基于改进IGGⅢ-ELM法的混凝土坝变形监测数据粗差识别方法

针对混凝土坝变形监测数据存在非线性强、粗差识别与剔除困难等问题,结合改进IGGⅢ法对异常值的抗差能力强、极限学习机(ELM)对数据序列预测效率高和对非线性问题处理能力强、增量ELM寻找最优网络结构速度快等优势,提出了基于改进IGGⅢ-ELM法的混凝土坝变形监测数据粗差识别方法,并采用包含两个调和系数的四段权函数对IGGⅢ-ELM法进行改进,使得权函数的一阶导数处处光滑,增强了权函数突变范围内信息的可利用性。与IGGⅢ-ELM法、DBSCAN聚类算法、罗曼诺夫斯基准则和拉依达准则的实例处理结果对比表明:基于改进IGGⅢ-ELM法的混凝土坝变形监测数据粗差识别方法较其他4种方法粗差识别率更高、泛化能力更强、预测效果更好。     

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。     

大坝安全监测数据粗差识别技术研究

介绍了目前大坝安全监测数据处理工作中几种常用粗差识别技术的优缺点及适用范围,并针对这些常规方法中所存在的不足,采用时空判别技术和基于稳健性处理方法的粗差识别技术,对粗差数据进行判别。其中时空判别技术充分利用了观测序列本身的时空基本信息,将观测值与历史的或相邻的观测数据相比较来判别粗差;基于稳健估计算法的监控模型判别法克服了经典的最小二乘法所存在的抗粗差干扰性差这一缺点,在最小二乘回归的基础上逐步按残差大小加稳健化权,迭代求得模型参数的稳健估计,这一估计值最接近于无粗差影响时的正常估值。隔河岩大坝安全监测数据的实例分析表明,这些方法具有较强的粗差识别能力。     

基于PPA-极值理论的大坝变形预警指标拟定

大坝变形预警指标估计对实现大坝安全监控具有重要意义。基于极值理论,提出了POT变形预警模型,利用广义帕累托分布对大坝变形监测数据分布的尾部特征进行拟合分析,基于PPA和信息熵理论构建多测点变形熵,结合大坝失事概率,完成对其预警指标的估计。以某混凝土大坝为例建模验证,结果表明:POT模型可以更好地刻画变形监测数据分布的尾部特征,对预警指标的估计偏于安全。     

基于BO-GRU的混凝土坝变形预测模型

针对混凝土坝变形具有较强的非线性特点、目前大坝变形预测模型出现参数过多及易陷入局部最优等问题,提出了一种深度学习中的门控制循环单元(GRU)模型,并结合贝叶斯优化算法(BO)对门控制循环单元的超参数进行优化,建立BO-GRU模型应用于混凝土坝变形预测。为检验模型的可行性,以实测变形监测数据为基础,并与极限学习机、相关向量机和基于遗传算法优化的支持向量机等模型预测结果进行对比。结果表明:该模型的泛化能力强、运行效率高,能有效运用于混凝土坝的变形预测。     

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。     

基于统计诊断的大坝监测数据合理性检验

基于统计诊断的异常数据划分,并结合大坝监测数据的误差成因,将监测的异常数据划分为随机误差、粗差、系统误差等,并辨识强影响数据。继而基于均值漂移模型,研究不同异常数据的诊断方法,包括以模型扰动值为依据的粗差的t检验法和以模型扰动对拟合参数的影响为依据的强影响数据的Cook距离检验法。以大坝典型位移监测数据为例,采用上述统计诊断方法对原始监测数据进行合理性检验,结果表明可有效辨识误差数据和强影响数据,能提高数据进一步建模分析的准确性。     

基于稳健估计的大坝变形监测统计模型分析

回归分析是大坝安全监测统计模型的核心,测值粗差的存在使回归参数变异,造成统计模型一定程度上失真,所以在回归分析中必须对其进行处理。本文采用稳健估计的思想,根据残差大小对监测值进行赋权迭代计算,使常规统计模型具有抗差性。将稳健估计的思想应用于某工程实例分析,发现与常规统计模型相比,稳健统计模型能够有效抵抗粗差对模型参数求解结果的影响,并能较好反映水压、温度和时效等效应量的影响。     

基于PSO-SVM的大坝渗流监测时间序列非线性预报模型

大坝渗流监测分析是大坝安全监控的重要内容，预测分析的难点之一在于渗流监测数据往往具有复杂的非线性特点。本文充分利用支持向量机的结构风险最小化与粒子群算法快速全局优化的特点，采用粒子群算法快速优化支持向量机的模型参数，通过该模型对非线性监测数据进行拟合，建立了基于PSO_SVM的大坝渗流监测的时间序列非线性预报模型。本模型应用于隔河岩水电站的坝基渗流量的预测，计算结果与实际监测值吻合良好。     

基于BP神经网络的土石坝变形预测模型研究

大坝变形是同一时刻内外多种荷载综合作用的结果,挖掘位移监测数据潜在规律和发展趋势是大坝变形预测诊断的关键技术,但常规GNSS+棱镜、自动化监测系统等进行观测存在较大非线性误差。为实现非线性、非平稳序列大坝变形数据的平稳化拟合处理,基于大坝变形位移关联性函数,构建了大坝变形预测BP神经网络模型。BP预测模型主要根据水压、温度和时效因子的特点,经实测数据的自适应学习训练获得能真实反映坝体变形规律及趋势的竖向位移预测数据,可为大坝变形安全预测与分析提供详实准确的数据支撑和技术保障。     

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。     

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。     

基于变量筛选优化极限学习机的混凝土坝变形预测模型

传统的统计模型泛化能力较弱且容易引入高维变量,这将对基于神经网络预测模型的输出结果产生负面影响,同时增加了过拟合风险。因此,有必要建立一个具有适当维度的数据驱动模型,以实现对大坝变形的准确监控。选用极限学习机(ELM)作为基础预测模型,提出基于平均影响值MIV-ELM模型的变量筛选法,以消除初始变量集中的冗余信息,从而降低模型复杂度,提高预测精度。分析结果表明,与传统预测模型相比,HST-MIV-ELM不仅具有最高的预测精度和预测性能,同时也有较强的可拓展性,为大坝安全监控系统的构建提供了可靠的理论基础。     

考虑黏弹性滞后效应的拱坝位移监控组合模型

位移监控模型需要对拱坝变形性态兼具良好的解释和预测能力。水压-滞后-周期性温度-时效四因子HHST(Hydraulic,Hysteretic,Seasonal and Time)模型能够合理地解释锦屏一级拱坝的黏弹性滞后变形性态。为进一步提升该模型的预测精度,使用支持向量机(SVM)建立有限元计算所得拱坝黏弹性滞后位移与其因果因子之间的隐式关系,再将其融入到HHST模型中,进而基于多元线性回归建立拱坝位移的组合监控模型。以锦屏一级拱坝为例,减少输入因子数的组合模型的预测精度明显高于直接以HHST模型中18个因子作为输入的单一模型;SVM对滞后水压位移分量的预测精度明显高于基于约束最小二乘法的线性回归模型,采用2种滞后水压分量所建组合模型对拱坝变形性态具有相近的解释能力,而采用SVM滞后水压分量建立的组合模型可有效地提高拱坝位移的预测精度,多测点均方误差(MSE)平均降低21.67%,决定系数R²整体提高0.07%。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

基于BBO-SVM的大坝变形预测模型与性能验证

针对大坝监测数据小样本、高维度和非线性的特点,引入支持向量机( SVM) 机器学习方法,采用生物地理学优化算法( BBO) 优化其惩罚因子 c 和核函数参数 g,建立了基于 BBO-SVM 的大坝变形预测模型。结合 2011—2016 年水口大坝 4 个测点共 900 组环境量与效应量监测数据,对模型预测性能进行了验证,并将预测结果与 SVM、PSO-SVM 和 ABC-SVM 大坝变形预测模型进行对比。结果表明: 文中提出的 BBO-SVM 模型不仅预测精度高,且稳定性更好,4 个测点的均方根误差分别达到了 0. 332 0、0. 473 5、0. 405 7、0. 222 8,拟合优度分别达到了 0. 910 4、0. 961 0、0. 962 4、0. 956 9。本研究可提高大坝安全监测成果利用,对于大坝健康状态预测评估具有一定的工程指导意义。     

改进WOA-指数幂乘积模型在基坑变形预测中的应用

为提高基坑变形预测精度,提出基于拉普拉斯交叉算子(LX)改进的鲸鱼优化算法(LXWOA)优化的指数幂乘积(EPP)基坑变形预测模型。选取4个标准测试函数对LXWOA进行仿真验证,并与基本鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、正弦余弦算法(SCA)、粒子群优化(PSO)算法的仿真结果进行比较。利用LXWOA对EPP模型的指数参数进行优化,构建LXWOA-EPP变形预测模型,并构建WOA-EPP、GWO-EPP、SCA-EPP、PSO-EPP模型与LXWOA-SVM、LXWOA-BP模型作对比,以文献基坑监测数据为例进行实例研究,分别利用自相关函数法和虚假最邻近法确定实例延迟时间和嵌入维数,构建模型输入、输出向量,利用实例前15期和后3期监测数据对各模型进行训练和预测。结果表明:LXWOA搜索能力优于WOA、GWO、SCA和PSO算法,具有较好的寻优精度和全局搜索能力。LXWOA-EPP模型对实例预测的平均相对误差绝对值、平均绝对误差、均方根误差分别为0. 18%、0. 008 mm、0. 009 mm,均优于WOA-EPP等6种模型和文献预测精度,表明LXWOA能有效优化EPP模型参数,LXWOA-EPP模型用于变形预测是可行和有效的,模型及方法可为其他相关预测研究提供参考。     

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。     

基于聚类分区和MO-LSSVR的高拱坝变形预测模型

为解决传统单测点监控模型未考虑多测点间的内在关联,难以反映高拱坝变形区域分布特征的问题,提出了基于聚类分区和多输出最小二乘支持向量回归机(MO-LSSVR)的高拱坝变形预测模型。模型基于测点之间的复合相似性指标,借助层次凝聚聚类(HAC)算法实现空间测点的聚类分区,再利用融合测点关联特性的MO-LSSVR对分区内多测点进行建模。工程实例验证表明,模型聚类分区结果与坝体变形空间分布特征较吻合,具有较高的准确性和稳健性,为从多测点关联维度预测坝体变形和监控大坝整体安全性态提供了一种新方法。