小浪底水利枢纽大坝变形的灰色预测模型

在分析大坝变形预测方法的基础上,首次运用灰色理论和方法通过模型的建立、模型精度检验过程得出用于预测大坝变形的GM(1,1)模型,并用该模型对小浪底水利枢纽大坝坝顶视准线部分监测点的变形量进行了预测,预测取得比较满意的结果,证明此模型在实际工程中应用是可行的,同时为大坝安全运行提供了重要的依据。     

大坝变形预报神经网络专家系统方法研究

随着水利资源的开发，坝址的地质条件越来越复杂，大坝的规模也向高大型方向发展，大坝安全显得更为突出和重要，这对大坝安全监控提出了更高的要求。随着大坝数量的增加、时间推移、坝龄的增长，大坝失事的几率也随之上升，大坝安全是一个关系到社会公共安全的重要问题。大坝变形分析与预报可为保障大坝安全、掌握大坝运行状态提供重要依据。人工神经网络专家系统技术在大坝变形分析与预报方面已表现出了很好的特性。     

大坝变形失稳的尖点突变模型

基于大坝变形失稳的简化力学模型,考虑裂隙的非线性应变软化和渗水软化,根据突变理论推导了大坝变形失稳的尖点突变模型,并利用该模型对大坝变形失稳的机理和力学条件进行了分析,从整体上深化了对大坝变形失稳机制的认识。     

大坝变形失稳的尖点突变模型

基于大坝变形失稳的简化力学模型,考虑裂隙的非线性应变软化和渗水软化,根据突变理论推导了大坝变形失稳的尖点突变模型,并利用该模型对大坝变形失稳的机理和力学条件进行了分析,从整体上深化了对大坝变形失稳机制的认识。     

大坝变形监控模型发展回眸

随着水工结构的发展和水资源开发利用,大坝安全运行问题日益突出。大坝变形观测资料能综合反映工程安全状态。开展安全监控与预测预报方面的建模理论和方法研究可为馈控结构安全状态以及制定新的设计、施工和运行规范提供科技支撑。据此,回眸了大坝变形监控模型方面的国内外研究进展,总结了常规监控模型和新型监控模型的特点,提出了相应的研究建议。     

大坝变形预测的支持向量机模型

针对大坝变形具有强非线性的特点以及在采用传统神经网络模型进行预测时存在局部极小、过学习等问题,提出一种新的大坝变形预测方法——支持向量机方法。该方法基于统计学习理论,采用结构风险最小化原则,保证了模型具有很强的泛化性能,并通过求解一个二次规划问题确保模型具有全局最优。以东江大坝变形预测为实例,说明了该方法的可行性和有效性。     

水库大坝表面变形自动化监测新技术

一、引言到目前为止,我国已建水库堤坝约8.7万座,其中绝大部分(约8万座)建于20世纪50~70年代。但是,由于历史原因,有相当部分水库堤坝未按基本程序办事,是靠群众运动建造的,因此存在工程质量差、安全隐患多的问题。经过几十年的运行,已经到了病险高发期。因此加强水库大坝的安全管理必不可少,其中大坝变形监测就是大坝安全管理的重要内容之一。目前,在大坝安全监测技术规范中,主要有《土石坝安全监测技术规范》和《混凝土坝安全监测技术规范》。在《土石坝安全监测技术规范》中,把大坝的变形监测内容分为:表面变形、内部变形、裂缝及接缝、…     

TCA测量机器人在大坝变形监测中的应用

近年来我国在西南地区,规划建设了许多大型的水利枢纽工程,但如何确保这些水利设施的安全运营,成了目前研究的热门课题。大坝变形监测是大坝安全监测系统的一个主要项目。本文以紫坪铺大坝变形监测系统为例,详细介绍了LEICA测量机器人自动观测系统的方案设计以及质量评价,以期能够对其他类似工程提供一点经验借鉴。     

基于逐步回归分析的大坝变形分析模型研究

主要介绍对逐步回归分析模型的原理和基本步骤,结合大坝工程实例进行分析。引入了库水位、时效和温度三个因子建立逐步回归模型。得出了运用逐步回归模型分析大坝变形的合理性,可以达到预测的目的。     

应用时间序列方法作大坝变形预报

本文首先介绍时序分析的三个基本模型——ARMA模型、AR模型和MA模型,以及各模型的统计性质。然后以某大坝1715廊道的激光视准线观测位移值(已利用倒垂观测把相对位移化为绝对位移)为例,着重叙述大坝变形分析的建模过程,得到了一个AR(2)模型并对大坝变形作了预报,结果具有相当好的预报精度。从而说明,时序分析法将是大坝变形分析的一个有力工具。     

基于精密单点定位技术的大坝变形监测

针对大坝安全变形情况,本文利用GPS三频组合精密单点定位技术,对国内某大坝进行变形监测,并从定位精度、收敛时间以及大坝三维变形程度三个方面分析了精密单点定位技术在大坝变形监测中的可行性与有效性。经研究发现,在开始监测30min之后精密单点定位开始收敛,定位精度可以达到毫米级,对收敛后的时间段数据分析发现大坝水平向和竖直向变形位移在3mm之内,精密单点定位技术可以精确获取大坝三维变形情况,可为今后的大坝安全变形监测提供一种可靠的技术手段支撑。     

大坝变形分析周期均线系统模型的应用研究

针对大坝变形问题,提出周期均线系统模型,给出"沉降活跃度"的概念。以某抽水蓄能电站大坝为例,采用模型结合沉降活跃度进行单测点的变形分析,进而采用聚类分析方法绘制大坝的整体沉降活跃度分布图,结合各测点的累积沉降量值,直观地分析大坝的变形趋势,实现单测点与多测点相结合的分析模式。结果表明,应用周期均线系统模型配合沉降活跃度分布图,可较容易掌握大坝的变形信息,为大坝的变形分析提供一种行之有效的方法。     

GBInSAR在大坝变形监测中的应用

评判水工建筑物的工作性态,需高精度的变形、应力等信息。根据大坝安全监测特点和要求,介绍GBSAR监测系统构成和测量基本原理,分析该系统测量误差来源及特征,探讨该技术在大坝变形监测中的可行性。以隔河岩大坝3d的实测数据为例,分析该技术实际测量精度,研究显示成果达亚毫米级,能够满足大坝变形监测的精度要求。     

基于GA-BP算法的大坝边坡变形预测模型

针对大坝安全预测采用传统的统计模型、确定性模型和混合模型存在的不足,应用遗传算法（GA）与基于误差反向传播算法（BP）相结合,构成GA-BP混合遗传算法,建立大坝边坡变形预测的遗传优化神经网络模型（GA-BP模型）。该模型利用神经网络的非线性映射能力、网络推理和预测功能及遗传算法的全局优化特征,克服BP算法易限人局部最小问题。通过该模型对某大坝的实际观测数据进行预测,表明GA-BP模型的预测具有精度高、收敛速度快的优点,在大坝的预测方面具有应用价值。     

LS+AR组合模型在大坝变形预报中的应用

针对大坝变形监测数据的年周期性特点,建立了大坝变形监测序列的拟合外推模型,提出了利用最小二乘外推(LS)与自回归(AR)组合模型预报大坝变形监测数据的方法。通过实验比较说明,LS+AR组合与AR模型相比,在大坝变形监测的预报精度上有一定程度的改善。     

我国大坝变形监测技术现状与进展

大坝外部变形监测是大坝安全监测的一个重要内容，发展到目前为止，已有各种各样的监测方法。列出目前的主要监测方法，给出各种方法的特点及存在的问题，并预测大坝外部变形监测的发展趋势。     

融合PSO-SVM的混凝土拱坝多测点变形监控混合模型

针对混凝土拱坝单测点变形监控模型难以合理表征拱坝空间变形场协同响应特性以及传统回归方法诠释环境量与大坝变形间的复杂函数关系具有明显局限性问题,提出了融合粒子群算法优化与支持向量机（particle swarm optimization-support vector machine,PSO-SVM）的混凝土拱坝多测点变形监控混合模型。基于单测点变形监控模型构建方法,引入空间坐标并利用有限元方法计算水压分量,进而借助PSO-SVM良好的非线性处理能力对环境量与大坝变形序列进行建模和预测,从而构建了融合PSO-SVM的混凝土拱坝多测点混合模型。工程实例分析表明,所建模型具有较好的多测点变形性能分析能力,较单测点统计模型具有良好的拟合及预报精度,可有效反映大坝服役的整体安全性态。此外,所提理论和方法经一定的改进和拓展,亦可推广应用于其他水工建筑物性态安全监控模型的预报分析。     

扩展大坝变形预报方法的应用

关于大坝变形观测,国内外都在进行研究,但如何提高大坝变形的精度及准确性是进一步研究的课题。本文主要是讨论将m个观测点的观测数据进行联合处理的几个问题。文章首先简述所采用的外部变形分析的观测数据。讨论扩展法的模型建立,模型误差、预报精度等问题,然后介绍扩展大坝变形预报法,最后进行实测数据例子的计算、比较和分析。结果表明,扩展法明显地优于一般的预测法。又能准确地预报大坝位移的上移。对于大坝位移曲线的异常预报是很重要的。扩展大坝变形预测法能达到及时的预报大坝位移曲线的异常。     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律。综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型。将大坝变形的时间序列分为非线性部分和线性部分。针对非线性部分,利用SVM进行滚动预测,并与NAR动态神经网络进行对比,试验表明SVM处理非线性问题具有相对的优势;针对线性部分,通过ARIMA模型对其进行单步滚动预测,综合两项预测结果得到组合模型的预测值。结合大坝实测资料对组合模型进行检验,试验结果表明,SVM-ARIMA组合模型的预测精度高,能更好地描述大坝位移的变化趋势,具有一定的实用价值。     

基于岭回归的大坝变形位移模型

大坝回归建模中常常因自变量间的多重共线性产生"病态"问题,使得回归系数无法真实反映环境因子对大坝变形的影响.利用岭回归建立大坝变形模型,采用L曲线法对岭回归模型中岭参数进行求解,相比最小二乘方法直接得到的系数,岭回归模型求解结果更符合实际,且所建立模型能对大坝变形进行有效预测.