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。     

3种大坝安全监控智能模型的比较

当效应量和自变量关系复杂时,传统回归模型预测效果较差,智能模型以可视化、网络化、易于实现等特征发展迅速。基于某混凝土坝实测资料,将极限学习机模型运用于大坝安全监控中,并与BP神经网络、支持向量机模型的训练、预测结果对比,分析了各个模型的实际运行性能和适用场合。     

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。     

基于LTS大坝安全监控混合模型研究

为避免大坝损坏造成严重、不可预知的损失,需对大坝进行安全监控。以某水库大坝为例,以LTS估计方法在大坝安全监测混合模型中的应用可行性,其结论显示LTS方法的各个预测指标均明显优于传统的LS。将传统的混合模型与LTS估计方法相结合,可用于大坝安全监控预测研究。     

基于模糊神经网络和遗传算法的大坝安全监控模型

应用监控模型来监控大坝的工作性态是一条有效途径，但由于大坝工作条件复杂，影响因素繁多，为以精确的数学进行描述带来了很大的困难，而应采用从定性到定量的综合集成的方法，将专家知识，监测数据和各种信息与计算机软硬件技术结合起来，把坝工理论和坝工家的经验结合起来对其进行研究，文中应用模糊神经网络和遗传算法等人工智能技术，依据专家的经验确定隶性函数，从而建立模糊神经网络预报模型，根据专家对实际情况的正确分析，对预报结果进行修正，达到进一步提高预报精度的目的。     

龚嘴大坝变形安全监控指标的研究

应用龚嘴重力坝变形监测资料，研究了大坝变形安全监控指标。通过利用高限蓄水期的变形实测资料和考虑温度场的有限元分析结果，提出了龚嘴大坝的变形安全监控指标。     

短时变形测值序列的大坝安全监控模型

为解决大坝短时间序列安全监测数据的建模问题,利用单独1 a的监测数据,采用基于特征正交分解的方法建立了某重力拱坝的安全监控模型,分析了模型拟合精度和预测精度,并同常规逐步回归分析方法进行了拟合和预测精度的对比分析。工程实例表明,基于特征正交分解的逐步回归分析方法可以建立短时间序列的大坝安全监控模型,其技术指标明显高于采用一般逐步回归分析所建立的模型。     

基于鲁棒性回归方法的大坝安全监控混合模型研究

为了避免大坝损坏造成严重的、不可预知的损失,需要对大坝进行安全监控。以某水库大坝为例,研究了鲁棒性回归方法在大坝安全监测混合模型中的应用可行性。结论显示,该方法的各个预测指标均明显优于传统的最小二乘法估计,基于鲁棒性回归方法的大坝安全监控混合模型可以用于大坝安全监控预测研究。     

偏微分方程性质对大坝安全监控的意义

为夯实大坝安全监控理论基础,采用理论分析的方法,以典型二阶线性偏微分方程解的极值原理、解的存在唯一性和稳定性、影响区域以及时间反演对称性等性质为例,给出了偏微分方程性质在大坝安全监控包括测值分析、监控仪器布置、仪器量程选择和误差估计等方面的理论指导作用。分析结果表明熟悉偏微分方程的性质对提高大坝安全监控理论水平具有重要意义。更多还原     

大坝安全监控模型中灰参数的识别

在对大坝的观测数据建立模型时，模型本身是不确定的，模型的输入也 是不确定的。文中从灰色系统的基本原理出发，对显式结构模型的灰参数进行了识别，确定 了灰参数的中点值和半径值，然后利用获得的灰参数的中点值和半径值对观测数据进行了预 测，给出了预测值的中点值和变化范围。     

大坝安全监测的兽棒最小二乘 支持向量机模型

针对目前在大坝监测模型中应用较多的支持向量机模型,以土坝沉降监测实例比较分析了监 测数据中是否含有异常值的两种情况的最小二乘支持向量机监测模型的拟合精度与预测精度,发现异 常值的影响不容忽视。通过改进支持向量机模型中的损失函数,建立了大坝安全监测的普棒最小二乘 支持向量机模型(RLS一SVM )。实例分析表明:不论监测数据是否含有异常值RLS一SVM均可达到较 好的拟合精度和预测效果,优于普通LS一SVM模型。     

基于NMEA-BP大坝变形监测模型研究

在对思维进化算法(MEA)改进的基础上,开展了基于思维进化算法与BP神经网络的大坝变形监测模型的研究。通过引入小生境技术和思维进化算法,克服了BP神经网络易陷入局部最优值、训练时间长和收敛速度慢等缺点,极大地提高了其搜索效率和全局搜索能力。通过进一步利用改进的思维进化算法优化BP神经网络的权值和阈值,建立了NMEA-BP大坝变形监测模型,并用该模型对工程实例进行了拟合预测。结果表明,NMEA-BP模型有效提高了大坝变形预测的精度,能更高效准确的进行大坝变形监测。研究成果为大坝变形监测的理论和实践研究提供参考。     

灰色模型改进的大坝变形分形几何监控模型

为了对大坝安全进行准确监控,利用分形几何理论预测大坝变形。针对一般常维分形分布不能很好分析大坝变形数据的问题,对监测数据进行N阶累计和变换,对变换后的数据利用分段变维分形模型计算各阶变形维数序列,再选择效果较好分形维数已知序列预测未知分形维数,最后反推大坝变形预测数据。针对传统变维分形预测模型分形维数预测方法的不确定性和所需监测数据量大的缺点,利用灰色模型预测分形维数,建立改进的大坝分形几何监控模型。结合工程实例,对比插值法预测分形参数的传统分形几何预测模型和灰色模型改进后的预测模型之间的预测精度,结果表明,改进分形模型不仅在预测精度上有所提高,而且更具稳定性和抗波动性。     

基于改进ABC-BP的大坝变形监控模型研究

针对传统大坝变形监控模型的不足,在对人工蜂群(ABC)算法给予改进的基础上,开展了基于人工蜂群(ABC)与BP神经网络的大坝变形监控模型建模原理、实现方法以及工程算例分析研究。通过引进自适应比例和平均欧式距离,克服了标准人工蜂群算法易陷入局部最优的缺点;进而利用改进后的人工蜂群算法,对BP神经网络的初始权值与阈值进行寻优。算例分析表明,将改进后的人工蜂群算法与BP神经网络技术相结合,并用于大坝变形监控模型的构建,有效提升了模型的拟合和预报能力。     

基于支持向量机的土石坝安全监测预报模型研究

简要介绍了支持向量机的基本原理,在对建模因子进行分析的基础上,提出了基于支持向量回归（SVR）算法的土石坝安全监测预报模型。实例分析表明,该模型与传统的多元线性回归模型和逐步回归模型相比,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。     

基于ABC-SVM的土石坝变形监测模型

针对土石坝变形具有较强的非线性特征,传统统计模型预测精度不高,误差较大的问题。引入支持向量机模型(SVM),并采用人工蜂群算法(ABC)对支持向量机的关键参数惩罚因子C和核函数参数σ进行寻优,提高模型的拟合和预测精度,建立ABC-SVM模型应用于土石坝变形监测。实例验证分析表明:与传统多元回归模型和SVM模型相比,ABC-SVM模型预测精度高、泛化能力强。利用ABC-SVM模型对土石坝变形进行预测效果良好,可在大坝安全监测领域推广应用。     

浅析组合模型在大坝安全监测中的应用

文中简要阐述了几种组合模型在水库大坝安全监测与管理中的应用,通过线性组合模型及非线性组合模型的分析,针对大坝安全指标参数存在相关性以及因变量随时间城变化等问题,详细论述了建立组合模型,解决上述问题的方法,对大坝的长期安全运行管理有一定的借鉴作用.     

基于PLSR的静态灰色模型在大坝安全监控中的应用

本文将偏最小二乘回归运用到静态灰色模型中，消除了因子间多重共线性的影响，建立了一种新型的大坝安全监控模型，并对黑河水库的应变资料进行了分析。研究分析表明，基于偏最小二乘回归的静态灰色模型优于传统的静态灰色模型，这为大坝安全监控提供了一种新的思路和研究方法。