本文在对建模因子进行分析的基础上,充分利用支持向量机的结构风险最小化原则和遗传算法快速全局优化的特点,通过支持向量机模型对非线性监测数据进行拟合,并利用遗传算法优化支持向量机的模型参数,建立了基于GA-SVM的土石坝渗流监测模型。实例分析表明,该模型与传统的多元线性回归模型和神经网络模型相比,具有预测精度高、泛化能力强等优点,对土石坝安全监控具有实用价值。     

正义峡水库土石坝心墙土料变形参数计算

一般采用非线性有限元增量法分析土石坝的应力变形 ,应用较多的是邓肯—张模型 ,其中早期多用 E— μ模型 ,近年多用 E— B模型。结合正义峡水库土石坝心墙土料三轴排水剪试验成果 ,介绍了邓肯—张两种模型参数的整理方法 ,可供类似土工计算参考     

丹江口左岸土石坝变形监测资料分析

大坝安全监测对于枢纽正常运行至关重要,而监测只有在做好资料整编与分析,掌握坝体的变化规律,才能不断提高观测精度,及时发现坝体异常情况。针对丹江口左岸土石坝的变形监测资料进行了一定的分析,总结出坝体在趋于稳定后的变形规律,希望能对大坝现阶段的安全监测,以及加高工程后的大坝观测提供一点资料。     

根据新克土石坝变形监测资料评价工程质量

土石坝变形监测数据包含了工程质量的信息,为评价工程设计与施工质量创造了条件。对此进行了探讨,给出了评价方法和结果。     

土石坝内部变形自动监测系统

介绍了引张线式水平位移计的自动测量原理和方法，以及WHR-1型引张线位移计控制装置和自动化系统的功能、性能及其在实际工程中的应用。     

基于人工蜂群算法与Elman神经网络的大坝变形监控模型

针对Elman神经网络收敛速度慢、容易陷入局部极小等问题,建立了人工蜂群算法(ABC)与Elman神经网络组合的大坝变形监控模型。应用于某混凝土重力坝的结果表明,单纯Elman神经网络建模方法预测的相对误差和标准差分别为3.50%和0.131,ABC-Elman(人工蜂群算法与Elman神经网络)模型预测的相对误差和标准差分别为1.98%和0.063。从各影响因子对大坝变形的贡献上看,水压分量占27.9%,温度分量占62.3%,时效分量占9.8%。ABC-Elman模型在建模效率、预测精度等方面均有一定的优势,较适合于大坝变形的建模分析,并可推广于大坝渗流、应力等监控模型中。     

基于改进ABC-BP的大坝变形监控模型研究

针对传统大坝变形监控模型的不足,在对人工蜂群(ABC)算法给予改进的基础上,开展了基于人工蜂群(ABC)与BP神经网络的大坝变形监控模型建模原理、实现方法以及工程算例分析研究。通过引进自适应比例和平均欧式距离,克服了标准人工蜂群算法易陷入局部最优的缺点;进而利用改进后的人工蜂群算法,对BP神经网络的初始权值与阈值进行寻优。算例分析表明,将改进后的人工蜂群算法与BP神经网络技术相结合,并用于大坝变形监控模型的构建,有效提升了模型的拟合和预报能力。     

基于NMEA-BP大坝变形监测模型研究

在对思维进化算法(MEA)改进的基础上,开展了基于思维进化算法与BP神经网络的大坝变形监测模型的研究。通过引入小生境技术和思维进化算法,克服了BP神经网络易陷入局部最优值、训练时间长和收敛速度慢等缺点,极大地提高了其搜索效率和全局搜索能力。通过进一步利用改进的思维进化算法优化BP神经网络的权值和阈值,建立了NMEA-BP大坝变形监测模型,并用该模型对工程实例进行了拟合预测。结果表明,NMEA-BP模型有效提高了大坝变形预测的精度,能更高效准确的进行大坝变形监测。研究成果为大坝变形监测的理论和实践研究提供参考。     

基于高精准三维模型的土石坝整体变形监测研究

本文通过基于球面投影大坝三维表面构建算法构建土石坝表面模型,重建土石坝精确三维表面模型,将第一期数据作为参考数据,利用不同时期采集的点云数据与参考模型进行对比分析来获取大坝变形信息。通过试验验证了本文方法的可行性和实用性。     

灰色模型改进的大坝变形分形几何监控模型

为了对大坝安全进行准确监控,利用分形几何理论预测大坝变形。针对一般常维分形分布不能很好分析大坝变形数据的问题,对监测数据进行N阶累计和变换,对变换后的数据利用分段变维分形模型计算各阶变形维数序列,再选择效果较好分形维数已知序列预测未知分形维数,最后反推大坝变形预测数据。针对传统变维分形预测模型分形维数预测方法的不确定性和所需监测数据量大的缺点,利用灰色模型预测分形维数,建立改进的大坝分形几何监控模型。结合工程实例,对比插值法预测分形参数的传统分形几何预测模型和灰色模型改进后的预测模型之间的预测精度,结果表明,改进分形模型不仅在预测精度上有所提高,而且更具稳定性和抗波动性。     

灰色模型在大坝变形监测与预报中的应用

建立有效实用的大坝变形监测模型,对于大坝运行意义重大。目前国内外常用统计模型和确定性模型来预报大坝变形,但精度普遍不高。作者提出一种基于不确定性模型的非等间隔灰色模型对大坝变形进行监测预报。预报过程建立在数学基础上,而且预报结果的精度能够满足工程需要。     

混凝土重力坝变形博弈监控模型研究

传统的重力坝安全监控模型考虑了水压、温度及时效等外荷载的作用,尚不能反映出大坝材料与结构特性的影响。基于博弈思想,提出大坝变形的博弈参与者,研究分析了大坝变形与大坝材料、大坝结构特性等抗因素的关系,构建了大坝安全监控博弈模型的具体表达式。工程实例分析表明,本文所提出的博弈模型能够更好地模拟大坝的变形过程。