BP神经网络在大坝位移监测中的应用

利用BP神经网络模型较强的非线性处理能力特性,以水位、温度和时效作为输入层,大坝位移为输出层,建立BP神经网络模型对龙滩大坝的位移监测数据进行模拟和预测,并将拟合值、预报值和实测值进行对比分析,结果表明:BP神经网络模型对大坝位移拟合效果较好,预报值精度较高,具有一定的参考应用价值。     

基于LM算法的BP神经网络在大坝变形监测数据处理中的应用

针对传统反向传播（BP）神经网络收敛速度慢、计算量大的缺点,引入一种结合LM（Leverberg Marquart）优化算法的BP神经网络,并应用在大坝的变形预报中。实验结果表明,新模型具有训练速度快、预测精度高的特点。     

BP算法在贮灰坝监测系统中的应用

人工神经网络是当前最常用的人工智能算法，能够解决对复杂函数关系的非线性映射问题。在贮灰坝监测系统中，需要对各个测点的水位规律进行模拟，从而了解坝体浸润线的规律，为预测坝体下一工况的稳定性提供依据。文中应用BP网络较好地解决了贮灰坝监测系统的预测问题，具有广阔的应用前景。     

新安江模型和改进BP神经网络模型在闽江水文预报中的应用

精确的水文预报是防洪减灾中重要的非工程措施,水文模型是开展水文预报最有力的工具。采用LM算法改进了的BP神经网络水文预报模型,以闽江富屯溪流域为例,进行了BP模型和新安江模型在日流量模拟预报中的应用比较。结果表明:两个模型总体均达到水文预报的精度要求,水文预报合格率可达到90%以上;新安江模型在丰水年模拟效果较好,相比而言,BP神经网络模型的模拟精度更高一些;两个模型均可用于闽江流域的水文预报研究。     

GPS技术在苗家坝水电站滑坡体监测中的应用

介绍GPS自动监测技术在苗家坝水电站滑坡体监测中的应用情况,并与传统监测手段及其监测数据进行了比较与分析,为边坡稳定安全监测提供了成功经验,使监测数据更加准确化,大大减轻了监测人员的工作强度。     

改进型LM-BP神经网络在水质评价中的应用

为了克服传统BP神经网络在水质评价中的不足,利用双极性S型函数输出可为正或负的特性以及LM算法具有梯度下降法的全局特性和高斯-牛顿的局部特性,对BP神经网络法进行改进,提出了基于双极性S型函数的改进型LM-BP神经网络模型的水质评价方法。应用结果表明,将此网络模型应用于水质评价是有效的、可行的。与其他评价方法相比,评价结果更加客观、合理。改进后的算法收敛速度较快,预测精度很高,为水质评价提供了一种新方法。     

马延坡滑坡体深部位移监测成果分析

马延坡边坡是向家坝水电站工程施工的重要区域,由于边坡开挖切脚和大量降雨影响,形成大规模滑坡趋势,对向家坝工程顺利施工影响重大.为此,布置了深部变形观测孔(测斜孔),对该滑坡体的深部位移进行了连续监测.根据监测成果确定了滑动面的具体位置,并跟踪分析了滑坡体的变形规律,为指导滑坡体的综合治理发挥了积极的作用.     

改进的BP神经网络模型在大坝安全监测预报中的应用

针对BP神经网络模型存在的缺陷进行了改进 ,并将改进的BP模型应用于大坝安全监测中效应量的预报。示例证明 ,改进的BP神经网络模型与常规BP神经网络模型及回归统计模型比较具有明显的优越性     

改进RBF神经网络法在大坝位移分析中的应用

针对RBF神经网络容易出现局部最优解和收敛速度慢的问题,提出引入惯性权重来改进混合蛙跳算法,继而用改进方法优化RBF神经网络。改进的混合蛙跳算法通过设定一个合理的初始权重,从而达到修正青蛙群体的更新策略、跳出局部最优解、避免早熟的目的,同时具有平衡全局搜索和局部搜索的能力,很好地解决了传统RBF神经网络局部最优和收敛速度慢的问题。以某大坝位移分析为例,采用基于改进蛙跳算法的RBF神经网络后,模型预测精度有了较大的提高,与工程实际更为接近,具有一定的工程实用价值。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

改进的BP神经网络在大坝安全监控中的应用

针对经典BP神经网络运行中存在的缺陷，提出了改进的BP神经网络，不仅解决了经典BP网络易陷入局部最小的弊端，而且应用的0.618分割选取法能使网络快速找到较优隐含层节点数，初始权值的自相关修正进一步提高了网络的稳定性。实际应用证明，改进的BP神经网络有效提高了网络质量，适合大型网络的构建与训练。     

基于改进BP神经网络的大坝变形监测模型预报

变形监测是大坝安全运行的重要保证,结合白石水库混凝土坝真空激光X向位移资料进行分析,提出应用改进的BP神经网络思想建立的安全监测模型,结合对相关数据参数进行系统性的研究,并与传统BP神经网络模型训练、预测结果对比,得出改进的BP神经网格模型优于传统BP神经网络模型,具有一定抗差能力,能够降权使用可疑值,相关系数较高,预测精度好,可在实际中广泛运用。     

BP神经网络模型应用于大坝原型观测研究

针对传统的多元线性回归方法的不足,提出将BP神经网络模型应用于大坝原型观测数据处理。并介绍了BP神经网络模型的结构和算法,以及训练样本的归一化处理方法;将BP模型应用于黑河金盆水库大坝原型观测,结果表明,其模拟和预测效果均优于多元线性回归模型。     

改进模糊神经网络模型及其在大坝监测中的应用

鉴于传统模糊神经网络计算繁琐、模型精度较低、难以收敛等问题,在大坝位移的监测数据分析中应用改进的模糊神经网络及改进的反向传播(BP)网络算法,并建立了相应的网络模型.大量的数据分析计算表明,该模型收敛快,且精度优于常规的模糊神经网络和传统的统计模型.     

BP神经网络在隧道监控量测数据处理中的应用

为保证某高速公路隧道开挖过程中的施工安全,在优化围岩变形监测方案与预警方法的基础上,采用BP神经网络对典型监测断面位移量测数据进行了回归分析.结果表明,BP神经网络模型预测值能较好地拟合拱顶沉降和周边收敛位移实测值,可以作为围岩稳定性判定和确定二次衬砌施工时间的依据,具有重要的经济性和实用性.     

基于变分模态分解和深度置信神经网络模型的滑坡位移预测

三峡库区共有滑坡1 000余处,频繁发生的滑坡灾害极大威胁着人民生命财产安全,因此开展合理有效的滑坡位移预测对减少财产损失和拯救人民的生命具有重要的研究意义。以三峡库区白家包滑坡为例,针对当前滑坡位移预测中常用分解方法的局限,在位移时间序列的分解中引入可以控制分解模态数目的变分模态分解方法,选取不同模态参数进行对比,以提高分解模型的精度和有效性;并基于滑坡触发因子建立深度置信网络模型对位移子序列进行预测,重构所有子序列预测结果得到总的位移预测值。总位移预测均值绝对误差3.657 mm,平均绝对百分比误差为0.010%,总体预测精度高,该方法误差小,具有良好的应用指导意义。     

基于RBF多变量时间序列的滑坡位移预测研究

斜坡是一个受到多种因素影响的混沌动力系统,斜坡位移是其内部力学现象的宏观表现,具有很强的不确定性,从而导致难以建立斜坡位移的确定性方程。滑坡是斜坡的一种成因类型,具有相同的系统特性。滑坡经过防治后,其位移的主要外在动力因素除地下水外同时还受到防治设施的控制。滑坡位移及其影响因素所构成的混沌时间序列能够反映滑坡位移动力系统的历史行为。根据观测获得的多变量时间序列重构原滑坡位移动力系统,采用RBF神经网络实现变量间的映射关系,对滑坡位移进行了预测。预测结果对比分析表明:采用多变量时间序列预测模型能对滑坡位移进行有效预测,取得比单变量时间序列预测模型更好的预测效果;多变量时间序列预测模型具有更明确的物理力学意义,更能反映滑坡演化变形的实质特征。