基于EEMD-PCA-ARIMA模型的大坝变形预测

针对大坝观测数据中存在的噪声容易掩盖实际变形曲线走势的问题,提出一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和自回归移动平均模型(ARIMA)的大坝变形预测方法。通过对观测数据进行EEMD和PCA,从而构建映射矩阵,然后利用映射矩阵对原始数据构建的样本矩阵进行转换,实现消噪效果,进而对处理后的观测数据进行ARIMA建模预测,据此构建EEMD-PCA-ARIMA模型。依据所提出的模型对实际大坝坝顶水平位移观测数据进行预测分析,并与实测数据和经直接去掉高频分量消噪后的ARIMA预测模型、ARIMA预测模型、BP神经网络模型预测模型进行对比分析。结果表明:此方法能够更好地获取大坝的实际变形曲线,对于大坝变形预测而言是一种有效的方法。     

基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSO-ANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。     

小波和混沌神经网络在大坝变形预测中的应用

大坝是复杂的变形系统,其变形表现为动态非线性,也存在混沌现象。为充分利用大坝变形监测位移时间序列,实现位移单变量情况下的准确预测,提出了一种小波和混沌神经网络预测新方法,首先对大坝位移变形监测数据进行小波分解,其次对分解后的平滑信号进行傅里叶函数拟合预测,再对细节信号进行软阈值去噪和混沌神经网络预测,最后将预测信号进行小波重构。通过工程实例对比分析了小波和混沌神经网络预测新方法、神经网络模型、多元回归模型在大坝位移变形预测中的精度。结果表明,小波和混沌神经网络预测方法的预测精度最高,可以应用于大坝变形预测。     

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。     

基于BP神经网络的土石坝变形预测模型研究

大坝变形是同一时刻内外多种荷载综合作用的结果,挖掘位移监测数据潜在规律和发展趋势是大坝变形预测诊断的关键技术,但常规GNSS+棱镜、自动化监测系统等进行观测存在较大非线性误差。为实现非线性、非平稳序列大坝变形数据的平稳化拟合处理,基于大坝变形位移关联性函数,构建了大坝变形预测BP神经网络模型。BP预测模型主要根据水压、温度和时效因子的特点,经实测数据的自适应学习训练获得能真实反映坝体变形规律及趋势的竖向位移预测数据,可为大坝变形安全预测与分析提供详实准确的数据支撑和技术保障。     

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EEMD的BP神经网络边坡预测研究

针对边坡变形中非平稳和非线性的数据处理问题,提出一种基于集合经验模态分解(EEMD)和BP神经网络相结合的边坡变形预测新算法(EEMD-BP)。该算法先对边坡变形序列进行EEMD分解,有效分离出隐含在时序中具有不同尺度特征的子序列,进而对各子序列建立BP神经网络预测模型,最后叠加各子序列预测值得到边坡变形最终预测结果。与GM(1,1)和BP神经网络模型对比分析表明,该算法预测精度较高,在边坡变形波动剧烈时段,也能保证较优的局部预测值和较好的全局预测精度。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于小波消噪及BP神经网络的大坝变形分析

基于港口湾大坝多期变形观测数据,采用Matlab语言、小波消噪及BP神经网络分别建立了基于时间序列和基于环境因素的大坝变形监测BP神经网络模型,并利用模型分别对大坝某点变形值进行预测。时间序列BP模型具有结构简单、学习速率快的特点;环境因素BP模型精度高,可有效反映变形因素,便于拟合预测复杂的测点变形,相对前一种模型能更好地揭示大坝变形规律。两种建模方法先应用小波分析对原始观测数据消噪,训练过程中采用附加动量法等改进BP算法,大大提高了BP神经网络的计算效率,克服了其易陷入局部极小的缺陷,取得了良好的拟合效果和预测精度。     

基于集合经验模态分解和支持向量机的大坝变形预测方法

受水位、温度等诸多因素共同影响,大坝变形具有随机性和非线性特征,提出了一种基于集合经验模态分解(EEMD)和支持向量机(SVM)的大坝变形预测算法。算法先对大坝位移序列进行集合经验模态分解,有效分离出隐含在时序中的非线性高频波动成分和低频趋势成分;其次根据各分量特点构造不同的SVM进行预测,最后叠加各分量预测值得到预测结果。与BP神经网络模型及传统支持向量机的对比结果表明,所提预测算法具有较强的自适应预测能力,预测精度较高。     

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。     

基于GACO-BP-MC的大坝变形监控模型

建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法(ACO)对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法(GA)引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链(MC)对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。     

滑坡变形的回归-神经网络预测模型研究

受多种因素影响,滑坡变形具有趋势性和随机性的特点。从滑坡变形监测数据着手,将监测数据分离成趋势值和随机值,建立了滑坡变形的回归-神经网络预测模型。该模型采用逐步回归方法对滑坡变形的趋势值进行预测,用BP神经网络预测方法对滑坡变形的随机值进行预测。利用金沙江乌东德坝址区金坪子滑坡TP06点高程位移变化实测数据,对该模型进行了验证。结果表明:预测误差不超过11%,具有较高的预测精度。     

拱坝变形监测预报的随机森林模型及应用

大坝变形预报对大坝运行安全评估起着至关重要的作用。传统模型预报精度不够、模拟效果不稳定;若大坝变形数据有异常值时,传统机器算法模型识别和处理异常值的灵活性很小,导致预报结果有偏差。为了解决这些问题,首次将随机森林算法运用到大坝变形监测领域,将大坝测点根据随机森林相似性矩阵分成若干个子集,针对每一个子集建立随机森林预测模型,分区建立预测模型更符合工程实际情况。选取拱坝变形作为研究对象,验证所建模型的适用性。结果表明,根据随机森林的相似性矩阵对大坝各测点的分区情况符合物理和工程实际意义,对各分区子集测点利用随机森林模型建立的预测模型,与支持向量机、BP神经网络模型相比,预测结果精度较高、模型稳定性好,为大坝变形监测提供了新思路。     

基于EEMD-ELM的大坝变形预测模型

建立合理可信的大坝变形监控模型对科学有效地分析大坝变形监测数据和准确可靠地评估大坝工作运行状况意义重大。通过EEMD算法分解大坝变形量,得到代表不同特征尺度的本征模函数(IMF)分量,针对不同IMF分量选择不同影响因素,将各IMF分量作为极限学习机(ELM)的训练样本对大坝变形分量进行分析、拟合、预测,最后累加各IMF分量的预测结果得到大坝变形预测值。以某碾压混凝土重力坝为例,利用EEMD-ELM模型对大坝变形量进行预测,同时与BPNN模型和ELM模型的预测结果进行对比分析,其中EEMD-ELM模型的平均相对误差为0.566,较BPNN模型、ELM模型分别降低54%和14.8%,表明EEMD-ELM模型预测精度更高,具备一定的应用价值。     

基于TW-SVM预测模型的某堆石坝变形预测分析

为提高监测资料有缺失的大坝变形预测模型精度,采用支持向量机方法建立一种具有小样本、高维、非线性的预测模型,并结合对其重要组成部分核函数的分析应用,提出一种根据结构风险最小化的TW-SVM预测模型。以某堆石坝为例进行研究,利用坝坡垂直位移和水平位移的监测数据,分别采用TW-SVM方法和BP神经网络(NET)方法建立相应预测模型进行比较分析。结果表明:采用TW-SVM方法和NET方法预测的垂直位移最大绝对误差分别为0.58 mm和6.18 mm,最大相对误差分别为270.00%和1 286.22%;采用TW-SVM方法和NET方法预测的水平位移最大绝对误差分别为0.25 mm和14.91 mm,最大相对误差分别为31.25%和1 189.85%;TW-SVM预测模型比NET预测模型更适合于影响因素为时间、水位的小样本预测分析。研究结果为堆石坝变形预测与分析提供参考。