基于优化VMD与GRU的混凝土坝变形预测模型

为提高大坝变形预测精度,基于“分解-重构”思想,采用变形信号处理技术对实测变形加以时频分解,并结合深度学习网络对分解信号分项预测再重构,提出一种基于优化变分模态分解(VMD)与门控循环单元(GRU)的混凝土坝变形预测模型。该模型使用灰狼优化算法(GWO)优化的VMD把原始数据分解为一组最优本征模态分量(IMF),利用GWO优化的GRU网络对每个IMF分量进行滚动预测,通过叠加各个分量的预测结果得到位移序列预测结果,解决了VMD人工选择参数导致分解效果差及GRU人工选择参数影响训练速度、使用效果及鲁棒性等问题。工程实例预测结果表明,该模型的预测误差小,具有良好的预测精度与稳健性。     

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EMD-FOA-BP神经网络的大坝变形预测研究

建立了以经验模态分解法(EMD)和果蝇算法(FOA)优化BP神经网络为基础的EMD-FOA-BP大坝变形预测模型,该模型首先利用EMD将大坝变形序列分解成相对平稳的分量,再根据各分量的特点构造不同FOA-BP模型并进行预测,叠加各分量预测值得到最终预测结果。结果表明,EMD-FOA-BP模型的自适应能力、学习能力及非线性映射能力较强,在大坝变形预测应用中能有效提高精度,预测精度较FOA-BP模型有所提高,且明显优于BP神经网络模型和GA-BP模型。     

基于EEMD的区域地下水埋深PSO-ELM预测模型

针对区域地下水埋深时间序列预测问题,本文将集合经验模态分解(EEMD)、粒子群算法(PSO)和极限学习机(ELM)组合,构建了EEMD-PSO-ELM地下水埋深预测模型。选用黑龙江省三江平原友谊农场地下水埋深的时间序列数据,首先利用EEMD将地下水埋深时序数据分解成若干个IMF分量,根据各分量均值将IMF分量分组叠加为高频部分、低频部分和余项;然后针对3个新序列分别构建不同的PSO-ELM模型,进而得到3组预测值,最后将预测值叠加就得到原始地下水埋深序列的最终预测值。通过精度检验发现,该组合预测模型预测效果很好;与径向基网络(radial basis function neural network,RBF)、PSO-ELM模型和ELM模型对比分析,实验结果表明,EEMD和PSO均能有效改善ELM神经网络的预测精度,ELM神经网络在区域地下水埋深预测方面有很大的应用前景。     

EMD-GM(1,1)模型及在大坝变形预测中的应用

大坝水平位移影响因素复杂,形成的数据序列一般不具有单调性,但灰色GM(1,1)模型只有在数据序列具有单调性时才能得到比较好的结果。针对这种情况,详细讨论了EMD-GM(1,1)模型的基本内容及建模过程。EMD-GM(1,1)模型利用EMD的自适应性,自动地从目标序列提取出若干个独立的内在模式分量（IMF）,剩余余项则具有单调性,然后采用GM(1,1)模型对余项进行拟合,并使用适宜的方法对各IMF分量进行拟合,最后通过加权平均求出最终值。仿真试验表明,EMD-GM(1,1)模型由于考虑了白噪声对模型的影响,提高了灰区间的白色度,预测效果比传统的GM (1,1)模型效果好。因此,在大坝变形的预测预报中EMD-GM(1,1)模型比GM (1,1)模型具有更高的应用价值。     

基于LSTM-Arima的大坝变形组合预测模型及其应用

大坝变形是水压、温度等多种因素综合作用的结果,变形监测数据是非平稳非线性的时间序列,并且在时间维度上具有关联性。为充分挖掘变形监测数据在长短时间跨度上的关联性,提出了应用长短期记忆网络(LSTM)预测大坝变形的方法。为进一步提升预测精度,利用自回归差分移动平均模型(Arima)对预测残差进行误差修正,从而建立基于LSTM-Arima的大坝变形组合预测模型。以某混凝土重力坝为例,将组合模型的预测结果与Arima模型、支持向量机(SVM)的预测结果进行对比分析。结果表明LSTM-Arima的预测结果优于Arima模型和SVM的预测结果,LSTM-Arima的均方根误差(RMSE) 比Arima模型和SVM分别降低了40.65%和59.00%,平均绝对误差(MAE)分别降低了35.49%和55.60%,表明LSTM-Arima模型具有较高的预测精度。研究成果对于更精确地开展大坝变形预测有一定参考价值。     

基于动态MIC优化TCN的混凝土坝变形预测模型研究

混凝土大坝变形是其安全运行的主要控制指标,对大坝变形的预测就显得尤其重要。为降低常规预测模型因未考虑环境量的时滞性所带来的误差,采用最大信息系数方法(MIC)计算水位影响因子和大坝位移的时滞关系,并确定最佳滞后时间。进一步,采用时间卷积网络(TCN)解决了混凝土重力坝的变形预测的高维非线性难题,并不断逼近坝体位移影响因子矩阵空间和位移目标向量之间的最佳映射关系,进而得到大坝变形的预测模型,并将其预测结果与常用的ARIMA模型进行对比。结果表明,MIC-TCN模型比ARIMA模型有更好的预测效果。     

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于EMD-EEMD-LSTM的大坝变形预测模型

大坝变形监测数据通常呈强波动性,针对大坝变形信息中的高频分量,提出了EMD-EEMD-LSTM模型对其中的大坝变形信息进行分析,预测大坝变形趋势。首先,选取EMD对原始大坝变形序列进行分解,得到若干分量;针对高频分量,使用EEMD对其进行分解,以挖掘蕴含其中的有效变形信息;最后以LSTM为预测模型,对上述得到的各分量进行建模分析。分析表明,EMD-EEMD模型可以有效解决了原始变形序列及高频分量的强波动性,结合LSTM在时序预测中的优越性,基于EMD-EEMD-LSTM的大坝变形预测模型具有较高精度。     

基于集合经验模态分解和支持向量机的大坝变形预测方法

受水位、温度等诸多因素共同影响,大坝变形具有随机性和非线性特征,提出了一种基于集合经验模态分解(EEMD)和支持向量机(SVM)的大坝变形预测算法。算法先对大坝位移序列进行集合经验模态分解,有效分离出隐含在时序中的非线性高频波动成分和低频趋势成分;其次根据各分量特点构造不同的SVM进行预测,最后叠加各分量预测值得到预测结果。与BP神经网络模型及传统支持向量机的对比结果表明,所提预测算法具有较强的自适应预测能力,预测精度较高。     

基于EEMD-LSTM-MLR的大坝变形组合预测模型

大坝变形监测数据序列具有非平稳、非线性特征,是水压、温度和时效综合作用的结果.引入集合经验模态分解(EEMD)方法处理变形数据,在得到多尺度大坝变形分量的基础上,对于其变化复杂的高频分量,采取长短期记忆神经网络(LSTM)以获得较优预测结果;对于周期性变化的低频分量,借助多元线性回归(MLR)实现快捷且有效的预测;最终...     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。     

基于小波EGM-ISFLA-SVR的大坝变形组合预测模型

为了提高大坝变形监控模型的预测能力,充分挖掘变形实测数据并及时了解大坝的运行性态,提出了一种基于小波EGM-ISFLA-SVR的大坝变形组合预测模型。该模型首先应用小波分析进行去噪,提取变形监测序列的时效分量以及由水压、温度分量组成的综合效应分量。然后,分别运用均值GM(1,1)模型和基于改进的混合蛙跳算法的支持回归机模型对两种序列进行建模和预测。最后,经小波重构得到组合模型。通过工程实例对模型效果加以检验,采用多项指标分别与传统统计模型的拟合精度和预测精度进行对比。结果显示,该模型拟合时具有比统计模型更大的复相关系数和更小的均方差;预测时均方差、平均绝对百分比误差和平均绝对误差均小于统计模型,表明该模型具有更高的拟合和预测精度和更强的泛化能力。     

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CEEMDAN-PE-LSTM的混凝土坝变形预测

由于混凝土坝变形监测数据有明显的非线性、非平稳特征,且数据序列包含一定的噪声,容易导致模型预测精度不高。针对上述问题,提出了基于自适应噪声完全集合经验模态分解（CEEMDAN）-排列熵（PE）-长短时记忆神经网络（LSTM）的混凝土坝变形预测模型。利用CEEMDAN对非线性信号的自适应分解能力,将原始变形数据分解为频率不同、复杂度差异明显的一组固有模态函数（IMF）,降低序列中不同尺度信息的相互影响。基于PE算法将复杂度相近的IMF分量进行合并重组。最后,对若干重组序列分别构建LSTM模型进行预测,将预测结果相加得到最终变形预测值。以某混凝土坝水平位移监测数据进行建模分析,结果表明:CEEMDAN-PE-LSTM模型与常规模型相比预测精度显著提高,能更好地对非线性数据序列进行预测。与单一的LSTM模型相比,平均绝对误差、平均绝对百分比误差和均方根误差分别降低了76.43%、75.55%和74.73%,表明该模型通过对原始序列的分解与重组获取不同尺度特征,可以更好地把握非线性、非平稳数据的变化规律,提高预测精度,能有效运用于混凝土坝的变形预测。     

基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSO-ANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。     

WA-BT-ELM耦合模型在黄土滑坡位移预测中的应用

黄土滑坡的变形演化过程往往受到多种因素的影响,呈现出非线性特征。基于小波分析函数(Wavelet Analysis,WA)、提升回归树(Boosting Regression Tree,BT),以及极限训练机(Extreme Learning Machine,ELM)方法,提出一种名为WA-BT-ELM的黄土滑坡位移预测新方法。该方法将非线性位移数据作为一时间序列,运用小波分析函数将监测点累积位移曲线分解为若干子小波;随后使用提升回归树对所有子小波进行重要度分析,剔除相关性不高的子小波以去掉冗杂信息;最后运用极限训练机,结合筛选得到的子小波对滑坡位移进行预测分析。基于该模型对甘肃省永靖县黑方台滑坡区的滑坡位移监测数据进行预测,得到了优于ANN,BPNN,SVM,ELM,以及WA-ELM预测模型的结果,故认为WA-BT-ELM模型是一种有效的黄土滑坡位移预测方法。     

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。