基于KPCA-ICFSFDP-MOGP的拱坝多测点变形数据预处理及预测方法

为更高效地对高拱坝的多测点变形数据进行分析,引入了核主成分分析(KPCA)算法重构误差以识别多测点序列中的异常值；为解决用于测点聚类的密度峰值聚类(CFSFDP)算法高维表现较差的问题,利用KPCA算法对其进行降维操作,并提出了自动选取聚类中心与截断距离的改进CFSFDP(ICFSFDP)算法；基于KPCA-ICFSFDP和多输出高斯过程(MOGP)算法,按分区建立了多测点变形MOGP回归模型。实例验证结果表明,对于簇内点数量较少的类,相较于不分区的MOGP模型,预测效果得到了一定的提升,同时在整体MOGP模型表现良好的测点,分区后仍然保持较高的预测精度,且与单输出高斯过程模型对比均有所提升。     

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。     

一种空间误差模型在混凝土拱坝变形预测中的应用

混凝土拱坝作为一种高次超静定结构,具有较强的自适应性和整体性,但传统混凝土拱坝变形统计模型主要考察单个测点的变形序列,不能体现不同测点之间的相互作用。基于传统混凝土拱坝变形统计模型,用空间计量方法挖掘了拱坝不同测点同一时刻误差项空间面板数据的空间关联特性;进一步采用空间面板自回归模型拟合变形序列误差项面板数据,建立了混凝土拱坝变形预测空间误差模型。小湾拱坝坝体34个监测点水平向变形监测序列分析结果表明:误差面板数据之间存在很强的正空间关联性质,空间误差模型的预测效果优于传统统计模型,具有一定应用前景。     

考虑多重共线性影响的特高拱坝时空监控模型

为了解决特高拱坝时空监控模型中因子数目众多、因子之间存在多重共线性以及各测点之间存在空间关联性的问题,基于大坝变形原型监测资料,采用核独立分量分析(KICA)方法提取独立分量,将多个测点信息转化为少数几个综合指标;将提取的独立分量代入利用灰狼优化(GWO)算法优化的支持向量机(SVM)模型,对特高拱坝空间测点进行回归预测,构建了KICA-GWO-SVM特高拱坝时空监控模型。工程实例分析结果表明,KICA-GWO-SVM特高拱坝时空监控模型与多元回归模型、BP模型及SVM模型相比,其非线性表达能力强且性能良好,能够降低多重共线性对大坝变形监测的影响,对特高拱坝变形序列的拟合与预测精度高,可以更加准确全面地表征大坝整体的时空变形性态。     

基于原型监测资料的特高拱坝变形实时风险率模型

混凝土坝风险率分析模型通常基于结构极限状态功能函数对单个监测点一维时间序列建模,未考虑变形监测点之间的相关性及多重共线性问题。基于原型监测资料,考虑各分区所有测点的相关性及不同分区变形之间的协同性,引入面板数据理论对特高拱坝监测点进行聚类分区,在拟定单测点风险率函数的基础上,提出计算特高拱坝变形分区单测点实时风险率的方法,基于Copula函数进一步构建基于原型监测资料的特高拱坝整体实时风险率分析模型。实例分析表明,所构建的模型确定了依据大坝长序列立体监测数据建立变形实测效应量与风险率的函数关系,可有效分析特高拱坝各分区变形风险率及整体变形风险率,能够客观刻画特高拱坝整体风险率变化的基本规律。     

基于分数阶模式的高拱坝变形安全监控研究构想

为科学监控服役过程中高拱坝的变形安全,基于高拱坝结构特性和服役特点,在分析分数阶元件模型、混凝土坝物理力学参数反演、混凝土坝变形安全监控发展动态的基础上,依据分数阶建模理论,提出了一种高拱坝变形安全监控研究思路与构想:围绕高拱坝变形性态分数阶数值模拟以及基于分数阶模式的单测点和测点群变形安全监控这两个互相关联的科学问题,沿着“分数阶元件模型→物理力学参数反演→单测点变形安全监控→测点群变形安全监控”的研究主线,遵循“基础到深入、简单到复杂、现象到本质、理论到应用、局部到整体、一维到多维” 的原则开展研究。为实现研究构想,重点需攻克三维高应力状态下高拱坝加速流变效应分数阶元件模型、分数阶元件模型弹性和黏弹性物理力学参数反演,以及高拱坝时效变形分数阶分析模型这3个关键的科学技术问题。     

基于动态聚类法的拱坝变形监控模型研究

拱坝变形的影响因素包括荷载、坝体结构、地形地质条件、材料物理力学性质等,各影响因素之间相互影响,且各影响因素之间的关系及影响因素同拱坝变形之间的关系具有模糊性。应用模糊数学理论,研究并分析了拱坝变形及影响因素间的模糊关系,在此基础上,建立了基于动态聚类法的拱坝变形监控模型。以某拱坝为例,将所建立的拱坝变形监控模型应用于该拱坝的变形监控分析中,结果表明所建的模型有着较高的预测精度。     

基于PPA-POT的RCCD变形监测控制值拟定方法

在碾压混凝土坝(RCCD)长期服役过程中,变形是能够直观反映大坝工作性态的主要性能参数之一。为了有效监控大坝运行状态,有必要对坝体变形拟定监测控制值。为突破传统单一测点指标拟定的局限性,针对碾压混凝土坝变形空间结构关联分布特性,构建了多测点融合的坝体变形场模型,利用投影寻踪方法(PPA)确定各测点权重,在此基础上,利用POT模型进行监测控制值的拟定。工程应用结果表明了本文方法的可行性与适用性。     

特高拱坝运行初期变形预测模型温度因子选取方法

特高拱坝运行初期坝前库水温垂直分层逐步形成,坝体混凝土持续水化内部温度回升。传统变形预测模型采用的周期项温度因子不能很好地描述运行初期环境和坝体内部温度的非线性非稳定性特征。对此,融合主成分分析和分层聚类方法,提出了基于主成分分层聚类法的运行初期实测环境和坝体温度因子分类分区及典型测点的选取方法;同时,引入了可反映周期性库水位变化下运行初期谷幅收缩变形特征的指数和周期项的组合时效因子;在此基础上,构建了基于实测温度因子的多元回归模型和支持向量机模型。实例分析表明,选取的实测温度因子能较好地反映运行初期坝体温度的时空变化特征,以此构建的模型比传统模型具有更高的预测精度。     

泵站建筑物变形面板数据聚类分析方法

泵站建筑物监测系统日益完善，监测点数量众多，传统泵站安全监测主要以单测点变形量为主，不能反映泵站建筑物整体的安全性态。以泵站垂直位移为研究对象，基于面板数据聚类理论和动态时间规整算法，建立一种融合趋势信息的泵站变形相似度指标及度量方法，以定量分析测点间监测序列的相似程度；引入空间关联矩阵，提出考虑泵站测点空间关联性的变形分区方法；在此基础上，构建基于面板数据分析方法的泵站变形测点聚类分析模型。结合南水北调某泵站枢纽，验证了模型的有效性。工程实例表明，所构建模型可以根据泵站面板数据将测点分为4个分区，能够有效描述泵站相应区域的总体变形特征和荷载特点，为泵站建筑物安全监测提供了新方法。     

基于FCM-XGBoost的大坝变形预测模型

变形是评价大坝是否安全的重要指标之一。随着变形监测测点的不断增加,实现对所有测点的分析意味着消耗大量时间,往往会出现预报不及时的问题;另一方面,传统机器学习算法的引入虽然提高了预测精度,但参数选取不佳时对结果影响很大且建模过程十分复杂。引入模糊C-均值聚类(FCM)和极端梯度提升算法(XGBoost),首先对大坝的变形测点根据变化规律的相似性进行分区,然后针对每个分区建立XGBoost变形预测模型。以拱坝垂线径向变形监测资料为例,验证了聚类结果的可靠性,并将XGBoost变形预测模型结果与随机森林模型结果对比。结果表明,XGBoost模型在数据预处理、建模时间及预测精度上,都体现出更大的优势。     

基于面板数据分析方法的混凝土拱坝变形数据时空聚类模型

变形数据可以直接表征混凝土拱坝安全状况,但传统变形分析一般仅针对单个监测点,不同监测点之间变形的相似和关联性质仍有待挖掘.基于时空数据挖掘领域的聚类方法,分析混凝土拱坝变形序列的变化过程,提取变形序列的相似性特征;提出混凝土拱坝变形数据不同时间截面、不同测点变形序列的绝对距离、增量距离、增速距离3种相似性指标及相应的综...     

大坝变形监测异常数据识别和重构模型

针对混凝土坝变形监测数据中的粗差和异常测值问题,提出了一种数据异常识别和重构模型。模型利用关联规则量化变形序列与水位序列的关联性,将监测数据输入DBSCAN聚类算法寻找异常点,利用关联结果将监测数据异常点分为粗差点与反映大坝性态点两类,保留反映大坝性态点,剔除粗差点,并利用改进的小波神经网络对粗差数据进行重构,保证监测序列完整性。某拱坝变形监测数据验证结果表明,该模型可以准确识别监测数据中的异常值,并能够获得更为准确的重构数据,为大坝实测性态评价提供了新的分析方法。     

拱坝变形监测预报的随机森林模型及应用

大坝变形预报对大坝运行安全评估起着至关重要的作用。传统模型预报精度不够、模拟效果不稳定;若大坝变形数据有异常值时,传统机器算法模型识别和处理异常值的灵活性很小,导致预报结果有偏差。为了解决这些问题,首次将随机森林算法运用到大坝变形监测领域,将大坝测点根据随机森林相似性矩阵分成若干个子集,针对每一个子集建立随机森林预测模型,分区建立预测模型更符合工程实际情况。选取拱坝变形作为研究对象,验证所建模型的适用性。结果表明,根据随机森林的相似性矩阵对大坝各测点的分区情况符合物理和工程实际意义,对各分区子集测点利用随机森林模型建立的预测模型,与支持向量机、BP神经网络模型相比,预测结果精度较高、模型稳定性好,为大坝变形监测提供了新思路。     

基于时空聚类挖掘的库岸边坡位移监测数据约简

库岸边坡失稳会对工程自身效益和周边安全造成巨大损失,而位移监测数据可以直接表征库岸边坡安全状况。传统变形位移分析一般仅考虑单个监测点,不同监测点之间位移的相似性和关联性有待挖掘。基于时空数据挖掘领域的聚类方法,综合考虑测点属性和空间特征,采用K-means算法度量测点间的相似程度,实现变形区域划分;在变形区域划分基础上,采用遗传算法优化的投影聚类算法,将高维数据向低维空间映射,通过提取测点数据特征,筛选得到重点关注的测点和压缩数据量。经实例工程数据验证,时空聚类挖掘方法便捷、有效,逐步实现了边坡位移监测数据约简,可用于类似库岸边坡的监测数据挖掘。     

基于Apriori和GP-XGBoost的特高拱坝变形缺失数据填补方法

变形监测数据作为特高拱坝服役性态最直观的表征,蕴藏着丰富的时空信息和演变规律,对工程长治久安意义重大。然而,多源多维的变形监测数据受仪器本身及外界因素影响,往往存在数据缺失的现象,会对接下来的数据分析工作造成干扰。针对大坝变形监测序列中的缺失数据,基于Apriori关联规则算法挖掘测点变形在空间维度上的关联性,得到目标测点的强关联测点,随后以强关联测点的变形监测数据作为输入样本,利用贝叶斯优化的XGBoost回归模型填补了目标测点的空缺变形监测序列。结合锦屏一级特高拱坝工程实例表明,该填补方法实现了变形监测空缺信息的高效、精准填补,可用于类似大坝工程的变形缺失数据填补。