FCM聚类算法在给水管网流量监测点优化布置中的应用

基于目标函数的聚类算法,把聚类分析归结成一个带约束的非线性规划问题,通过优化求解获得数据集的最优模糊划分和聚类中心,可使流量监测点的布置较为均匀.结合算例,应用FCM算法对给水管网的流量监测点进行优化布置,通过不同分类类别数c下的聚类划分的比较,可得出最佳的管段模糊分类以及流量监测管段.     

基于节点自然邻的供水管网DMA分区方法研究

在借鉴国内外供水管网分区经验及研究成果的基础上,通过引入管网节点的自然邻概念,提出了一种新型的基于谱聚类算法和遗传算法的供水管网DMA分区方法。该方法在利用谱聚类算法时,通过引入管网节点的自然邻构建相似度矩阵,有效减少了分区边界管段的数量,进而利用遗传算法,获得水表和阀门的最佳安装位置,完成DMA分区。将上述方法应用到意大利某供水管网系统的DMA分区中,结果表明采用该方法获得的分区结果不仅在经济方面具有优势,同时改善了管网系统的水力性能。     

基于节点能量冗余差的给水管网DMA分区方法研究

供水管网的独立计量分区(District Metered Areas,DMAs)是一种控制漏损的有效方法,但DMA分区方法尚不成熟。在借鉴国内外管网分区经验及研究成果的基础上,提出了基于节点能量冗余差的计算分区方法。该方法基于节点间的能量冗余差和节点压力标准差分别建立了DMA边界划分模型和进水管选择模型,并分别利用谱聚类算法和遍历法对2个模型进行求解,获得DMA分区。为了验证该模型,选择2个不同规模的管网进行DMA分区。结果表明,该方法能够较好地完成中小型管网的DMA分区,分区后对原管网的压力分布有所改善。     

基于人工鱼群算法和模糊C-均值聚类的洪水分类方法

为了克服模糊C-均值聚类(FCM)算法依赖初值的缺点,引入人工鱼群算法(AFS)建立一种新的聚类算法,应用于洪水分类研究。该算法将聚类中心看作食物源,通过样本抽样产生初始鱼群,利用人工鱼群算法能全局寻优和快速收敛的特点,得到一个较优的初始聚类结果,再使用FCM算法进行局部搜索,以避免因初值选取不当,而有可能陷入局部最小的缺陷。该方法应用于对西江流域洪水资料的分析结果表明,新算法具有比FCM算法更好的性能表现,使得到的分类结果更加准确合理。     

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。     

计量小区(DMA)夜间最小流量解析方法探讨与案例研究

通过对给水管网实测计量小区(DMA)的夜间流量数据进行解析,可以及时获得近似的真实漏损数值。利用大频率、高精度的夜间实测流量数据进行分析,发现夜间不同时段DMA流量近似满足正态分布,其最小值近似接近真实漏损。根据某案例凌晨2∶00-4∶00夜间最小流量数据,采用置信水平95.5%、置信区间(μ-2δ,μ+2δ)进行了分析。结果表明,利用μ-2δ表征剔除异常值后的DMA最小流量,可以消除实测数据的误差和干扰影响,来得出小区的真实漏损水量。这种方法可减少对用户夜间用水估计产生的误差,也可便利地通过流量设备进行现场计量,从而快速评估DMA的夜间漏失水平     

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。     

岩体结构面分组的改进数学方法研究

岩体结构面分组是岩体力学中的一项基础性工作。由于岩体结构面分组相对于一般聚类问题存在自身特殊之处,难以直接运用欧式距离度量结构面之间的相似度。通过对结构面数据做一定处理,使欧式距离可用于度量结构面之间的相似度,结合模糊C均值聚类(FCM—Fuzzy C-means Clustering)算法对岩体结构面分组进行研究;针对FCM初始聚类中心的确定,采用一种简洁高效的改进粒子群算法对其进行优选;再结合聚类有效性指标确定聚类分组数。通过模拟数据验证了该方法的合理性,并从多方面对分组数目进行讨论,给出了分组数目确定的一般方法。将提出的分组方法用于某水利工程坝基岩体结构面的分组研究,结果表明该方法易于实现、结论可靠,可为实际工程提供参考。     

基于人工鱼群算法和模糊C-均值聚类的洪水分类

为了克服FCM算法依赖初值的缺点，将人工鱼群算法（AFS）引入模糊C-均值聚类，提出了一种新的聚类算法，应用于洪水分类研究。新算法将聚类中心看作食物源，通过样本抽样产生初始鱼群。利用人工鱼群算法全局寻优、快速收敛的特点，得到一个较优的初始聚类结果，再使用FCM算法进行局部搜索。避免了单纯的FCM算法因初值选取不当，而容易陷入局部最小的缺陷。同时新算法给出了洪水等级划分的科学依据。实验结果表明，新算法具有比FCM算法更好的性能表现，使得到的分类结果更加准确合理。     

K-means聚类神经网络在边坡稳定性评价中的应用探究

边坡稳定性研究内容具有非线性,复杂性,影响因素繁杂等特点,为了寻求对于边坡稳定性更加准确的评价,提出基于K-means聚类及神经网络的边坡稳定性评价模型,并发现K-means神经网络运用在边坡稳定性分析中具有可行的预测性及良好的精确度。针对K-means聚类对数据内在结构高效分层归并能力及神经网络自学习能力的优缺点,选定45组实验数据,并选择其中容重、内摩擦角、黏聚力、坡角、坡高、孔隙水压力比6个影响因素,通过改进的K-means聚类方法进行分析并筛选出有效数据,再通过神经网络对输入的数据进行大量训练不断调整权值,输出稳定性评价安全系数。预测结果显示,此模型对边坡稳定性评价预测能力高于同类型分析方法。