基于PSO-SVM的碾压混凝土坝变形预测模型

为提升大坝变形预测能力,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的混凝土重力坝变形预测模型.通过粒子群算法对支持向量机惩罚函数C与核函数σ进行寻优,避免了拟合过程中易陷入局部最优解的问题,提高了模型的拟合精度.以新疆北疆某碾压混凝土坝2014年～ 2019年变形监测数据为例,建立了逐步回归、SVM、P...     

基于LSTM的混凝土坝变形预测模型

为提升混凝土坝变形预测的精度,采用具有出色的非线性数据挖掘能力与时间序列长、短期预测性能的长短期记忆网络(LSTM),提出了基于LSTM网络的混凝土坝变形预测模型.实例分析表明,相比于常用的逐步回归、多元回归等方法,基于LSTM网络构建的变形预测模型可有效挖掘大坝变形与影响因子间复杂的非线性关系,模型的建模与预测精度均得以显著提升.     

基于VMD-PE-CNN的混凝土坝变形预测模型

为了进一步提高混凝土坝变形预测精度,基于“先分解再重构”的思想,将变分模态分解(VMD)、排列熵(PE)与卷积神经网络(CNN)相结合,提出了一种混凝土坝变形预测模型。通过VMD和计算模态分解余量的PE将原始实测变形时间序列数据自适应地分解为一系列具有不同频域尺度特征的模态分量,然后将每个模态分量作为单独的子序列,采用CNN直接对各子序列进行时域建模并预测,最后将各个子序列的预测值叠加重构得到最终的大坝变形预测值。实测数据计算结果表明：采用计算模态分解余量PE的方法可以得到最优的模态分量个数,实现实测数据的最优分解;较之于CNN和LSTM模型,VMD-PE-CNN模型在测试数据上的均方根误差分别降低了61.8%和65.5%,显示出更强的预测能力。     

混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型

混凝土坝的总变形可以归结为由水压和温度变化引起的变形以及随时间发展的变形。其中,水压变形和温度变形体现为总变形中的周期性分量,而时效变形体现为总变形中的趋势性分量。借助复合建模思想,提出一种混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型。首先利用小波多分辨分析功能,分解出大坝变形时间序列中的趋势性项、周期性项;其次,运用EGM模型实现对趋势性项的有效预测,采用周期外延模型实现对周期性项的有效预测,在此基础上,利用ARIMA模型实现对EGM模型和周期外延模型残差项的有效预测;最后通过某工程实例,检验所提出模型的有效性。计算结果表明:该组合模型充分考虑大坝各变形分量的变化规律,并基于此,实现对大坝变形时间序列有效的拟合和预测,且其拟合和预测精度均明显优于传统统计模型。     

基于AdaBoost-SVM的混凝土坝变形预测模型

针对混凝土坝变形预测模型中环境量与效应量之间复杂的非线性问题,以及单支持向量机(SVM)模型预测精度不高的问题,提出一种AdaBoost-SVM的混凝土坝变形预测模型,该模型采用结构风险最小化的原则,并借鉴提升算法强化学习的思想,从而提高模型的学习性能,达到增强模型泛化能力和预测精度的目的。结合实例,经过AdaBoost-SVM预测模型对混凝土坝位移原型监测数据进行训练及预测,并将预测结果与单支持向量机模型的预测结果进行对比,结果显示:基于AdaBoost-SVM预测模型得到的均方差为0.5565,平均误差绝对值为0.40,预测精度比单支持向量机模型高出一个数量级;而且相较于单支持向量机预测模型,强化后的模型在预测时段表现出更好的稳定性。该模型综合了提升算法与支持向量机各自的优势,可作为混凝土坝变形预测的一种有效方法。     

混凝土坝变形监测情况调查

针对2009年度开展定期检查的混凝土坝,对其变形监测使用的监测方法进行统计,对监测方法的使用情况、观测精度进行分析,并从监测项目完备性、测点布置合理性、观测测值可靠性、观测方法合适性、计算方法正确性、观测仪器合格性和观测频次达标性7个方面分析了各混凝土坝变形监测系统存在的主要问题.     

基于动态MIC优化TCN的混凝土坝变形预测模型研究

混凝土大坝变形是其安全运行的主要控制指标,对大坝变形的预测就显得尤其重要。为降低常规预测模型因未考虑环境量的时滞性所带来的误差,采用最大信息系数方法(MIC)计算水位影响因子和大坝位移的时滞关系,并确定最佳滞后时间。进一步,采用时间卷积网络(TCN)解决了混凝土重力坝的变形预测的高维非线性难题,并不断逼近坝体位移影响因子矩阵空间和位移目标向量之间的最佳映射关系,进而得到大坝变形的预测模型,并将其预测结果与常用的ARIMA模型进行对比。结果表明,MIC-TCN模型比ARIMA模型有更好的预测效果。     

基于OWOA-RFWSVR-DLM的高寒区混凝土坝变形预测模型

对于寒冷地区的混凝土大坝，由于表层保温层的影响，其内部温度往往滞后于气温变化。当内部温度计缺失时，使用水力-季节-时间(HST)模型进行大坝预测时存在较大的误差，且即使利用内部温度计进行多元回归(MR)模型的建模也无法反映温度与变形的非线性关系。因此，针对现阶段对高寒区变形预测精度低的问题，提出利用反向学习后的鲸群(OWOA)算法对RReliefF因子加权支持向量机(RFWSVR)与分布滞后线性模型(DLM)的温度因子的超参数进行寻优，以构建缺乏内部温度计的寒区混凝土大坝变形预测模型。结果表明：通过对所建立的变形预测模型与传统统计模型和其余常用机器学习算法的性能比较，证明所建立模型具有较高的预测精度，能更好地反映保温混凝土大坝的工作特点。     

基于优化VMD与GRU的混凝土坝变形预测模型

为提高大坝变形预测精度,基于“分解-重构”思想,采用变形信号处理技术对实测变形加以时频分解,并结合深度学习网络对分解信号分项预测再重构,提出一种基于优化变分模态分解(VMD)与门控循环单元(GRU)的混凝土坝变形预测模型。该模型使用灰狼优化算法(GWO)优化的VMD把原始数据分解为一组最优本征模态分量(IMF),利用GWO优化的GRU网络对每个IMF分量进行滚动预测,通过叠加各个分量的预测结果得到位移序列预测结果,解决了VMD人工选择参数导致分解效果差及GRU人工选择参数影响训练速度、使用效果及鲁棒性等问题。工程实例预测结果表明,该模型的预测误差小,具有良好的预测精度与稳健性。     

基于ASWPD-BO-GRU的月径流量预测模型

为提高月径流量预测精度,并针对传统分解集成径流预测模型错误使用未来数据的问题,提出并建立了基于自适应小波包分解（ASWPD）和贝叶斯优化（BO）的门控循环单元（GRU）月径流量预测模型（ASWPD-BO-GRU）。首先,利用ASWPD对原始月径流量时间序列进行分解,在不使用未来数据的前提下得到4个相对规律的分解子序列,以降低预测难度;然后,利用BO优选分解后的子序列对应的GRU模型超参数;最终,对每个子序列进行预测,将预测结果相加重组得出月径流量预测结果。将提出并建立的模型应用于黑河流域莺落峡水文站月径流量预测中,并与GRU、BO-GRU、WPD-BO-GRU模型（基于传统分解思想对原始月径流量时间序列整体进行分解的预测模型）的预测结果进行对比。结果表明：ASWPD-BO-GRU模型的纳什效率系数（NSE）为0.89,在实例应用中预测精度最高,说明ASWPD-BO-GRU模型在正确分解的前提下具有较高的预测精度和更强的泛化能力。     

基于混合蛙跳算法的混凝土坝加权变形预报模型

利用混合蛙跳算法的优化特点,将大坝安全监控统计模型的求解转换为多目标函数的优化问题;引入调整系数修正回归因子,考虑调整系数与回归因子之间的协调关系,利用混合蛙跳算法同步确定调整系数和回归系数,建立基于混合蛙跳算法的混凝土坝加权变形预报模型。工程算例应用结果表明,该模型具有较优的中长期预报能力,可提高大坝安全监控统计模型的预报精度,在大坝安全监控领域具有一定的工程应用意义。     

基于APSO和TWSVM的特高拱坝变形预测模型

为挖掘混凝土大坝变形监测数据与各影响因素之间复杂的非线性关系,提高特高拱坝变形预测精度,在孪生支持向量机(TWSVM)模型基础上,引入位置因子与速度因子,运用自适应粒子群优化(APSO)算法进行参数优化,构建了特高拱坝变形的APSO-TWSVM预测模型。实例验证结果表明,该模型可有效挖掘拱坝变形与影响因子间复杂的非线性关系,模型运算速度和精度均比传统SVM模型有明显提升。     

基于数据处理与若干群体算法优化的GRU/LSTM水质时间序列预测

为提高水质时间序列预测精度,提出一种基于小波包变换（WPT）和变色龙优化算法（CSA）、猎豹优化（CO）算法和山瞪羚优化（MGO）算法的优化门限循环控制单元（GRU）、长短期记忆神经网络（LSTM）的预测模型。首先利用WPT对pH值、DO、COD_Mn、NH₃—N时间序列进行平稳化处理,得到若干个规律性较强的子序列分量;其次简要介绍了CSA、CO、MGO算法原理,利用CSA、CO、MGO分别寻优GRU、LSTM超参数,建立WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型;最后利用所建立的模型对pH值及DO、COD_Mn、NH₃—N浓度各分量进行预测和重构,并建立WPT-GRU、WPT-LSTM和WPT-CSA-SVM、WPT-CO-SVM、WPT-MGO-SVM模型作对比分析模型,以云南省昆明市观音山断面为例,通过pH值及DO、COD_Mn、NH₃—N浓度预测对模型进行了验证。结果表明：WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型对实例pH值及DO、COD_Mn、NH₃—N浓度的预测精度优于其他对比模型,具有较好的预测效果,其中尤以WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU模型的预测精度最高;CSA、CO、MGO能有效调优GRU、LSTM超参数,显著提高GRU、LSTM预测性能;所构建的6种模型预测精度高且计算规模小,是有效的水质时间序列预测模型,可为相关水质预测研究提供参考。     

基于RUN-XGBoost算法的土石坝渗流预测模型

针对传统土石坝渗流预测模型存在局部最优、抗干扰性差和预测精度低等问题,通过RUN算法优化XGBoost算法得到RUN-XGBoost算法,构建了RUN-XGBoost模型以获得更优的土石坝渗流预测结果。该模型在种群初始化时采用RUN算法对XGBoost算法的3个主要参数进行改进,使预测结果有较高的有效性;通过自动寻找最优参数增进算法的整体收敛速度和预测精度,同时引入随机解,使算法能够排除局部最小值并继续搜索,从而获得全局最优结果。工程实例验证结果表明,RUN-XGBoost模型具有简洁、高效、预测精度高、鲁棒性强等优点。     

基于黏菌算法优化VMD-CNN-GRU模型的年径流预测

为提高年径流预测精度,引入黏菌算法（slime mould algorithm,SMA）和变分模态分解算法（variational mode decomposition,VMD）,提出一种基于卷积神经网络（convolutional neural network,CNN）和门控循环单元（gated recurrent unit,GRU）神经网络的组合预测模型（VMD-SMA-CNN-GRU）。利用VMD对径流数据进行分解;采用SMA优化CNN-GRU模型参数,构建模型对每个分量进行预测;各分量结果相加得到最终结果。以兰西水文站为例,将所建模型与CEEMDAN (complete ensemble empirical mode decomposition with adaptive noise)-CNN-GRU、VMD-CNN-LSTM（long short-term memory）、VMD-LSTM、VMD-GRU、VMD-PSO (particle swarm optimization) CNN-GRU、SMA-CNN-GRU和CNN-GRU预测模型进行对比分析。结果表明：SMA优化的VMD-CNN-GRU模型预测精度不仅高于上述7种模型,而且避免了人工试算确定CNN-GRU模型参数效率低的不足,为年径流预测提供了一种新方法。     

基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究

渗压监测是土石坝渗流安全评价的重要内容之一。由于渗压受到诸多外界因素的影响,测点的渗压值时间序列往往存在非平稳性、局部突变等特点,为此基于“分解-重构-组合”的思想构建了土石坝渗压预测的EEMD-LSTM-ARIMA模型。首先采用集合经验模态分解(EEMD)对时间序列特征进行提取,根据长短期记忆神经网络(LSTM)对提取出的特征分量进行预测,同时结合差分自回归移动平均方法(ARIMA)进行残差修正,组合LSTM和ARIMA的预测结果,重构得到改进预测模型。以某深厚覆盖层上的土石坝工程为例,选取主河床坝体防渗墙后2个典型测点的实测渗压值序列为研究对象进行应用验证。结果表明：相较于单一的LSTM模型和ARIMA模型,改进模型的平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中的最小值,预测精度明显优于另外2种模型,该模型为土石坝渗压的精确预测分析提供了新途径。     

Deformation prediction model of concrete face rockfill dams based on an improved random forest model

The unique structure and complex deformation characteristics of concrete face rockfill dams (CFRDs) create safety monitoring challenges. This study developed an improved random forest (IRF) model for dam health monitoring modeling by replacing the decision tree in the random forest (RF) model with a novel M5' model tree algorithm. The factors affecting dam deformation were preliminarily selected using the statistical model, and the grey relational degree theory was utilized to reduce the dimensions of model input variables. Finally, a deformation prediction model of CFRDs was established using the IRF model. The ten-fold cross-validation method was used to quantitatively analyze the parameters affecting the IRF algorithm. The performance of the established model was verified using data from three specific measurement points on the Jishixia dam and compared with other dam deformation prediction models. At point ES-10, the performance evaluation indices of the IRF model were superior to those of the M5' model tree and RF models and the classical support vector regression (SVR) and back propagation (BP) neural network models, indicating the satisfactory performance of the IRF model. The IRF model also outperformed the SVR and BP models in settlement prediction at points ES2-8 and ES4-10, demonstrating its strong anti-interference and generalization capabilities. This study has developed a novel method for forecasting and analyzing dam settlements with practical significance. Moreover, the established IRF model can also provide guidance for modeling health monitoring of other structures.