共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
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。 相似文献
3.
大坝变形失稳的尖点突变模型 总被引:6,自引:0,他引:6
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。 相似文献
4.
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。 相似文献
5.
6.
7.
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、… 相似文献
8.
王洪 《测绘与空间地理信息》2010,33(3):22-25
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。 相似文献
9.
10.
应用时间序列方法作大坝变形预报 总被引:1,自引:0,他引:1
徐培亮 《武汉大学学报(信息科学版)》1988,(3)
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。 相似文献
11.
12.
13.
14.
15.
16.
我国大坝变形监测技术现状与进展 总被引:5,自引:0,他引:5
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。 相似文献
17.
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。 相似文献
18.
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。 相似文献
19.
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。 相似文献
20.
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. 相似文献