基于改进粒子群算法的大坝监控加权统计模型

用于大坝安全监控的加权统计模型主要依据工程经验确定各因子的权重,这种求解方式易导致部分因子信息的缺失。根据大坝安全监测数据,应用粒子群算法可优化确定加权统计模型中各参数的最优解,但对于高维度优化问题,该算法存在收敛速度慢、易陷入局部最小等不足。针对这些不足,考虑粒子种群平均位置信息的影响,提出一种新的改进粒子群算法,利用单体与种群平均位置的距离信息确定两者之间的学习因子。土石坝工程实例分析结果表明:改进粒子群算法加强了种群跳出局部最小的能力,所得加权统计模型的权重符合工程实际情况。尤其在大坝运行初期,监测资料较少的情况下,基于改进粒子群算法的大坝监控模型具有较高的预测精度和预报能力,可为大坝监控领域提供一种新的数据分析方法。     

基于粒子群仿生算法的混凝土坝变形预报模型

将粒子群算法引入大坝安全监控领域,并结合多元回归统计模型,建立基于粒子群算法的混凝土坝变形预报模型。利用粒子群算法的全局寻优能力以及该算法具有正反馈信息的仿生特点,通过优化迭代计算,确定坝体变形统计模型中各回归系数。工程实际应用表明,基于该模型的预报结果与传统的最小二乘法相比,可显著提高混凝土坝变形的预报精度,所以该模型的预报应用是可行的。     

基于SSA-CSO-RVM的混凝土重力坝变形监控统计模型研究

以原型监测资料为基础,构建大坝的安全监控模型具有重要的理论意义和工程应用价值。文章以现有理论为基础,提出了基于SSA-CSO-RVM的混凝土重力坝变形监控统计模型,工程实例分析结果显示,模型具有良好的拟合及预报精度,可以用于大坝变形监控和预测研究。     

基于遗传算法优化BP神经网络的大坝变形监控模型

一个合理的位移监控模型是通过大坝安全监测实现大坝安全监控的关键因素之一.针对传统的统计模型、确定模型和混合模型的不足,提出基于遗传算法优化BP神经网络的GA-BP模型的方法,并将该模型用于大坝变形预报研究.最后以某拱坝为例,对该拱坝拱冠梁坝顶径向水平位移实测值建立了GA-BP模型,并将模型用于某坝顶径向水平位移预报.结果表明GA-BP模型不仅比统计模型具有更高的拟合精度,且在大坝变形监测预报上也是有效的.     

青狮潭水库大坝安全预报模型

介绍了青狮潭水库大坝安全监控的统计模型、确定模型和混合模型，经优化处理，建立预报模型。     

基于统计和混沌优化BP神经网络融合模型的大坝变形预测分析

变形是大坝结构性态动态演化的重要效应量,对其准确预报是保障大坝安全运行的基础。针对大坝变形监测数据序列中存在的混沌现象,采用混沌相关理论对统计模型中的残差序列进行混沌动力学特性分析,揭示其混沌特性并进行相空间重构。同时,利用BP神经网络处理非线性问题具有的优点,建立统计和混沌优化BP神经网络融合预测模型,将其用于工程实例。工程实例表明,该模型精度高于传统统计模型,在大坝变形安全监控中具有一定的应用价值。     

关联分析和改进BP网络在大坝测值预报中的应用

针对基于统计的大坝安全监测预报模型中,多效应量间和多影响因子间都存在互相关性,且效应量与影响因子又呈现出复杂的非线性动力系统特征,从而导致预报模型可信度降低的问题,提出了优化方案,首先对多效应量和影响因子采用基于主成分提取的关联分析,实现去相关和空间降维,并按关联性次序将变换后的正交基作为模型输入因子,建立改进的BP神经网络回归,利用人工粒子群算法搜索网络的最优参数,从而获得预报模型。经与逐步回归、简单BP神经网络回归比较验证,实例表明本预报模型具有收敛快、鲁棒性强和预报精度较优等特点,兼有大坝性态分析评估辅助意义,具有一定的工程实用性。     

基于改进BP神经网络的大坝安全监测预报模型

合理有效的安全监控预报模型,是保障大坝的安全运行的重要手段.针对传统统计模型预测精度不高的问题,通过对BP神经网络的优化改进,建立基于逐步回归特征选择算法筛选输入变量、自适应学习率和附加动量因子网络学习的BP神经网络预测模型,并将该模型用于某混凝土拱坝的变形预测中.结果表明,改进的BP网络预测模型具有出色的非线性逼近能...     

建立大坝安全监控数学模型的一种新方法

由于影响大坝安全的客观因素非常复杂, 大坝安全监控回归模型在实际工程应用中普遍存在欠拟合问题. 为解决该问题, 在回归模型的基础上引入改进的遗传算法, 利用其自适应全局优化搜索功能对回归模型中的回归系数进行寻优重估, 并建立遗传回归模型. 以东北地区某宽缝重力坝为例, 分别建立了其坝顶水平位移安全监控混合模型和遗传回归模型, 计算结果表明, 后者的拟合效果较前者有明显改善.     

混凝土坝变形组合预报模型的蛙跳建模方法

混凝土坝变形的影响因素多而复杂,监测数据包含大量的不确定性信息,因此依据多种建模方法建立的各单一模型的预报效果各不相同.组合模型能够弥补单一模型的局限性,如何在建模过程中使权重系数实时反映单一模型对监测信息的变化,是组合模型建模的关键.从优化极值角度考虑各单一模型中未知量与权重系数之间的相互性,利用蛙跳算法(SFLA)的分布式全局优化性能同步确定其值,提出相应的蛙跳优化建模方法.混凝土坝变形长期监测资料的应用表明,该方法具有良好的预报效果,简化了组合模型的确定过程,提高了模型的预报能力,为混凝土坝变形预报分析提供了新的计算方法.     

基于改进粒子群算法的坝体位移监控模型

在基本粒子群算法的基础上,提出了一种基于以e为底的指数函数的惯性权重策略的改进粒子群算法。将粒子群算法引入大坝安全监控领域,并结合坝体位移的多元回归统计模型,建立基于改进粒子群算法的大坝安全监控模型,并应用于新安江大坝的安全监测。实际应用表明,改进粒子群算法与最小二乘法、基本粒子群算法相比,预报结果精度较高且收敛速度较快。     

大坝安全监测的遗传—偏回归(GA-PLSR)模型研究及应用

基于在大坝监测中常用的偏回归模型的基础上引入了遗传算法,充分利用其强大的自适应全局优化概率型搜索功能,采用改进的遗传算法对偏回归系数进行寻优重估,建立大坝安全监测的遗传-偏回归模型。从而达到对偏回归模型优化的目的,以同时解决和改善常规大坝安全监测回归模型中存在的因子多重相关性干扰和模型欠拟合问题,进一步提高大坝监控模型的拟合和预测精度。     

多组群教学优化算法-神经网络-支持向量机组合模型在径流预测中的应用

采用5个标准测试函数对多组群教学优化(MGTLO)算法进行仿真验证,并将仿真结果与基本教学优化(TLBO)算法、混合蛙跳算法(SFLA)、差分进化(DE)算法和粒子群优化(PSO)算法的仿真结果进行对比。利用MGTLO算法搜寻基于广义回归神经网络(GRNN)、径向基神经网络(RBF)、支持向量机(SVM)模型单元的组合模型的最佳模型参数和组合权重系数,提出MGTLO-GRNN-RBF、MGTLO-GRNN-SVM、MGTLO-RBF-SVM、MGTLO-GRNN-RBF-SVM 4种组合预测模型,以新疆伊犁河雅马渡水文站和云南省某水文站年径流量预测为例进行了实例分析,并将预测结果与MGTLO-GRNN、MGTLO-RBF、MGTLO-SVM和GRNN、RBF、SVM 6种单一模型的结果进行对比分析。结果表明:MGTLO算法寻优精度优于TLBO、SFLA、DE和PSO算法,具有较好的收敛速度和全局极值寻优能力;组合模型融合了MGTLO算法与GRNN、RBF、SVM模型单元的优点,在预测精度、泛化能力等方面均优于单一模型;MGTLO算法能有效优化各组合模型的相关参数和权重系数,MGTLO-GRNN-RBF-SVM模型预测精度最高。     

Deformation early-warning index for heightened gravity dam during impoundment period

The mechanical parameters of materials in a dam body and dam foundation tend to change when dams are reinforced in aging processes. It is important to use an early-warning index to reflect the safety status of dams, particularly of heightened projects in the impoundment period.Herein, a new method for monitoring the safety status of heightened dams is proposed based on the deformation monitoring data of a dam structure, a statistical model, and finite-element numerical simulation. First, a fast optimization inversion method for estimation of dam mechanical parameters was developed, which used the water pressure component extracted from a statistical model, an improved inversion objective function, and a genetic optimization iterative algorithm. Then, a finite element model of a heightened concrete gravity dam was established, and the deformation behavior of the dam with rising water levels in the impoundment period was simulated. Subsequently, mechanical parameters of aged dam parts were calculated using the fast optimization inversion method with simulated deformation and the water pressure deformation component obtained by the statistical model under the same conditions of water pressure change. Finally, a new earlywarning index of dam deformation was constructed by means of the forward-simulated deformation and other components of the statistical model. The early-warning index is useful for forecasting dam deformation under different water levels, especially high water levels.     

土石坝渗流安全监测的遗传支持向量机方法

为了有效地根据土石坝地原型观测资料来分析坝体和坝基中存在的渗流问题,本文在对建模因子进行分析的基础上,充分利用支持向量机的结构风险最小化原则和遗传算法快速全局优化的特点,通过支持向量机模型对非线性监测数据进行拟合,并利用遗传算法优化支持向量机的模型参数,建立了基于GA-SVM的土石坝渗流监测模型。实例分析表明,该模型与传统的多元线性回归模型和神经网络模型相比,具有预测精度高、泛化能力强等优点,对土石坝安全监控具有实用价值。     

大坝安全监控模型因子相关性及不确定性研究

针对最小二乘法难以克服因子多重共线性对回归模型精度影响的不足，本文对大坝安全监控模型因子间的相关性及其不确定性进行了研究。引进偏最小二乘法，对大坝安全监测变量及其影响因子进行偏最小二乘回归分析，将建模预测分析方法与非模型式的数据内涵分析有机结合，可同时实现回归建模、数据结构简化以及因子相关的不确定性分析，所建立的大坝安全监控模型，其精度可通过交叉有效性检验来控制。工程应用实例和模型对比分析研究表明，偏最小二乘回归模型能有效克服各类因子变量间的多重共线性对模型拟合精度及其预测能力的影响，因而比目前常用的最小二乘回归模型更具广泛适用性。     

基于小波分解和支持向量机的大坝位移监控模型

常规大坝安全监控统计模型未能分别针对监测序列值内系统信号和随机信号特点进行模拟,故预报精度存在一定的提升空间。基于小波分解技术,利用监测序列值信号频率特征分离出系统信号与随机信号,并结合逐步回归与支持向量机(SVM)对不同信号的处理优势,在引入网格寻优与交叉验证确定SVM敏感参数的基础上,提出了一种基于多元统计结合小波分解和支持向量机的大坝位移监控模型,同时编制了其相应的计算程序。工程算例表明,该模型较常规模型能够同时考虑监测序列中的系统信号和随机信号,并且具有较强的模型寻优能力和更高的预报精度,从而验证了所建模型的有效性,该方法亦可推广应用于高边坡及大坝其他预警指标的监控。