时空自回归模型在大坝变形分析中的应用

变形监测分析的模型与方法主要是针对单点时序的分析,建立大坝位移自回归模型可实现大坝位移预测预报,但传统自回归模型都是针对单测点进行的,这意味着需要对所有的测点进行建模,将会造成大量模型冗余.而大坝作为一个整体结构,测点间的位移在空间上是相互关联的。单点自回归模型并未考虑着这种相关性,为了考虑测点间的这种空间相关性并建立统一的模型,本文采用时空自回归方法对五强溪大坝位移监测数据进行整体分析,建立了大坝位移的时空自回归模型。通过对大坝引张线测点的建模与预测分析,结果表明时空自回归模型在时间和空间上都可以对位移监测数据序列进行较好的拟合与预测。     

基于GM(1,1)-ARIMA最优组合的大坝预测模型

为了对大坝变形进行预测,本文根据ARIMA模型和灰色模型各自的特点,建立综合ARIMA模型和灰色模型的变形组合预测模型,并在不同的定权准则下建立了多种组合模型。在通过平均绝对误差(MAE)及均方误差(MSE)两种精度指标选取最优组合模型时,为了克服单一评价方法导致的结果非一致性问题,提出基于最小机会损失准则进行评价的方法,通过将各组合预测模型的最小机会综合评价值进行排序,得到最优组合预测模型。最后以某大坝位移监测数据为例,建立不同的组合模型,通过模型精度评价,得到了最优组合预测模型。     

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。     

基于神经网络的大坝位移模型分析

结合某大坝工程实测数据,建立该大坝位移量和相关因子的逐步回归模型和神经网络模型,并对两者模型结果进行比较,结果表明神经网络方法在大坝变形分析和预报方面效果良好。     

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。     

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。     

小波分解下的变形预报组合模型

利用小波变换分解变形监测数据,重构分离得到低频线性项和高频非线性项,线性特征强的子序列使用ARMA模型进行建模预报,非线性特征强的子序列使用神经网络模型进行建模预报,最后合成获得预报值。文中使用隔河岩大坝GPS变形监测数据进行建模预报,分析小波分解层数对预报精度的影响,提出平滑测度确定分解层数的方法,比较ARMA模型或神经网络模型和小波分解下的组合模型的预报精度,结果表明组合模型的预报精度优于单一模型,其精度在0.6mm,最大偏差为1.6mm,平均改善76%和77%。     

基于ARIMA与Holt-Winters组合模型的电离层TEC预报

分别采用时间序列中的求和自回归移动平均模型ARIMA(Autoregressive integrated moving average)模型和指数平滑模型Holt-Winters的加法模型,对IGS站发布的广西地区16个格网点进行短期的电子含量TEC预报。并利用组合权重的方法对两种模型组合进行TEC短期预报。分析比较不同季节各个模型的预测效果,以及电子含量的变化与太阳黑子数变化之间的联系。结果表明,组合模型的预测精度在各个季节都优于两种单一模型,不同季节,太阳黑子数的含量和电离层电子含量预测的精度也有较大差异。     

基于季节ARIMA模型的地下水位动态预测

通过分析1996~2004年测井实测逐月地下水埋深序列的趋势性和周期性,建立了合适的季节ARIMA模型,并运用该模型对2005年逐月地下水埋深进行预测,预测值与实测值变化趋势一致,平均相对误差为2.5%,证明该模型用于地下水水位预报是可行的。     

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。     

Dam deformation analysis based on BPNN merging models

Hydropower has made a significant contribution to the economic development of Vietnam, thus it is important to monitor the safety of hydropower dams for the good of the country and the people. In this paper, dam horizontal displacement is analyzed and then forecasted using three methods: the multi-regression model, the seasonal integrated auto-regressive moving average (SARIMA) model and the back-propagation neural network (BPNN) merging models. The monitoring data of the Hoa Binh Dam in Vietnam, including horizontal displacement, time, reservoir water level, and air temperature, are used for the experiments. The results indicate that all of these three methods can approximately describe the trend of dam deformation despite their different forecast accuracies. Hence, their short-term forecasts can provide valuable references for the dam safety.     

深度学习在大坝变形预测中的应用研究

大坝时间序列变形的高精度预测对于大坝运行维护及保护人民生命安全显得尤为重要。本文以某大坝113期变形时间序列数据为实验,提出了一种深度学习中的循环神经网络(LSTM)方法来进行大坝变形预测,将实验的结果与机器学习中NAR神经网络和ARIMA自回归移动平均模型的预测结果进行对比,LSTM、NAR和ARIMA模型的均方根误差(RMSE)分别为0.392 5、0.573 7、1.298 7;平均相对误差(MRE)分别为0.0498、0.1046、0.1878;R^2系数分别为0.932 3、0.822 1、0.247 7。从上述结果对比可知,LSTM时间序列预测模型的精度更高且稳定性更好,可作为后续大坝变形预测的一种新的思路和探索。     

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。     

改进的GM(1,1)模型在大坝变形预测中的应用

针对大坝安全监测数据存在贫信息、小样本的问题,通过对原始数据、初始值以及背景值进行优化改进传统的GM(1,1)模型。以某大坝实测径向水平位移数据为例,分别用改进前后的模型进行预测,并与实测值进行对比。验证改进的GM(1,1)模型的优越性与有效性,相对于传统GM(1,1)模型,其预测精度更高。     

基于ARIMA模型的边坡变形分析与预测

详细论述了时间序列分析中的平稳性分析、模型识别、模型评价和模型预测的过程，建立自回归滑动平均求和（ARIMA）模型对2016年6月29日-2017年10月4日共计461 d的边坡监测数据进行时间序列分析和预测。结果显示：利用ARIMA模型对边坡观测数据进行时间序列分析具有可行性，并能取得较好的效果，研究成果可为工程施工和防灾减灾提供技术参考。     

变权组合预测模型在大坝沉降监测中的应用

为探讨变权组合预测模型在变形监测中的应用,以监测某大坝沉降量为实例,研究基于线性回归预测模型和灰色模型GM(1,1)的变权组合。通过预测该大坝坝内沉降量,比较两种单一预测模型和变权组合预测模型的预测误差平方和,证明变权组合预测模型在沉降预测中具有更好的预测精度。     

改进蝙蝠算法优化极限学习机的大坝变形预测模型分析

针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题,本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值,并提出了一种基于改进蝙蝠算法（IBA）优化极限学习机（ELM）的大坝变形预测模型（IBA-ELM）。将IBA-ELM模型应用于工程实例,通过对某地水库大坝监测数据预测分析,验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价,3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm,IBA-ELM模型的预测精度高于另外2种模型,表明IBA-ELM模型能有效提高大坝变形预测能力。     

GNSS自动化监测系统的大坝变形预测方法研究

以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。     

诱发因素影响下的滑坡参数优化预测模型研究

在降雨等外界诱发因素的综合作用下,滑坡位移预测是一个复杂的动力系统问题。利用三峡库区白家包滑坡综合监测数据,分析滑坡演化实时特征,提取影响滑坡变形的最相关因素,研究发现白家包滑坡为降雨主导型堆积层滑坡;采用自回归综合移动模型（ARIMA）模型进行拟合及预测,引入月累积降雨量对模型季节性趋势参数进行评估优化,对白家包滑坡72期月相对位移数据进行拟合及预测研究,最终模型结果和实测值的平均绝对误差和相关系数分别为2.873和0.983。研究结果表明,与传统经验法相比,优化参数模型更符合滑坡变形的一般规律。