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。     

混凝土坝变形监测缺失数据处理新方法

针对混凝土坝变形监测数据缺失使大坝服役状态分析困难甚至引起误判的问题,基于聚类和面板数据理论,提出了一种考虑时间和截面两种维度的混凝土坝变形监测缺失数据处理新方法.该方法兼顾了影响大坝变形的共同因素和特异因素,与传统方法相比,能更加全面地反映荷载和非荷载因素对大坝结构性能的影响,对大坝变形监测缺失数据的处理更加有效.某...     

两类模型在大坝变形监测资料分析中的应用

结合某大坝变形监测资料，在定性分析的基础上，分别应用常规统计模型和改进BP模型建立了测值预报模型，分析论证了两种分析方法的异同，重点说明了BP网络的改进方法和注意事项，得出了一些重要结论。     

BP网络在大坝变形空间多测点监测模型中的应用

利用BP网络的较强函数非线性映射能力,对大坝多个测点的变形监测数据进行了仿真及预测,所建立的空间多测点BP网络模型以水位、温度、时间、测点坐标作为输入参数,以大坝变形值作为网络输出.结果表明,通过有代表性的学习样本对网络的训练,模型的拟合及预报结果能够满足精度要求,同时,与传统的统计建模方法相比,大坝变形多测点BP网络模型具有实施容易、运行速度快、误差修正方便、操作简单、运行灵活等优点.     

孤立森林算法在大坝监测数据异常识别中的应用

大坝安全监测数据的可靠性和完整性是分析监测效应量变化规律、评判大坝运行性态的前提,有必要对大坝安全监测异常数据进行识别和清除,以提高监测数据质量。将适用于大数据处理的孤立森林算法应用于大坝监测异常数据识别中,首先通过小波变换提取监测数据的趋势项,然后采用孤立森林算法对扣除趋势项的剩余量进行异常值识别。通过实例对比分析发现该方法能有效识别大坝监测数据的异常值。     

基于逐步回归的BP网络混合模型在大坝变形分析中的应用

大坝变形预测的准确性对大坝的安全评估起着重要作用,而分析预报的方法至关重要。介绍了逐步回归模型和BP神经网络模型,提出将逐步回归模型和BP神经网络模型相结合的SR—BP混合模型,并通过实例证明了模型的可行性和有效性。与逐步回归模型和BP网络模型法相对比,计算量少、精度高、模拟效果较好。     

灰色系统模型在大坝变形预测中的应用

为解决大坝安全监测中变形预测的问题,以某大坝坝顶监测数据为例,介绍了灰色GM模型预测的基本方法,采用MATLAB程序建立了GM（1,1）和GM（2,1）模型,分别对某大坝坝顶视准线部分监测点的变形量进行了预测。将预测值与实测值进行对比分析可知：采用GM（1,1）和GM（2,1）模型得到的预测结果均能很好地拟合实测值,预测精度高,利用该模型在实际工程中加以应用是可行的。     

NARX神经网络在大坝变形预测中的应用

针对大坝变形时间序列的非线性及形变值累计特性,引入NARX神经网络进行分析并实现变形预测.首先,NARX神经网络通过非线性自回归网络与外源输入相结合,较好地解决了传统BP神经网络存在的收敛速度慢和易陷入局部极值等问题;其次,建立基于NARX神经网络的大坝变形预测模型,对原始数据预处理后采用周期为输入序列、变形值为输出序...     

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。     

动态模糊神经网络在大坝变形预报中的应用

针对静态模糊神经网络的局限性,提出了在线动态建模的模糊神经网络方法.当新增样本进入训练集之后,根据新样本对模型的贡献大小,在已有模型的基础上进行动态修正,这样可以减少建模的计算时间.新方法实现了增加样本而矩阵阶数不增加,避免了矩阵求逆运算,理论上可以提高计算效率.实例表明动态模糊神经网络方法是可行的,可实现持久预报,具有较强的适应能力和较高的预报精度,可应用于在线实时变形预报及相关领域.     

基于模型筛选法的卡尔曼滤波法在大坝变形分析中的应用

以模型筛选法为基础，将筛选出的变形误差最小的模型的模型参数作为状态向量，用卡尔曼滤波法进行大坝变形分析，实例计算表明，这种方法能够提高模型的拟合及预报精度。     

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。     

位移混合模型在新安江大坝变形性态分析中的应用

采用基于实测资料和力学原理的混合模型建立了新安江大坝水平位移单测点和挠曲线监控模型,分析了该坝的变形性态.从混合模型的分析结果可以看出,新安江大坝时效位移虽有增加,但增加量在逐年减小.因此,水平位移的变化规律总体上正常.     

改进的灰色马尔科夫模型在大坝变形预测中的应用

针对灰色模型在建模过程中受到随机扰动影响这一问题,利用马尔科夫模型预测波动性数据准确的优势,对灰色模型进行改进,并应用于大坝变形预测计算与分析。结果表明,改进的灰色马尔科夫模型对存在扰动数据的大坝变形预测中,可以获得较好的预测效果,提高预测精度。     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

离散卡尔曼滤波在大坝变形监测中的应用

讨论了离散线性系统卡尔曼滤波模型和相应的递推公式,通过对某双曲拱坝的平面综合变形监测数据进行了卡尔曼滤波处理及经典平差,对比发现卡尔曼滤波对变形监测数据处理优于经典平差,而且由于其更新速度快、不依赖旧数据等特性使得此方法特别适合变形监测动态数据的处理。     

随机森林在降水量长期预报中的应用

随机森林是21世纪提出的基于分类树的算法,在处理大数据集中具有明显优势,首度将其应用在降水长期预报中。以长江中下游地区1月份降水预报为例,运用随机森林模型构建原则,在74项大气环流因子以及前期月降水中筛选模型预报因子,进行长期降水量预报,并将其与神经网络模型预报效果进行对比,发现随机森林的泛化误差为13%,预报准确率达到75%,而神经网络的预报准确率仅为67%。此外,本研究还对长江中下游地区的汛期降水量进行了长期预报,结果表明,随机森林模型进行降水量长期预报中模拟和预报的效果令人满意,值得进一步研究和应用。     

基于随机森林模型的需水预测模型及其应用

为解决需水预测模型精度问题,尝试基于随机森林模型的分类和回归功能构建需水预测模型。以苏州市需水量预测为研究实例,首先应用随机森林模型的分类功能将需水预测因子分类,经计算发现第一产业比例、人口、灌溉面积、万元产值用水量和国民经济生产总值为最重要的解释变量。在此基础上,用随机森林模型的回归功能对需水进行预测,同时采用相同的训练数据建立基于BP神经网络和RBF神经网络的需水预测模型,通过对比3个模型的预测结果,发现随机森林模型能有效预测需水量,且精度较高。     

卡尔曼滤波-AR模型在大坝变形预测中的应用

基于某大坝拱冠梁处坝基2007年5月至2009年4月每月的水平位移观测数据,首先用卡尔曼滤波对建模数据进行处理,然后基于处理后的数据建立AR 4阶模型,利用卡尔曼滤波-AR模型对2007年9月至2009年4月每月的水平位移进行递推预报,并与实测值进行了对比。结果表明:卡尔曼滤波-AR 4阶预测模型的预测值明显优于一般AR 4阶预测模型的,更接近于实测值,预测精确度更高,更适用于大坝变形趋势的预测。     

随机森林算法在西江洪水预报中的应用研究

以西江迁江站、柳州站和武宣站1952—2005年实测洪水数据为基础,通过分析上下游站点洪水流量的相关关系选取洪水预报特征因子,采用随机森林算法建立了武宣站洪水预报模型。结果表明：模型率定期预测的武宣站12～48 h洪水过程确定性系数大于0.98、合格率大于98%,验证期预测的12～24 h洪水过程确定性系数大于0.72、合格率大于82%,预报精度较高,预报结果不确定性较小,可为洪水预报提供方法参考。