基于LSTM的混凝土坝变形预测模型

为提升混凝土坝变形预测的精度,采用具有出色的非线性数据挖掘能力与时间序列长、短期预测性能的长短期记忆网络(LSTM),提出了基于LSTM网络的混凝土坝变形预测模型.实例分析表明,相比于常用的逐步回归、多元回归等方法,基于LSTM网络构建的变形预测模型可有效挖掘大坝变形与影响因子间复杂的非线性关系,模型的建模与预测精度均得以显著提升.     

混凝土坝水平位移观测精度分析

本文分析了不同高度的大坝,在水、温度等荷载作用下,水平位移观测精度对大坝安全度计算结果的影响程度;并介绍几座混凝土坝各种观测方法所达到的观测精度。     

基于PCA的高混凝土坝变形空间融合监控模型

针对单测点监控模型无法反映大坝整体变形性态的问题,提出了基于主成分分析(PCA)的高混凝土坝变形空间融合监控模型。以混凝土坝空间变形场多测点监测数据为基础,利用PCA提取能反映大坝整体变形性态的综合效应量,基于有限元对其建立混合模型,并以模型预测值与实测值之间的2倍标准差作为控制域进行大坝空间变形性态的融合诊断。应用此模型对某高拱坝进行建模分析,结果表明,所提取的第一综合效应量即可解释原29个坝体正垂线测点所共同表征的大坝变形性态,对其建立的混合模型中水压分量的调整系数为0.85,分离出来的时效变形分量尚未收敛,说明坝体目前仍有向下游侧的整体趋势性变形,与该高拱坝处于蓄水运行初期的状况相符。基于PCA的空间融合监控模型,可有效减少变形监控模型的数量,从而快速诊断高混凝土坝的整体变形性态。     

渗流影响下碾压混凝土坝的位移分析

层面是碾压混凝土的薄弱面，具有强透水性，因此针对碾压混凝土这种特点，提出以薄层单元模拟碾压混凝土层面，用应力场和渗流场耦合的粘弹性模型分析坝体位移的方法，并应用于沙牌碾压混凝土拱坝。     

希腊土坝与混凝土坝的大地测量监测

大坝的安全运行主要取决于良好的维护。通过总结以往大坝失事的教训,强调了探查大坝安全监测系统的效率和使用业已收集到的资料的重要性。     

基于PCA-RBF神经网络的混凝土坝位移趋势性预测模型

为了提高混凝土坝位移趋势的预测精度,提出了一种基于主成分分析(PCA)和径向基(RBF)神经网络的混凝土坝位移趋势性预测模型(PCA-RBF)。首先,利用主成分分析,将混凝土坝多测点的径向位移监测数据降维,消除影响分量数据集的多重相关性,分别提取出主元位移和主元影响分量。然后,把主元位移和主元影响分量输入径向基神经网络并构建模型,对提取出的主元位移进行预测。最后,将本法应用于某混凝土坝,结果表明,PCA-RBF模型的均方根误差(RMSE),平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为2.037 8 mm,1.698 6 mm和3.32%,显著低于传统的多元回归统计模型、径向基神经网络模型(RBF)和利用经主成分分析进行因子处理的BP神经网络模型(PCA-BP),说明PCA-RBF模型有着良好的预测精度。     

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。     

依据混凝土坝实测水平位移探讨坝的承载性能变化

本文提供了依据混凝土坝实测水平位移探讨坝的承载性能变化的根据、要求,并以实例说明具体过程。     

地基水荷载对混凝土坝位移影响研究

分析了地基变形模量随深度逐渐增加、渗透系数随深度逐渐减小、坝基渗透系数各向异性、坝踵设置帷幕排水,以及考虑渗流场和应力场耦合等对混凝土坝位移分量的影响,得出如下结论:作用在地基上的水荷载,使混凝土坝坝顶相对参考基点(倒垂锚固点或坝踵正下方1倍坝高处)的水平位移指向上游,而参考基点的水平位移随地基截取范围的增大而增大.由于大坝工程上常将倒垂线锚固在岩基深处,并认为该倒垂线测值为绝对位移.当考虑作用在地基上的水荷载时,将倒垂线测值作为绝对位移的认识存在局限性.为了获得精度良好的参数反演值,必须考虑参考基点的位移,应采用大坝有限元数值计算的坝体位移和基点位移的相对值,联合实测位移分离出的水压分量进行参数反分析.     

基于混沌的大坝监测序列小波RBF神经网络预测模型

本文结合混沌理论、小波分解与重构,以及径向基函数(RBF)神经网络的优点,提出了一种基于混沌的大坝监测序列小波RBF神经网络预测模型。该模型主要利用小波分析将大坝监测序列分解为趋势项和细节时间序列,并利用RBF神经网络和基于RBF神经网络的混沌理论对两种时间序列进行预测,最后通过小波重构得到预测值。实例分析表明,本模型能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,对监测数据的预测精度较高,可应用于实际工程。     

飞来峡混凝土坝4＃机组坝段水平位移监测资料分析

为更好地分析飞来峡水利枢纽混凝土坝4＃机组段的水平位移变化规律,该文首先对其做定性分析,然后在建立回归统计模型时,温度分量项建模采用了温度周期项和温度实测值,并做对比分析,结果表明：采用温度周期项模型能更好地反映该坝段的水平位移变化规律。     

基于主成分回归的大坝位移模型

位移监测是大坝安全运行过程中一项重要的工作。在建立大坝位移预报模型的过程中,常会出现影响因子之间存在严重相关性的情况,会影响模型系数的稳定性,采用主成分回归分析的方法可以很好地解决这个问题。在简述主成分回归分析原理的基础上,结合工程实测数据,建立了坝体位移量与相关因子的主成分回归模型和逐步回归模型,并对两者进行比较,取得了良好的效果。     

高混凝土坝水荷载引起的位移分量研究

 研究了高混凝土坝不同水荷载和水荷载的不同作用方式对位移分量的影响,得到结论：①当地基截取范围逐渐增大时,无论作用在地基上的水荷载按面荷载考虑还是按渗流体荷载考虑,都将引起参考基点(倒垂线锚固点或坝踵正下方1倍坝高)的水平位移逐渐增大。由于工程上常将倒垂线锚固在岩基深处,并认为该倒垂线测值为绝对位移,当考虑作用在地基上的水荷载时,将倒垂线测值作为绝对位移的认识是有局限性的。②为了获得精度良好的参数反演值,必须考虑到参考基点的位移,应采用大坝有限元数值计算的坝顶位移和基点位移的相对值,联合实测位移分离出的水压分量进行参数反分析。     

基于PCA-SSA-ELM的混凝土坝变形预测模型

混凝土坝变形与环境量之间有着复杂的函数关系,传统统计模型泛化能力较弱,难以处理高维非线性问题。为此,提出了一种基于主成分分析法和麻雀搜索算法优化极限学习机的混凝土坝变形预测模型,该模型通过主成分分析法(PCA)提取环境量中的关键因子作为模型输入变量,采用寻优能力强的麻雀搜索算法(SSA)选取极限学习机(ELM)中的初始输入权重和偏置的最优解。将该PCA-SSA-ELM模型应用到某高拱坝拱冠梁坝段测点径向位移的预测中,并与ELM、BP神经网络模型的计算结果进行对比分析,验证了新模型的有效性。     

混凝土坝安全监测分析评价系统设计

混凝土坝安全监测针对各指标采用对应的监测系统实现数据采集,利用多种形式完成数据的全方位展现,采用二维、 三维形象化交互查询方式增强系统操作性和可视化水平.根据大坝监测结果,实行动态调节库容,提高水库蓄供水和调洪能力.并通过系统对长期监测资料的分析用来反馈指导大坝设计和施工.     

混凝土坝坝顶位移观测资料动态预估方程的建立

提出了以递推累进计算方法建立动态预估方程，通过对某拱坝坝顶位移资料的预估计算表明，本文方法可以利用历史资料预测未来值。     

碾压混凝土坝位移时空监控模型研究

基于单测点的碾压混凝土坝位移监控模型不能很好地监控碾压混凝土坝的安全运行、预测和评价碾压混凝土坝的工作性态,为此分析了与碾压混凝土坝位移相关的水位、温度和时效等时空影响因素的表达式,结合碾压混凝土坝位移观测资料,建立了碾压混凝土坝位移时空监控模型。工程实例表明：该时空监控模型具有很好的拟合效果,可以用来实时监控碾压混凝土坝的运行状态。