基于时域分析的结构模态参数两步识别法

采用结构模态参数的两步识别法对现场获得的信号进行分析,并应用该方法对青铜峡水电站的大坝损伤进行了诊断,获得了较好的效果.     

基于经验模态分解和支持向量机的日径流预测研究

准确的径流预测是水资源开发利用的重要依据，但预测难度大。为提高日径流预测精度，以榕江流域南河东桥园站日径流为例，建立了经验模态分解(EMD)和支持向量机(SVM)耦合的日径流预测模型。首先，利用经验模态分解将日径流系列分解为若干子过程，再采用支持向量机深度学习模型分别对每一个子过程进行预测，最后将每个预测结果相加得到原日径流数据的预测结果。研究表明：EMD-SVM组合模型相对于SVM、BP、LSTM单模型具有更好的预测性能。     

基于模态应变能的水工泄流结构损伤识别研究

逐渐积累的损伤会使水工泄流结构中特定部分的质量或刚度损失而引起结构动力特性发生变化,这都将在模态测量中有所反映,以结构模态参数为基础,准确判断泄流结构所存在的损伤(特别是水下部位),对整个泄水建筑物的安全至关重要。以水工泄流结构中的弧形钢闸门及混凝土导墙结构为例,研究了基于结构模态参数的水工泄流结构损伤识别方法,基于单元模态应变能方法对泄流结构不同位置相同程度的损伤以及不同位置不同程度的损伤进行了识别。结果表明,该方法可以准确识别泄流结构的损伤,对基于振动响应的泄流结构无损动态检测及其水下部位隐患诊断具有一定的应用价值。     

基于优化经验模态分解和最小二乘支持向量机的边坡位移预测

我国库岸滑坡灾害频发,采用高精度优化算法对边坡位移时间序列进行预测对防灾减灾具有重要意义。边坡位移时间序列通常表现出高度非线性特征,传统模型难以对其进行准确预测。为此,本文提出一种基于优化经验模态分解和最小二乘支持向量机的边坡位移时间序列预测模型。该模型采用基于软筛分停止准则的经验模态分解（SSSC-EMD）,可自适应地将边坡位移时间序列分解为多个本征模态分量和1 个残余分量。将残余分量定义为趋势项;通过K-means 聚类方法对分量进行聚类,将其定义为周期项和随机项。采用最小二乘法对趋势项进行预测;建立最小二乘支持向量机回归（LSSVM）模型对周期项和随机项进行预测。将各预测值累加求和,即得到累计位移预测值。以山口岩大坝为例,采用SSSCEMD-LSSVM 模型对厂址边坡位移时间序列进行预测。结果表明：模型能够有效预测位移时间序列,精度优于传统BP 神经网络和LSSVM 模型。     

导墙结构的流激振动研究

以三峡水利枢纽溢流坝段与厂房坝段之间的导墙流激振动问题为背景，总结了导墙结构的脉动压力的幅频特征，计算分析了其流激振动响应，并与水弹性模型试验成果进行比较，探讨了三峡导墙流激振动的主振源，最后对导墙结构特征与流激振动安全性的关系进行了讨论，结果对类似工程有参考价值.     

基于支持向量机的水流挟沙力预测研究

本文阐述了支持向量机（SVM）的基本原理及特性,提出了基于SVM的水流挟沙力研究方法,并对30组高、中、低含沙量的水槽试验资料进行训练,训练值与实测值符合较好,再用训练好的SVM模型对4组试验数据进行了预测,预测结果与实测值相差较小。理论分析和实例结果验证了基于SVM的水流挟沙力研究方法比BP神经网络法具有更高的预测精度和可靠性。     

岸边式溢洪道引渠导墙形态设计研究

结合工程实际和以往的经验,为解决老渡口水电站岸边式溢洪道引渠过流问题,通过一系列试验对常规的椭圆弧翼墙进行了优化设计。针对进口地形地质条件改变之后带来的新问题,依照因地制宜,因势利导的原则,采取扭曲型贴坡导墙,很好地消除了进口地形因洪水淘刷带来不利的影响。模型试验以及原型观测均表明这种导墙形式流态良好,对类似工程有一定的参考价值。     

温度影响下基于曲率模态的梁式桥损伤识别

利用曲率模态范数作为损伤特征参数,对简支梁桥模型进行损伤识别数值模拟。考虑了温度对损伤识别的影响,并采用主成份分析法给予剔除,进而实现简支梁桥模型的轻微损伤识别。首先,介绍温度影响的机理,数值模拟方式和剔除方法;然后针对简支梁在不同温度条件下存在不同程度的轻微损伤,利用曲率模态范数进行了温度影响剔除后的损伤识别,并得出以下结论:温度影响可能对梁式桥的损伤识别产生不良影响,甚至会造成误判;经主成份分析法剔除温度影响后的曲率模态范数,可对梁式桥的轻微损伤做出存在与否的准确判断并定量分析。     

基于小波核函数和支持向量机的大坝变形预测

支持向量机中核函数的选择对大坝监控模型预测精度具有较大影响。基于支持向量机结构风险最小化以及小波框架理论,提出用小波核函数代替高斯径向基核函数(RBF),并采用粒子群算法对支持向量机的参数进行寻优,得到一种新的大坝变形预测模型。针对某实际工程,基于监测数据,将该模型与采用RBF核函数的支持向量机模型以及统计回归模型做对比,结果显示采用小波核函数的支持向量机模型模拟精度更高,泛化能力更强。     

基于支持向量机的土壤侵蚀评价预测模型研究

尝试应用一种新的机器学习算法-支持向量机(SVM)来对水土流失现状进行评价与预测.该方法能针对在样本有限的情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题得到全局最优解,较好地解决了小样本、非线性、高维数和局部极小点等实际问题, 具有很强的泛化(预测)能力.以石桥铺小流域作为研究对象,通过支持向量机算法建立土壤侵蚀评价与预测模型,并与BP神经网络的方法进行了对比,结果表明该模型的预测精度要高于人工神经网络模型.     

基于支持向量机的水资源短缺风险评价模型及应用

本文阐述了支持向量回归机的算法原理，将风险评价归纳为一个支持向量回归问题，建立了基于支持向量机的水资源短缺风险评价模型和方法。采用风险率、脆弱性、可恢复性、事故周期和风险度等作为区域水资源短缺风险程度的评价指标，建立了综合评价体系。本方法应用于闽东南地区的水资源短缺风险评价，评价结果显示：到2010水平年，闽东南地区的水资源短缺风险较高，需要采取风险调控措施。     

基于最小二乘支持向量机的大坝变形预测模型

变形是对大坝结构性态和安全状况最直接、可靠的反映,是大坝安全监测的重点项目之一.大坝变形具有较强的非线性特点,传统的预测方法有时精度不高.建立在统计学习理论和结构风险最小原理基础上的支持向量机算法能较好地解决小样本、非线性、高维数等问题.文章引入标准支持向量机的一种扩展——最小二乘支持向量机,参照传统逐步回归统计模型建...     

基于随机森林与支持向量机的水库长期径流预报

水库长期径流预报对于研判水文情势变化和指导水库调度管理具有重要意义。针对云南龙江水库年、汛期和枯水期平均入库径流,利用随机森林从环流指数、海温、气压和前期月径流中选取关键预报因子,基于粒子群与交叉验证相结合的算法优选参数,建立随机森林与支持向量机模型,开展龙江水库入库径流预报研究。结果表明:太平洋中北部与西部气候因子对径流预报的影响较大,前期月径流对年、汛期径流的重要性偏低,但对枯水期的影响程度与部分气候因子相当。随机森林与支持向量机模型总体精度较高,模拟与预报的合格率均达到85%以上,平均绝对百分比误差均低于15%,支持向量机的泛化能力强于随机森林,但二者在局部极值流量处的预报精度尚有待提升。