基于无偏灰色新陈代谢的大坝变形预测模型

针对大坝变形数据的特点,引入灰色无偏新陈代谢模型,阐述了建模过程与精度检验方法,并用C#语言对模型进行了编程实现,以小浪底水库大坝的变形监测数据为例进行了检验.结果表明,该模型精度高、灵活,实用价值高.     

ARIMA-MC组合模型在大坝变形安全监测中的应用

为及时了解大坝的安全状况,在坝体变形监测资料往往不平稳的基础上,建立了ARIMA预测模型,通过马尔科夫链预测了ARIMA模型的误差,从而修正了模型的预测值,建立了ARIMA-MC组合模型,并结合实测数据验证了此组合模型的有效性。结果表明,ARIMA-MC组合模型预测精度高,具有较好的实用性。     

改进的灰色线性回归组合模型在大坝变形监测中的应用

针对传统的灰色线性回归组合模型要求原始数据序列为单调递增的缺陷,以小湾拱坝某测点的径向位移为例,分别采用两种改进的原始数据二次累加生成法和绝对值法建模进行拟合和预测,并与实测值进行比较。结果表明,绝对值法模型精度较高,更接近于实测值。     

基于LS-SVM—马尔科夫模型的大坝变形预测

针对单一模型在大坝变形预测中精度不高的问题,提出一种基于LS-SVM—马尔科夫模型的预测方法,即基于LS-SVM模型的预测结果,利用马尔科夫模型对其进行误差修正,从而提高了预测精度。通过对某拱坝变形的预测分析,并与LS-SVM模型预测结果进行对比,发现LS-SVM—马尔科夫模型的预测结果较符合实际情况,该模型具有更高的预测精度和优越性。     

基于串联灰色多元回归模型的大坝蓄水期变形性态分析

基于某双曲拱坝蓄水期坝顶水平位移的特点,在对其监测资料进行时空分析基础上,构建了蓄水期坝顶水平位移的多元线性回归模型和串联灰色多元线性回归模型,分析预测了该坝蓄水期变形性态。实例分析结果表明,串联灰色多元线性回归模型预测效果优于多元线性回归模型,更合理地反映大坝蓄水期水平位移的变化趋势。     

RVM-MC模型在大坝变形监控中的应用

基于相关向量机(RVM)本身泛化能力优良,对解决高维数的非线性问题效果明显的优点,将相关向量机应用于大坝安全监控中,采用一种改进的粒子群算法(APPSO)对核函数进行寻优,同时利用马尔科夫链处理模型残差以提高模型的拟合预测精度,进而建立RVM-MC监控模型。实例应用结果表明,与标准RVM模型相比,RVM-MC模型精度和泛化能力均有了显著提高。     

多测点多方向BP网络模型在大坝变形监测中的应用

鉴于大坝变形监测资料分析是大坝结构性态安全评价与预报的重要手段,针对单测点模型存在的缺点,建立了既考虑坝体不同方向的位移又考虑空间多个测点分布的多测点多方向位移模型,并利用BP神经网络较强的非线性映射能力,直接选取了对大坝变形有较大影响的自变量因子,解决了在建立大坝多测点多方向传统模型时自变量因子数众多、计算工作量大等问题。实例应用结果表明,多测点多方向BP网络模型可反映大坝变形的分布及变化规律,可见采用BP神经网络建立大坝多测点多方向变形监测模型具有可行性和有效性。     

系统优化的GM(1,1)模型在大坝位移预测中的应用

针对传统灰色GM(1,1)模型的缺陷,以陈村大坝为例,根据最小二乘原理提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,求得新灰色GM(1,1)预测模型的最优初始值,改进了原GM(1,1)模型的背景值及灰度值,并与传统GM(1,1)模型做了比较.数值仿真结果表明,新模型精度较高,预测效...     

基于动态SVM-MC的大坝变形监测模型及应用

为了提高大坝监测模型的泛化能力和残差辨识的精确性,将支持向量机模型(SVM)和马尔科夫链模型(MC)相结合,建立了SVM-MC大坝变形监测模型,利用马尔科夫链模型处理SVM模型的残差,在进行预测时,采用动态更新模型的方法,即动态SVM-MC模型,并通过实例应用做了比较。结果表明,动态SVM-MC模型提高了预测的精度和泛化能力,可用于复杂大坝的安全建模。     

改进灰色模型在电力负荷预测中的应用

灰色GM（1,1）模型是一种较有效的负荷预测模型,然而由于电力负荷具有多样性,导致对某些变化规律的负荷预测误差较大,精度不能满足要求,在实际应用中具有一定的局限陛。对灰色GM（1,1）模型进行必要的改进,利用等维新信息递推模型进行负荷预测,通过实例分析表明,可提高预测的精度。     

基于深度学习的大坝变形预测模型

鉴于高性能的混凝土坝变形动态预测模型是预测结构性态演化、评价安全服役状况和保障稳定高效运行的关键措施。以混凝土坝原型变形监测数据为基础,借助开源深度学习框架TensorFlow建立了基于深度学习的混凝土坝变形预测模型。工程实例应用结果表明,基于深度学习的混凝土坝变形预测模型各项评价指标均优于现浅层神经网络模型和传统的统计模型,实现了动态高精度预测混凝土坝运行性态,具有很强的工程实用性。     

RBFNN在大坝变形长期预测中的应用

针对大坝变形预测模型长期预测精度较低的问题.提出了一种基于中心等分布的RBFNN长期预测模型,以东江流域某混凝土双曲拱坝为例进行了长期预测,并在同等条件下与BP神经网络和多元回归预测模型进行了比较.结果表明,该模型预测精度较高,具有良好的适用性.     

基于优化果蝇算法和统计模型的混凝土坝变形预测模型及应用

鉴于构建大坝安全监测模型时传统统计模型拟合精度受样本系列长度、资料可靠性、拟合方法等多种因素影响,提出一种基于优化果蝇算法和统计模型的混凝土坝变形预测模型,利用优化果蝇算法对统计模型各项系数进行优化,以提高统计模型的预测精度。对某混凝土拱坝变形的拟合和预测结果表明,相比于统计模型,基于优化果蝇算法和统计模型的变形预测模型预测精度更高,拟合效果更好。     

基于卡尔曼滤波的云模型在某混凝土重力坝裂缝监控指标拟定中的应用

鉴于传统裂缝监控指标拟定方法利用原始监测数据时存在一定的局限性,采用卡尔曼滤波对原始监测数据进行降噪处理,并通过云模型的正、逆向云发生器产生监测数据的期望、熵、超熵等数字特征,利用这些数字特征计算定量的转换值,从而实现定量—定性—定量的转换,进而确定安全监控指标。对某大坝下游面105m高程#18坝块水平裂缝监测序列的拟定结果表明,利用云模型进行安全监控指标拟定符合客观规律,且较传统的典型小概率法更具优势。     

基于VMD的多尺度变量提取法在混凝土坝变形预测中的应用

大坝变形通常呈非线性、非稳定特征,利用可靠的数据驱动模型分析大坝变形变化趋势具有重要意义.为此,提出了一种基于变分模态分解(VMD)的多尺度变量提取大坝变形预测模型,首先利用VMD将变形原始序列分解为若干具有不同频率的子序列,以降低原始序列的非平稳性;然后引入初始变量集,并通过平均影响值—极限学习机模型(MIV-ELM...     

基于逐步回归分析—马尔可夫链模型的大坝变形预测

针对预测大坝变形准确性难度较大的问题,综合逐步回归分析和马尔可夫链的优点,采用逐步回归分析法对大坝原型观测资料进行分析,得到回归模型,并判别回归方程的有效性和精度,同时利用马尔可夫链确定位移时序的状态转移概率矩阵,通过划分残差状态、修正实测值与逐步回归模型拟合值的绝对误差与相对误差,建立了大坝变形预测的逐步回归分析—马尔可夫链预测模型(SRA-MC)。实例应用结果表明,模型的拟合值与实测值吻合良好,预测效果好,可见逐步回归分析—马尔可夫链模型在进行大坝变形预测时具有有效性,可应用于大坝变形预测分析及大坝安全监控预警中。     

基于马尔科夫链修正的RBFNN模型在碾压混凝土重力坝变形预报中的应用

针对径向基神经网络(RBFNN)预报模型的不足,提出了一种基于马尔科夫链修正的RBFNN预报模型,以RBFNN模型的预测结果为基准,利用马尔科夫链进行误差修正,进而显著提高模型的预报精度。以某碾压混凝土重力坝的变形监测为例,建立大坝变形预报模型,并将其结果与单一的RBFNN模型的预报结果做了对比,结果表明,基于马尔科夫链修正的RBFNN预报模型精度更高,结果更符合实际。