最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

最小二乘支持向量机在煤着火特性研究中的应用

为避免煤热失重反应静态燃烧过程获取的燃烧参数与实际锅炉动态燃烧之间的误差,以及解决沉降炉实验工作量大、难以对所有煤种进行试验的问题,利用最小二乘支持向量机建立了煤粉着火特性模型,通过对热失重反应过程的机理分析确定最佳输入变量,并进行仿真实验.结果表明:利用热失重反应过程数据预测煤着火性能具有较高的预测精度,可以在实际中应用,指导大型电站锅炉及燃烧装置的设计和运行.     

最小二乘支持向量机在城市防洪体系综合评价中的应用

基于我国城市防洪体系安全评价的指标体系及其等级标准,提出了一种基于小样本的最小二乘支持向量机(LS-SVM)的城市防洪体系安全综合评价模型.在柳州市防洪体系的实例应用结果表明,该模型能较好地对城市防洪体系进行综合评价,评价结果符合客观实际.     

基于改进的最小二乘支持向量机的闸首渗流监控模型研究

鉴于大坝渗流监测受众多因素影响,首先利用主成分分析法对相关性较大的因子进行处理,然后利用最小二乘支持向量机进行建模,最后依靠遗传算法对其参数进行选优,建立了基于改进的最小二乘支持向量机的闸首渗流监控模型,并通过实例应用做了对比分析。结果表明,改进的最小二乘支持向量机模型可有效降低输入因子的维数,减小因子之间相关性,降低模型的训练时间,拟合精度均优于其他模型,更适合于渗流监测数据的建模。     

生物质气化过程最小二乘支持向量机建模探讨

生物质气化过程的最终目标就是尽可能得到更多的高品质可燃气体,而目前的生物质气化过程还存在许多尚待解决的问题,例如气化温度、气化剂当量比、气化效率、燃气热值等参数优化问题.为此建立一种能适应生物质气化过程的模型,用于预测生物质气化气组分、热值、气化效率及碳转化率等指标,以及实现气化过程的参数优化都具有现实意义.本文在对生物质气化过程建模现状分析基础上,初步提出一种基于最小二乘支持向量机的气化过程建模方法,探讨了该方法用于生物质气化过程建模以及对气化过程主要参数进行优化的可行性.     

基于最小二乘支持向量机的生物质热值预测

生物质的热值与其组成成分有关,基于此,应用最小二乘支持向量机方法建立了生物质热值预测的有效模型,并利用Biomass Feedstock Composition and Properties Database数据库提供的数据进行了测试。以该数据库的部分生物质的固定碳、挥发分和灰分含量作为输入,以相应的热值作为输出,训练最小二乘支持向量机。训练完成后,用剩余的生物质进行测试。测试结果表明,预测方法准确,速度较快。与神经网络方法相比,基于最小二乘支持向量机的生物质的热值预测方法更有效。     

支持向量机模型在渗流监测中的应用

提出了基于一种支持向量机(SVM)的渗流监测方法。该方法采用结构风险最小化原则，能够在对小样本学习的基础上，对其他样本进行快速、准确的拟合预测，具有更好的泛化性能和精度，减少了对经验的依赖。在算例中，基于SVM的非线性特点，根据土石坝的实测资料建立了渗流监测模型，为水头预报和安全监测奠定了基础。     

基于最小二乘支持向量机的水库来水量预测模型

为提高水库来水量的预测精度,提出了一种基于最小二乘支持向量机(LS-SVM)的来水量预测模型。实例应用结果表明,该模型预测能力强、预测精度高,其预测精度明显高于BP模型,为来水量预测提供了一种可靠、有效的方法。     

凝汽器故障诊断最小二乘支持向量回归机模型及仿真应用

研究了凝汽器故障诊断问题。选取了32个故障征兆作为模型的输入,建立了基于最小二乘支持向量回归机的凝汽器故障模型。将所提出的故障诊断方法应用于某发电厂300MW火电厂仿真机凝汽器的故障诊断中,结果表明该方法行之有效,且易于工程实现。     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型.首先通过偏最小二乘(PLS)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(SVM)对提取的成分进行预测.算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法.     

M估计法在大坝安全监测中的应用

针对传统统计模型无法抵御异常值影响、鲁棒性较差的问题,引入稳健回归中经典的M估计法,基于李家峡水电站监测资料建立了大坝径向位移M估计模型,对监测数据进行拟合及预报,并与传统回归统计模型做了比较。结果表明,该方法有效降低异常值影响、稳健性较好。     

坝基渗流与坝肩绕渗实用计算方法探讨

基于复变函数的保角映射理论及数值分析法,推导了坝基二维渗流模型解析解,通过数值分析软件给出了无防渗帷幕、有防渗帷幕时坝基单宽渗漏量计算公式及基底扬压力计算公式,并以重力坝为例分析了防渗帷幕深度,认为当防渗帷幕深度超过1倍的坝底宽时,随着防渗帷幕深度的增加对扬压力的抑制作用不明显;且相同深度防渗帷幕时透水层厚度越小基底扬压力反而相对越大,但当透水层厚度接近帷幕深度时(即小于1.35倍帷幕深)基底扬压力又开始逐渐减小即呈现"关门现象"。同时基于积分理论推导了无防渗帷幕时坝肩绕渗渗漏量解析计算公式,最后通过工程实例与有限元法计算结果进行比较,验证了该解析计算公式精度可靠、方便快捷。     

大坝渗流监测遗传神经网络模型

基于遗传神经网络的基本概念及学习步骤，对大坝坝基渗流量、坝基扬压力监测数据进行了训练和预测。结果表明，利用遗传算法特有的全局优化能力，可以较好地完成网络的学习，而且还减少了网络训练次数，缩短了网络训练时间。     

基于APPSO-RVM与APPSO-SVM的大坝安全预警模型的应用比较研究

为了提高大坝安全预警模型的精度和泛化能力,基于支持向量机(SVM)和相关向量机(RVM)理论,利用自适应粒子群算法(APPSO)分别对SVM和RVM模型中的参数进行寻优,建立了基于APPSO-SVM与APPSO-RVM的大坝安全预警模型,并通过实例应用做了比较。结果表明,尽管APPSO-RVM模型的相关向量个数少于APPSO-SVM模型,但APPSO-RVM模型的拟合精度和泛化能力均高于APPSO-SVM模型,因此在实际建模时应优先选择该模型。     

调节水位对橡胶坝坝基渗流影响的分析

针对调节水位对橡胶坝坝基渗流的影响,以滹沱河橡胶坝为例,采用有限元法对坝基渗流进行了三维模拟研究,利用等参六面体单元精确模拟了坝区各地层和水平铺盖的空间分布及不同工况下坝基的渗流场分布规律,并分析计算了调节上游水位和降低下游水位的水头分布、单宽渗漏量及渗透坡降对坝基渗流场的影响。结果表明,该坝基满足调节上游水位时的防渗要求。     

池潭大坝坝基渗流异常成因解析

针对池潭大坝6^#～8^#坝段坝基出现扬压力测孔水位较高、6^#坝段坝基渗漏量较大等异常情况，根据坝基渗流实测资料，应用有关的数学模型对异常情况进行了定量和定性的分析，解析了异常情况的成因，对相应坝段渗流性态进行了评价。     

坝基非达西渗流分析

分析与总结了坝基中非达西渗流的理论与试验规律,采有理论分析的研究方法,对大坝工凡基非达西渗流模型进行求解,计算坝基西渗透压力分布和坝基渗流量,并与相应的达西（线性）渗流解进行了比较,可以看出,在坝基非达西渗流分析中,不能采用线性渗流规律来近似代替非线性渗流规律。