基于PCA和CS-KELM的重力坝变形预测模型

重力坝的变形与环境量之间存在复杂的非线性关系、使变形预测模型的输入自变量具有高维性,在一定程度上影响预测模型的精度和泛化能力。因此,提出一种将主成分分析、布谷鸟搜索算法和核极限学习机网络相结合的变形预测模型。该模型通过主成分分析法对与变形相关的水位、温度、时效影响因子进行主成分信息提取,优化网络模型的变量输入,同时采用优化性能更好的布谷鸟搜索算法确定核极限学习机网络的核参数和正则化系数。利用某重力坝的实测资料,对坝体沿坝轴方向和上下游方向的变形位移进行预测,与多种模型预测结果进行对比,并采用不同量化指标进行评价。结果表明,所提模型在两个方向的变形预测中,确定性系数R2分别为0.943和0.931,均高于传统的神经网络和逐步回归模型;在不同测点的上下游方向变形预测中,预测的精度和模型的泛化能力均优于对比模型,从而验证了该模型的可行性和优势。     

基于SSA-LSTM的混凝土拱坝变形预测模型

由于混凝土拱坝在变形过程中有明显的非线性特点,因此参数过多和陷入局部最优的问题是大坝变形预测模型过程中较为常见的问题。通过将麻雀搜索算法(SSA)引入长短期记忆神经网络(LSTM)中,进行超参数优化,建立了SSA-LSTM模型进行混凝土拱坝变形预测模型。以某拱坝多个测点的实测径向位移数据为例,将水压、温度和时效作为输入,坝体径向位移作为输出,使用SSA-LSTM模型与传统的变形预测模型BP神经网络、极限学习机(ELM)和支持向量机(SVM)分别进行回归预测,结果表明SSA-LSTM模型具有较强的预测能力,可用于大坝安全的预警预报。     

基于BO-GRU的混凝土坝变形预测模型

针对混凝土坝变形具有较强的非线性特点、目前大坝变形预测模型出现参数过多及易陷入局部最优等问题,提出了一种深度学习中的门控制循环单元(GRU)模型,并结合贝叶斯优化算法(BO)对门控制循环单元的超参数进行优化,建立BO-GRU模型应用于混凝土坝变形预测。为检验模型的可行性,以实测变形监测数据为基础,并与极限学习机、相关向量机和基于遗传算法优化的支持向量机等模型预测结果进行对比。结果表明:该模型的泛化能力强、运行效率高,能有效运用于混凝土坝的变形预测。     

大坝变形监测统计模型与混沌优化ELM组合模型

变形是反映大坝动态演化的重要效应量。为了提升统计模型预测能力,借助极限学习机(ELM)处理非线性问题的优势,对大坝位移的统计模型残差进行数据挖掘。而极限学习机欠缺对混沌动力特性的考虑,为了解决这个问题,采用混沌理论对统计模型残差进行了混沌动力学特性分析,揭示其混沌特性,并据此重构相空间,从而为混沌优化极限学习机提供先验知识。基于统计模型,结合极限学习机和混沌理论的优点,建立统计模型与混沌优化ELM的组合模型。将该组合模型应用于工程实例,由多个定量评估指标对模型进行性能评价,结果表明,组合模型建模合理,预测精度高于统计模型、统计模型与混沌优化BP神经网络组成的组合模型,在大坝变形监测中具有一定的应用价值。     

基于PCA-SSA-XGBoost算法的拱坝应力预测模型研究

由于大坝应力受水位、温度等众多因素共同作用,各影响因子间的相互关联会引起多重共线性问题,容易导致以此为输入的预测模型出现伪回归现象。此外,现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象,其预测精度还有待提高。针对上述问题,提出了基于主成分分析法(PCA)和麻雀搜索算法(SSA)改进的极限梯度提升算法(PCA-SSA-XGBoost)构建拱坝应力预测模型。该模型首先采用主成分分析法对参数进行降维,降低影响因子的多重共线性影响;进而通过SSA算法优化XGBoost的超参数,以避免传统算法过拟合,进一步提高模型预测性能。将该模型应用于我国西南某混凝土拱坝工程,对应力及应力相关监测数据进行处理、分析和预测,并与多元线性回归模型(MVLR)、神经网络模型(RBFNN)、极限梯度提升回归预测模型(XGBR)的预测结果进行对比分析。结果表明,基于PCA-SSA-XGBoost算法的应力预测模型可克服输入变量的多重共线性和过拟合问题,在预测精度方面具有优越性。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

膨胀土分类的PCA-ELM模型及应用

为更合理确定膨胀土类别,将主成分分析(PCA)与极限学习机(ELM)相结合,提出一种膨胀土分类的PCA-ELM模型。选取能充分反映膨胀土类别的液限、塑性指数、<2 μm胶粒含量与自由膨胀率4项指标进行分析,运用主成分分析对各指标进行相关性处理,依据方差累计贡献率得出2个主成分。将70%的样本划分为训练集,30%划分为测试集,将训练集作为极限学习机输入,并采用十折交叉验证以优化模型参数,从而得到最优分类模型。然后将测试集作为最优模型输入,得到分类结果。最后,选用2个工程实例共32个样本对所建立模型进行验证,结果表明:该模型分类结果与实际较吻合;训练集与测试集分类精度分别达94.20%和79.00%,并具有较快的训练速度。PCA-ELM模型适用于大规模数据的分类预测。     

基于改进IGGⅢ-ELM法的混凝土坝变形监测数据粗差识别方法

针对混凝土坝变形监测数据存在非线性强、粗差识别与剔除困难等问题,结合改进IGGⅢ法对异常值的抗差能力强、极限学习机(ELM)对数据序列预测效率高和对非线性问题处理能力强、增量ELM寻找最优网络结构速度快等优势,提出了基于改进IGGⅢ-ELM法的混凝土坝变形监测数据粗差识别方法,并采用包含两个调和系数的四段权函数对IGGⅢ-ELM法进行改进,使得权函数的一阶导数处处光滑,增强了权函数突变范围内信息的可利用性。与IGGⅢ-ELM法、DBSCAN聚类算法、罗曼诺夫斯基准则和拉依达准则的实例处理结果对比表明:基于改进IGGⅢ-ELM法的混凝土坝变形监测数据粗差识别方法较其他4种方法粗差识别率更高、泛化能力更强、预测效果更好。     

基于EEMD-ELM的大坝变形预测模型

建立合理可信的大坝变形监控模型对科学有效地分析大坝变形监测数据和准确可靠地评估大坝工作运行状况意义重大。通过EEMD算法分解大坝变形量,得到代表不同特征尺度的本征模函数(IMF)分量,针对不同IMF分量选择不同影响因素,将各IMF分量作为极限学习机(ELM)的训练样本对大坝变形分量进行分析、拟合、预测,最后累加各IMF分量的预测结果得到大坝变形预测值。以某碾压混凝土重力坝为例,利用EEMD-ELM模型对大坝变形量进行预测,同时与BPNN模型和ELM模型的预测结果进行对比分析,其中EEMD-ELM模型的平均相对误差为0.566,较BPNN模型、ELM模型分别降低54%和14.8%,表明EEMD-ELM模型预测精度更高,具备一定的应用价值。     

基于遗传算法优化极限学习机模型的干旱预测——以云贵高原为例

为准确预测干旱情势,提高防旱抗旱能力,构建了遗传算法优化的极限学习机(GA-ELM)模型进行干旱预测。以近年来干旱频发的云贵高原为研究区,利用该模型以关键致旱因子为输入变量实现了云贵高原中长期干旱预测,并与自适应神经模糊推理系统(Adaptive Neural Fuzzy Inference System,ANFIS)模型、极限学习机(Extreme Learning Machine,ELM)模型的预测结果进行比较。结果表明:GA-ELM模型适用于云贵高原地区的干旱预测;与ELM模型相比,不同时间尺度下GA-ELM模型的干旱预测结果精度均有明显提升;在干旱强度和干旱历时方面,GA-ELM模型的预测精度总体上也优于ANFIS模型。     

基于改进EMD-SSA-KELM的用水量预测方法研究

针对用水量具有波动性和不确定性,且预测时存在精度低、可信度差等问题,提出了改进经验模态分解法与麻雀搜索算法优化核极限学习机的组合预测模型。首先使用长短期记忆网络对人民胜利渠的原始引黄用水量序列进行极值延拓,改进经验模态分解法的端点效应;然后通过改进后的经验模态分解法将时序信号分解为若干个本征模态分量,使原始用水量信号平稳化;最后利用麻雀搜索算法优化核极限学习机,对原始用水量序列与通过改进后经验模态分解方法的用水量序列进行预测对比。结果表明：基于改进后经验模态分解方法有效地抑制了端点效应,模型预测误差降低43.51%、可信度提高76.79%,因此采用改进经验模态分解方法有效地提高麻雀搜索算法优化核极限学习机组合模型的预测精度和可信度,在水资源预测中更具适应性。     

基于混合优化算法的砂砾料面板堆石坝压实质量评价模型及工程应用研究

良好的压实质量评价模型是砂砾料面板堆石坝压实质量实时有效控制的关键。【目的】为改善现有模型的预测精度和泛化能力，【方法】依据新疆阿尔塔什混凝土面板堆石坝工程实例，采用主成分分析法优化数据样本空间，提出自适应差分进化算法与极限学习机相结合的混合优化算法，构建了基于混合优化算法的砂砾料面板堆石坝压实质量评价模型，并与现场实测结果以及其他模型预测结果进行对比分析。【结果】结果显示：该评价模型的预测结果与工程实际值的平均绝对误差MAE为0.007 08,均方误差MSE为0.000 092 3,采用原始数据预测的MAE和MSE分别为0.010 6、0.000 223;与ELM、BP、RBF等模型对比显示，该评价模型预测结果与实测结果的皮尔逊相关系数为0.824,平均绝对百分比误差MAPE为0.62%,ELM、BP、RBF模型预测结果与实测结果的皮尔逊相关系数分别为0.447、0.43、0.556,MAPE分别为1.18%、1.59%、1.01%。【结论】结果表明：碾压参数、料源参数和气象参数是影响坝体压实质量的关键控制影响因子；通过主成分分析，降低了样本空间维度，提升了模型训练效率；与实测结果相...     

人工电场算法优化的极限学习机大坝变形预测模型研究

为提高水库大坝变形预测精度,研究一种将人工电场算法(AEFA)与极限学习机(ELM)相结合的预测方法。以官地水电站72期大坝沉降数据为例,构建延迟时间为1,嵌入维数为2、3、5的3种ELM预测模型,利用AEFA优化ELM输入层权值和隐含层偏值,构建3种不同嵌入维的AEFA-ELM大坝变形预测模型,并构建对应的AEFA-支持向量机(SVM)、AEFA-BP作预测对比模型。将9种不同嵌入维的AEFA-ELM、AEFA-SVM、AEFA-BP模型用于实例大坝变形数据的训练和预测。结果表明：嵌入维数为2、3、5的AEFA-ELM模型对实例后10期大坝变形预测的平均相对误差分别为3.94%、4.08%、3.67%,预测误差均小于AEFA-SVM、AEFA-BP模型,具有较高的预测精度,对大坝变形预测研究具有一定的参考价值。     

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。     

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AdaBoost-SVM的混凝土坝变形预测模型

针对混凝土坝变形预测模型中环境量与效应量之间复杂的非线性问题,以及单支持向量机(SVM)模型预测精度不高的问题,提出一种AdaBoost-SVM的混凝土坝变形预测模型,该模型采用结构风险最小化的原则,并借鉴提升算法强化学习的思想,从而提高模型的学习性能,达到增强模型泛化能力和预测精度的目的。结合实例,经过AdaBoost-SVM预测模型对混凝土坝位移原型监测数据进行训练及预测,并将预测结果与单支持向量机模型的预测结果进行对比,结果显示:基于AdaBoost-SVM预测模型得到的均方差为0.5565,平均误差绝对值为0.40,预测精度比单支持向量机模型高出一个数量级;而且相较于单支持向量机预测模型,强化后的模型在预测时段表现出更好的稳定性。该模型综合了提升算法与支持向量机各自的优势,可作为混凝土坝变形预测的一种有效方法。     

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。     

基于信息熵与改进极限学习机的中长期径流预测

为提高流域中长期径流预测精度,提出一种基于信息熵与改进极限学习机的中长期径流预测方法。首先,基于不同水文站点的流域控制面积构造径流综合指数,在较宏观层面表征流域水情丰枯变化;其次,采用偏互信息法计算影响对象与径流综合指数之间的相关性,获得径流过程变化的关键因子集,形成预测模型输入;最后,结合K折交叉验证与改进粒子群算法优化极限学习机(ELM)参数,构建IPSO-ELM模型,用于中长期径流预测。以雅砻江流域为例,将所建模型与BP神经网络(BPNN)、支持向量机(SVM)、ELM和PSO-ELM等预测模型进行对比分析。结果表明:所提模型的E_(mape)、E_(rmse)、E_(dc)、E_(qr)和E_(re)等性能评价指标明显优于上述4种模型;5种预测模型在D1数据集上的预测效果整体上胜于D2。     

基于奇异谱分析与PSO优化SVM的混凝土坝变形监控模型

针对混凝土坝自动化变形监测数据存在噪声成分,且变形与环境影响因素间呈现出复杂的非线性关系等问题,提出了基于奇异谱分析(SSA)与粒子群算法(PSO)优化支持向量机(SVM)的混凝土坝变形监控模型。模型利用SSA对实测变形进行分解,提取其蕴含的趋势与周期性成分并对变形加以重构;在此基础上,采用基于PSO优化的SVM对重构变形与环境影响因素间复杂的非线性函数关系进行挖掘。实例验证结果表明,该模型具有较好的拟合与预测精度,可以有效地挖掘实测变形蕴含的数据特征,减小噪声成分对建模精度的影响,具有一定的工程应用价值。