基于FBWM-EWM-LDM组合模型的大坝风险识别方法

鉴于大坝风险评估信息具有一定的模糊性和不确定性，提出了一种基于FBWM EWM LDM组合模型的大坝风险识别方法，通过模糊最优最劣法和熵权法分别确定大坝风险评价指标体系中各风险项的主、客观权重，同时利用级差最大化法构建非线性规划问题求得最佳组合权重，进而确定风险排序以识别工程中的主要风险。实例应用结果表明，模型识别结果与工程实际情况相吻合，验证了模型的合理性与有效性，为大坝风险管理与除险加固决策提供了依据。     

基于CEEMDAN-PE-LSTM的混凝土坝变形预测

由于混凝土坝变形监测数据有明显的非线性、非平稳特征,且数据序列包含一定的噪声,容易导致模型预测精度不高。针对上述问题,提出了基于自适应噪声完全集合经验模态分解（CEEMDAN）-排列熵（PE）-长短时记忆神经网络（LSTM）的混凝土坝变形预测模型。利用CEEMDAN对非线性信号的自适应分解能力,将原始变形数据分解为频率不同、复杂度差异明显的一组固有模态函数（IMF）,降低序列中不同尺度信息的相互影响。基于PE算法将复杂度相近的IMF分量进行合并重组。最后,对若干重组序列分别构建LSTM模型进行预测,将预测结果相加得到最终变形预测值。以某混凝土坝水平位移监测数据进行建模分析,结果表明:CEEMDAN-PE-LSTM模型与常规模型相比预测精度显著提高,能更好地对非线性数据序列进行预测。与单一的LSTM模型相比,平均绝对误差、平均绝对百分比误差和均方根误差分别降低了76.43%、75.55%和74.73%,表明该模型通过对原始序列的分解与重组获取不同尺度特征,可以更好地把握非线性、非平稳数据的变化规律,提高预测精度,能有效运用于混凝土坝的变形预测。     

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。     

基于麻雀搜索算法和滞后效应的土石坝渗流监控模型

针对渗流滞后效应对土石坝渗流监控模型精度的影响问题,考虑不同滞后效应下库水位和降水量对土石坝渗流影响的差异性,分别引入正态分布函数和瑞利分布函数定量描述库水位和降水量对土石坝渗流滞后影响,构建了考虑滞后效应的土石坝渗流监控模型,并采用麻雀搜索算法求解模型滞后效应参数和回归系数的最优值。以某心墙土石坝为例,对比分析了考虑不同滞后效应及未考虑滞后效应的渗流监控模型的精度,结果表明,本文构建的渗流监控模型精度较高,更接近实际情况,能定量评价土石坝渗流的滞后效应,可用于土石坝渗流健康监测和安全性态评价。     

ARIMA-MC组合模型在大坝变形安全监测中的应用

为及时了解大坝的安全状况,在坝体变形监测资料往往不平稳的基础上,建立了ARIMA预测模型,通过马尔科夫链预测了ARIMA模型的误差,从而修正了模型的预测值,建立了ARIMA-MC组合模型,并结合实测数据验证了此组合模型的有效性。结果表明,ARIMA-MC组合模型预测精度高,具有较好的实用性。     

复杂地质条件下沥青混凝土心墙坝风险识别方法

针对复杂地质条件下沥青心墙坝风险识别问题,本文从“三高一深”复杂地质条件、沥青混凝土心墙和传统土石坝三个风险维度,系统建立沥青混凝土心墙坝风险指标体系。针对主客观信息融合不充分问题,本文采用三角模糊层次分析法（TFAHP）确定风险指标主观权重,通过指标重要性评价法（CRITIC）确定其客观权重,并利用博弈论法（GT）计算最优组合权重,构建基于TFAHP-CRITIC-GT组合赋权模型的沥青心墙坝风险智能识别方法。实例分析表明,新疆奴尔沥青心墙坝工程复杂地质条件风险指标权重占比0.516,是该工程的重要风险因素。综合考虑复杂地质条件风险对于准确识别沥青心墙坝风险因素具有重要工程意义,本文提出的指标体系及识别方法对于西部地区复杂地质条件大坝风险识别及评价研究具有推广价值。     

移动平均和经验模态分解法在大坝位移分离中的应用

经验模态分解方法由于缺少数据预处理,分解结果具有冗余性、与自变量数量不能对应、模函数无法进行物理解释等问题,因此在经验模态分解前增加移动平均数据预处理过程,以减少原始数据量,保留趋势过程,并以某双曲拱坝位移分离为例,对比了经过数据预处理与未经数据预处理的经验模态分解结果。结果表明,预处理后位移序列趋势性不变,但数据量和分解模函数数量均有所减少;为了使分解得到的模函数与水位和温度的物理解释相吻合,选择合适的移动平均参数M,使模函数数量为2,避免了分解的冗余性。     

基于AFSA-AHP的大坝安全指标权重研究

针对传统AHP的一致性检验采用特征向量法计算大坝安全指标权重时缺乏可靠的理论依据问题,提出了一种基于人工鱼群优化—层次分析法的大坝指标权重计算方法,将判断矩阵下的权值计算问题转化为约束求解问题,利用人工鱼群的智能优化搜索求得具有满意一致性的最佳权重。将该计算模型用于某大坝的安全指标分析中,与传统特征向量法相比,该计算模型结果更精确、更稳定,为大坝安全指标权重的确定提供了一种行之有效的方法。     

基于SSA-MSVR的混凝土拱坝材料参数反演模型

为进一步提高混凝土拱坝材料参数获取的准确性,构建了基于多输出支持向量回归(MSVR)和麻雀搜索算法(SSA)的混凝土拱坝材料参数反演模型。为了快速模拟坝体径向位移与材料参数的非线性关系,建立了高精度的MSVR模型代替有限元模型计算,并利用SSA对所需参数进行寻优反演。工程实例验证结果表明：构建的反演模型计算精度高,计算速度快,能快速反演坝体与坝基材料参数,可用于实际工程的材料参数反演分析。     

土石坝渗流安全监控的集成学习融合模型

土石坝渗流监控模型是定量分析土石坝渗流安全的重要方法。传统土石坝渗流监控模型常独立采用统计模型或机器学习智能算法模型,未有效融合两者的优点。本文在集成学习的框架下,创新地将统计模型和多种并行的智能算法预测模型进行融合,利用统计模型的可解释性和智能算法的高拟合性进而提升集成模型预测精度。首先针对土石坝渗流统计模型,在经典土石坝渗流统计模型基础上充分考虑渗流影响因子的滞后效应,改进水位分量和降雨分量影响因子表达式。然后,基于贝叶斯差分自适应Metropolis(differential evolution adaptive Metropolis,DREAMZS)集成理论,将机器学习中多个先进智能算法和改进的统计模型进行集成,并获得各模型的最优权重系数。实例分析表明,集成学习融合模型相较于单一统计模型或智能算法模型预测精度有明显的提升,有效融合了统计模型和多种智能模型的预测优势,为土石坝渗流监控模型的建立提供了一种新的建模方法。