排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
变形监测数据作为特高拱坝服役性态最直观的表征,蕴藏着丰富的时空信息和演变规律,对工程长治久安意义重大。然而,多源多维的变形监测数据受仪器本身及外界因素影响,往往存在数据缺失的现象,会对接下来的数据分析工作造成干扰。针对大坝变形监测序列中的缺失数据,基于Apriori关联规则算法挖掘测点变形在空间维度上的关联性,得到目标测点的强关联测点,随后以强关联测点的变形监测数据作为输入样本,利用贝叶斯优化的XGBoost回归模型填补了目标测点的空缺变形监测序列。结合锦屏一级特高拱坝工程实例表明,该填补方法实现了变形监测空缺信息的高效、精准填补,可用于类似大坝工程的变形缺失数据填补。 相似文献
2.
为有效监测裂缝的形成和发展,提出一种利用压电智能骨料量化识别裂缝的方法。制作压电智能骨料换能器,测试分析智能骨料接收信号的敏感性,优选智能骨料的传感元件类型、封装材质、输入电压和激励频率;开展裂缝位置、深度的量化传感试验,构建小波包相对能量指标,探明该指标与裂缝位置、深度间的关系;建立随机骨料有限元数值仿真模型,模拟裂缝对压电智能骨料传感信号的影响。结果表明:数值模拟结果和试验结果吻合,所构建压电智能骨料诊断指标可较好地监测混凝土结构裂缝状态,可实现连续、远程、实时监测裂缝发生和发展过程。 相似文献
3.
4.
5.
特高拱坝具有“三高一强”特点,长期运行中呈现复杂、多样和时变的变形性态,其中,时变特点隐含了大坝系统安全性的演化过程,对工程健康服役意义重大。规范明确指出,特高拱坝的变形性态需开展专项研究。本文首先分析国内典型特高拱坝的变形时变特性,然后,基于时变效应呈现的差异性,深入剖析特高拱坝时效变形的影响因素和形成机制;接着,考虑时效变形由多种因素叠加产生且不可直接监测,将时效变形视为状态向量,以实测变形作为观测序列,小波分解的趋势项作为状态序列,提出基于状态空间模型的特高拱坝时效变形分离方法;最后,提出时变效应的敛散性判别指标,实现了从时变角度开展大坝安全判定。成果可揭示特高拱坝时效变形的整体演变规律和趋势,并诊断大坝健康服役性能。 相似文献
6.
为更高效地对高拱坝的多测点变形数据进行分析,引入了核主成分分析(KPCA)算法重构误差以识别多测点序列中的异常值;为解决用于测点聚类的密度峰值聚类(CFSFDP)算法高维表现较差的问题,利用KPCA算法对其进行降维操作,并提出了自动选取聚类中心与截断距离的改进CFSFDP(ICFSFDP)算法;基于KPCA-ICFSFDP和多输出高斯过程(MOGP)算法,按分区建立了多测点变形MOGP回归模型。实例验证结果表明,对于簇内点数量较少的类,相较于不分区的MOGP模型,预测效果得到了一定的提升,同时在整体MOGP模型表现良好的测点,分区后仍然保持较高的预测精度,且与单输出高斯过程模型对比均有所提升。 相似文献
1