土石坝渗流性态分析的IAO-XGBoost集成学习模型与 预测结果解释

针对现有土石坝渗流数值模拟方法计算效率较低、难以实时分析大坝渗流性态，而现有基于机器学习算法建立的代理模型又存在模型可解释性较差的问题，提出土石坝渗流性态分析的IAO-XGBoost集成学习模型，并基于Shapley加性解释(SHapley Additive exPlanation, SHAP)理论对预测结果进行解释。在采用多地质体自动建模方法和CFD技术对大坝渗流场进行计算分析的基础上，基于改进的天鹰(Improved Aquila Optimization, IAO)算法优化极限梯度提升(eXtreme Gradient Boosting, XGBoost)集成学习算法中的n＿estimators、max＿depth和learning＿rate等超参数，进而建立基于IAO-XGBoost集成学习算法的大坝渗流性态指标预测模型，以揭示上下游水位和坝基地层渗透系数等输入特征变量与渗流性态指标模拟值间的复杂非线性映射关系。进一步地，将IAO-XGBoost集成学习算法与可解释机器学习框架SHAP理论相结合，挖掘影响大坝渗流性态指标预测结果的关键特征，并解释特征变量对渗流性态指标预测的影响...     

基于LMBP神经网络的土石坝渗流压力预测

渗流压力是反映大坝工作状态的重要物理量,对渗流压力进行预测分析可以及时了解大坝渗流状况和趋势。为克服标准BP算法收敛速度慢、泛化能力弱和计算量大等不足,引入LM算法优化标准BP神经网络的权值和阈值,提高BP神经网络对土石坝渗流压力的预测效果。根据渗流分析,给出了渗流压力的统计模型,由统计模型选取上下游水位、降雨和时效作为神经网络输入层因子,以渗流压力作为输出层因子,建立了3层LMBP神经网络大坝渗流压力预测模型。利用MATLAB进行了多组仿真试验,确定了使本次渗流压力预测效果更好的训练样本数据量区间。以渗流压力实测数据及同期库水位和降雨资料作为训练样本,在选取适当数据量的训练样本的基础上,运用LM算法对BP网络进行训练,利用测试样本对训练好的神经网络进行测试。将同结构的LMBP神经网络和标准BP神经网络应用于某土石坝渗流压力的预测中,应用结果表明,LMBP神经网络收敛速度更快、拟合和预测精度更高,在土石坝渗流压力分析和预测应用方面是可行的。     

基于人工蜂群算法与Elman神经网络的大坝变形监控模型

针对Elman神经网络收敛速度慢、容易陷入局部极小等问题,建立了人工蜂群算法(ABC)与Elman神经网络组合的大坝变形监控模型。应用于某混凝土重力坝的结果表明,单纯Elman神经网络建模方法预测的相对误差和标准差分别为3.50%和0.131,ABC-Elman(人工蜂群算法与Elman神经网络)模型预测的相对误差和标准差分别为1.98%和0.063。从各影响因子对大坝变形的贡献上看,水压分量占27.9%,温度分量占62.3%,时效分量占9.8%。ABC-Elman模型在建模效率、预测精度等方面均有一定的优势,较适合于大坝变形的建模分析,并可推广于大坝渗流、应力等监控模型中。     

贝叶斯框架下大坝渗流参数反演组合代理模型研究

渗流参数贝叶斯反演的关键在于解决对渗流正演模型大量调用而导致的计算耗时问题.现有提高贝叶斯反演计算效率的研究大多采用基于单一机器学习算法的代理模型,计算精度较低.针对上述问题,本文提出一种贝叶斯框架下大坝渗流参数反演组合代理模型.该方法在贝叶斯框架下集成支持向量回归(SVR)、Kriging和多元自适应回归样条(MAR...     

基于PSO-SVM的大坝渗流监测时间序列非线性预报模型

大坝渗流监测分析是大坝安全监控的重要内容，预测分析的难点之一在于渗流监测数据往往具有复杂的非线性特点。本文充分利用支持向量机的结构风险最小化与粒子群算法快速全局优化的特点，采用粒子群算法快速优化支持向量机的模型参数，通过该模型对非线性监测数据进行拟合，建立了基于PSO_SVM的大坝渗流监测的时间序列非线性预报模型。本模型应用于隔河岩水电站的坝基渗流量的预测，计算结果与实际监测值吻合良好。     

基于随机森林的大坝渗流监测研究

坝体的安全监测内容十分重要,它可以反映大坝实际安全稳定状态,能够降低施工风险.为解决传统回归模型预测效果差及人工智能模型预测过拟合问题,将随机森林算法运用到某大坝渗流安全监测中,结合多年实际监测资料,创建渗流监测模型研究结果表明,得到的训练、预测期模拟值与实测值基本一致,预测效果良好,并与BP神经网络模型就预测精度与稳...     

机器学习算法在大坝安全监控系统中的集成方法

为方便在大坝安全监控系统中灵活应用新型机器学习算法,提出了一种应用组件对象模型(COM)技术将机器学习算法集成到大坝安全监控系统中的方法,相比于在开发系统中直接对机器学习算法进行编程,该方法可节省大量的编程时间,缩短开发周期,效果较好.     

大坝监测数据的时序预测与补全

大坝安全数据的时间序列预测和补全是大坝安全监测中两个常见问题。在实际应用中,应对这两类问题已有相应的经验模型,但由于经验模型过于简单,经验模型在上述两类问题上的效果并不理想。采用机器学习中的决策树模型和神经网络模型,为上述两类问题提供全新的解决方案。基于某水电大坝实测数据,对不同坝段的大坝安全数据进行预测和补全,结果表明本文模型相比于传统经验模型预测与补全精度均显著提高,同时,该模型还可以对模型输出结果进行不确定性分析,增强了结果的可靠性。     

基于二次模态分解和深度学习的大坝变形预测模型

为充分提取大坝变形监测数据的非线性和非平稳性特征,深度挖掘其前后信息的拓扑关系,有效提高预测精度,提出了一种基于二次模态分解和蜣螂优化算法的双向长短期记忆神经网络大坝变形预测模型。该模型引入融合自适应噪声完备集成经验模态分解和变分模态分解的二次模态分解对数据进行预处理,有效降低高频非平稳性分量对预测精度的不利影响,并利用蜣螂优化算法对双向长短期记忆神经网络进行超参数寻优以深度挖掘大坝变形数据的有效信息。以某水电站大坝为例,将该模型预测结果与多种常用模型的预测结果进行对比分析,结果表明该模型可有效挖掘大坝变形数据复杂的非线性特征,其预测精度明显优于对比模型,验证了该模型在大坝变形预测中的可行性与优越性。     

基于逐步回归法的BP神经网络在大坝渗流分析中的应用

以大坝渗流监测数据为分析对象,建立逐步回归-优化后BP神经网络模型,运用matlab工具箱函数,采用L-M算法训练函数,比较不同的网络结构的计算速度。以江西省大余县油罗口水库为例,对大坝进行渗流分析。结果表明,采用逐步回归-优化后的BP神经网络模型可提升训练速度,提高计算效率,在统计模型预测精度较差时,拟合效果提高明显。     

基于Prophet模型的江坪河水电站面板堆石坝变形预测

基于机器学习的时间序列预测方法能够挖掘时序数据本身的规律,可提高大坝变形预测的精度。以江坪河水电站面板堆石坝为研究对象,对监测资料进行分析,采用Prophet机器学习模型建立堆石坝变形监测数据的时间序列预测模型,并采用贝叶斯优化Prophet模型的超参数。预测结果表明,利用机器学习模型预测堆石坝变形的精度是可以接受的,且实施过程方便快捷,无需太多的人工干预,对建立面板堆石坝的长期变形的实时动态预测模型与高堆石坝全生命周期的性状评估与隐患及时预警具有一定的实用价值。     

神经网络方法在致密油藏非线性渗流模型中的应用

微纳米尺度下,流体的流动规律呈现非线性渗流规律,故需基于微纳米空间中受限流体的非牛顿流体特征,建立液体的非线性渗流模型,模型中的参数需要通过流动实验得到。为了更方便地获取模型参数,预测流体在致密油藏孔隙中的渗流特征,该文基于神经网络预测方法,用现有的实验拟合数据进行机器学习,从而预测出模型参数。并以胜利油田某致密油藏为研究对象,选取77块致密岩芯并测量其物性参数,将渗透率、孔隙半径和稠度系数作为输入参数,建立了预测模型参数的神经网络模型。研究结果表明：使用反向传播神经网络方法,可以准确预测致密油藏中油和水流动时的非线性渗流模型参数,未来可用于预测油藏储层中其他物性特征,具有较高的准确性和广阔的前景。     

优化BP网络在均质土坝变形预测中的应用

宁夏南部山区小型水库除险加固普遍采用坝前淤积面加坝技术,且坝体多建于湿陷性黄土基础上,在自重、渗流等多种因素作用下极易产生变形。为准确判定坝前淤积面加坝技术的合理性和可靠性,可利用BP神经网络分析预测大坝坝体变形情况与未来趋势,但传统的BP算法需对数据进行标准化处理,为了简化数据的标准化处理过程,提高处理效率,提出了传递函数的优化方法,并把优化后的BP网络应用于大坝表面变形预测中,得到了较满意的结果。     

基于滞后效应的土石坝渗流监控模型

本文引入了库水位和降雨的滞后影响函数，以考虑库水位、降雨等因素对大坝渗流的滞后效应，并建立了考虑滞后效应的大坝渗流监控模型。计算实例表明，该模型能较好地反映库水位、降雨等因素对渗流的滞后效应，且模型精度较高，可预报大坝的渗流状态。     

基于相空间重构理论的神经网络在大坝渗流预测中的应用

简述了混沌预测方法和原理,提出运用神经网络来模拟混沌系统的动力学模型。通过实例重构出大坝渗流观测数据相空间,将其作为神经网络的输入,对渗流观测数据进行了预测。计算结果表明,基于相空间重构理论的神经网络模型具有一定的准确性和有效性,对于处理非线性问题是一种有益的探索。     

英国巴特利大坝渗流应对措施研究

Willowstick方法论,由磁电阻率法发展而来,能快速识别地图与模型优先渗流路径。以英国巴特利大坝为例,利用该方法在大坝的上下游均布置电极。上游电极布置在水库中,下游电极通常布置在渗流区,利用测得的数据进行反演算,以此预测电流通过地下研究区的三维分布状况,以追踪到优先的渗流路径,并对具体的渗流问题作出合理解释。对研究方法及案例的研究过程进行了简单介绍。     

大坝渗流分析模型与分析方法研究

论述了大坝渗流观测中的数学模型和研究方法,分析了统计模型、确定性模型、灰色理论模型和模糊数学模型等的特点,介绍了人工神经网络、遗传算法等研究方法的优点,并以灰色理论模型为例介绍了大坝渗流观测模型的建立过程。     

七一水库大坝渗流安全分析评价

对江西省玉山县七一水库自1996年1月至2003年12月的大坝渗流观测资料进行了分析,并建立了用来预报、检验测点水位和能反映大坝实际渗流性态的多因子统计模型．在此基础上结合观测资料采用有限元法反演了大坝各填筑区的渗透系数,并预测了未来高水位时大坝的渗流安全性。     

基于BBO-SVM的大坝变形预测模型与性能验证

针对大坝监测数据小样本、高维度和非线性的特点,引入支持向量机(SVM)机器学习方法,采用生物地理学优化算法(BBO)优化其惩罚因子c和核函数参数g,建立了基于BBO-SVM的大坝变形预测模型。结合2011—2016年水口大坝4个测点共900组环境量与效应量监测数据,对模型预测性能进行了验证,并将预测结果与SVM、PSO-SVM和ABC-SVM大坝变形预测模型进行对比。结果表明:文中提出的BBO-SVM模型不仅预测精度高,且稳定性更好,4个测点的均方根误差分别达到了0.332 0、0.473 5、0.405 7、0.222 8,拟合优度分别达到了0.910 4、0.961 0、0.962 4、0.956 9。本研究可提高大坝安全监测成果利用,对于大坝健康状态预测评估具有一定的工程指导意义。     

基于LMD与样本熵的多尺度大坝变形预测

针对大坝变形数据的多尺度特征,将局域均值分解、样本熵及高斯过程算法应用于大坝变形预测中,提出了多尺度大坝变形预测新模型。首先利用局域均值分解算法对变形数据进行多尺度分析,挖掘变形数据隐含的信息,随后根据各变形分量特征,构建基于高斯过程的多尺度大坝变形预测模型,并利用样本熵对模型进行简化。通过实例分析,证实该大坝变形预测新方法精度高于BP网络和最小二乘支持向量机模型。