大坝变形预测方法的扩展

在大坝变形分析中，使用最广的是逐步回归分析法，并且只进行单点分析。本文讨论将m个观测点的数据进行联合处理的问题，扩展单点回归分析模型为多点回归分析模型，通过统计检验建立m个最佳回归方程，根据大坝变形分析的最佳模型、扩展多元回归分析一般模型的协方差矩阵的估计，得到一个无偏估计。为了便于应用，文中还给出了一个渐近无偏估计。同时，本文对一般的预测方法进行扩展，提出一种扩展多元回归预测法，简称扩展法。最后，利用某大坝的观测资料做实例计算。结果说明，扩展法具有相当好的预测精度。在计算预测精度时，不能在最佳回归方程中直接应用协方差传播律。因此，在回归模型中加入模型误差是合理的，顾及模型误差的预测精度计算是必要的，也是合理的。     

灰色预测用于大坝水平变形预测的研究

针对大坝变形数据处理中使用少数据观测值进行预测的问题，对大坝水平位移值应用灰色预测作了较好的预测，对ＧＭ模型的初始值解算作了全新的研究。经对大量不同的实例数据计算取得了较好的拟合和预测精度，从而表明灰色预测对大坝变形分析是一种适用的数据处理方法。     

灰色预测用于大坝水平变形预测的研究

针对大坝变形数据处理中使用少数据观测值进行预测的问题，对大坝水平位移值应用灰色预测作了较好的预测，对ＧＭ模型的初始值解算作了全新的研究。经对大量不同的实例数据计算取得了较好的拟合和预测精度，从而表明灰色预测对大坝变形分析是一种适用的数据处理方法     

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。     

越南水电站大坝变形分析研究

分析了大坝水平位移的视准线观测方法,简述季节性时间序列法和BP神经网络法在变形监测中的应用,并对和平水电站历史观测数据进行分析和预测。结果表明,两种方法都能较准确地描述大坝的变形趋势,为大坝的安全监控提供了参考。     

基于中值滤波的灰色预测模型及其在大坝变形预测中的应用

在大坝变形监测中,当用GM(1,1)模型对稳定变化的变形数据序列进行预测时,效果较好。但是,影响坝体变形的因素多种多样,且处于动态变化之中,观测数据中将不可避免地存在着一些随机扰动,这些扰动使大坝的变形曲线发生异常波动。此时仅用GM(1,1)模型进行预测,其精度和可靠性就会下降。为此,本文提出一种基于中值滤波的GM预测模型,即先用中值滤波算法对发生波动的原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。实例证明,基于中值滤波的GM预测模型可以有效地提高大坝变形的预测精度。     

ARIMA乘积季节模型在大坝位移监测中的应用

提出了应用ARIMA乘积季节模型对大坝位移监测数据进行分析和预报的新方法,并给出了基于开源R语言建立乘积季节模型的方法步骤和关键技术。结合某大坝径向位移监测数据进行计算分析,结果表明：ARIMA乘积季节模型能较准确地预报大坝位移趋势,具有较高的预测精度。     

利用组合模型进行大坝变形的预报

针对大坝变形监测序列的多尺度、年周期性和非平稳趋势性特征,采用最小二乘与广义回归神经网络的组合模型法进行预报,同时考虑到大坝变形与水位因子的相关性,在模型中引入水位数据进行大坝变形的预报。通过实验表明,加入水位数据的组合预报模型相比单独采用大坝变形监测数据的模型,预报精度有显著的提高。     

基于大坝变形监测预报的神经网络方法的对比分析

近年来,国内外学者在神经网络方面做了大量研究,使神经网络技术在计算、分析、仿真、控制等方面得到广泛应用,在变形监测和测绘数据处理领域,学者们做了大量实验和实践研究,得到丰富的研究和应用成果。本文首先对大坝变形影响因子进行分析,采用主成分分析法提取影响大坝变形的因子元素,最大程度降低因子之间的相关性对神经网络模型的影响。采用改进BP神经网和径向基函数神经网络两种方法,分析大坝变形预测预报效果,并结合相关文献研究成果,对比两种算法的优缺点,探讨神经网络应用于大坝变形监测的可行性。最后结合工程实际应用实例,研究计算表明,改进BP神经网络和径向基函数神经网络都能对实测数据有较好的拟合效果,达到大坝变形预测预报精度,在大坝安全预测预报分析中具有一定的参考和实用价值。     

修正指数曲线法与灰色模型和BP神经网络预测在建筑物沉降中的对比分析

变形监测在建筑物施工和运营管理方面是一个至关重要的环节,变形监测的预测模型有很多。选取适当的变形监测预测模型对于预测建筑物的变形尤为重要。本文运用灰色模型GM(1,1)、BP神经网络和曲线拟合中的修正指数曲线对一幢大楼13期的沉降观测数据进行分析。利用前12期沉降观测数据构建预测模型来预测第13期沉降观测的数据,将预测的结果与实际测量的结果进行比较,得出这三种模型预测的精度。结果表明:在这一幢大楼的沉降观测预测中,修正指数曲线法预测的精度要比灰色模型GM(1,1)和BP神经网络预测的精度高。     

基坑变形监测分析及预报方法研究

由于基坑结构性强、稳定性差且不易控制,在建造过程中需要不断地进行变形监测和预报分析来保证工程顺利进行。本文提出一种基于监测点精度要求反推控制网等级的观测方案,首先根据基坑规模确定监测点精度和控制网等级,然后布设控制网观测并验证平差结果,最后整理分析数据使用回归分析法进行预报。本文以苏州广济医院基坑为例进行监测和预报分析,得到最佳拟合的三次曲线模型,并对各观测项变形趋势进行预测,该基坑在周期内变形趋势稳定,周期外预测值满足规范要求,基坑总体运行安全。     

两种不同的SVM建模方法在大坝变形预测中的应用

用支持向量机对大坝变形监测数据建模分析和预测一般有两种方法:一是仅用大坝的变形数据作为输入端和输出端,构建支持向量机模型;二是用温度、水压等大坝变形的影响因子作为输入端,大坝变形数据作为输出端,构建支持向量机模型。两种建模方法比较研究鲜有讨论,文中用这两种建模方法对福建省某一大坝进行建模预测。结果表明,第二种方法建模预测速度更快,预测精度更高。     

克里金时空自回归模型在变形建模中的应用

针对时空自回归模型的空间权阵大多采用邻接性和反距离加权法导致模型预测精度较低的问题,该文提出了一种基于克里金法空间加权的时空自回归模型,通过普通克里金插值法原理来定义空间权阵,并利用五强溪大坝5年的观测数据分别对传统空间加权和克里金法空间加权进行建模对比。结果显示,克里金法加权比传统加权的变形预测精度提高44%左右,说明克里金时空自回归更适合建立大坝时空变形模型。本文方法更加科学地描述了实际空间的变异情况,提高了变形建模的预测精度,可用于大坝及其他变形体的变形建模。     

宝钢引水库大坝水平位移监测评价和变形分析

本文对宝钢引水库大坝的水平位移监测网的布设方案,采用灵敏度和可靠性准则进行了网的优化设计计算,从监测网的质量准则出发,对布网方案作了若干探讨。从二十五期观测资料中选出十三期进行了水平位移计算和变形的几何分析。指出,在变形分析中正确选取基准的重要意义和据多期位移值进行变形预报的一些方法,并定性地讨论了该大坝变形的物理解释。本文所作的工作对类似大坝的水平位移监测和成果处理具有实际意义。     

自适应过滤法及其在大坝监测中的应用

介绍了自适应过滤法原理及计算方法,利用自适应过滤法模型预测了大坝变形趋势。实际数据计算结果表明:自适应过滤模型预测精度优于传统的回归分析法,在大坝监测预报中是有效可行的。     

主成分-多变量时间序列模型及其在桥梁变形预测中的应用

建立科学有效的变形预测模型对确保桥梁安全运营具有十分重要的意义。据此,提出了基于主成分和多变量时间序列模型耦合的桥梁变形预报模型,采用苏通大桥实测数据对模型的拟合、预测精度进行了分析验证。采用主成分分析方法提取了累计贡献值达95.088%的三个对桥面变形有影响的主成分,建立了主成分-多变量时间序列模型。结果表明,该模型拟合精度优于多变量时间序列法,监测点dx,dy,dH三个方向的均方根误差分别为2mm、2mm、8mm,预测精度分别为3mm、3mm、6mm,可以识别出由于结构损伤所引起的位移10mm的异常变化。说明该模型对于桥梁桥面变形预测具有一定的有效性和适用性。     

克里金时空自回归模型在变形建模中的应用

针对时空自回归模型的空间权阵大多采用邻接性和反距离加权法导致模型预测精度较低的问题,该文提出了一种基于克里金法空间加权的时空自回归模型,通过普通克里金插值法原理来定义空间权阵,并利用五强溪大坝5年的观测数据分别对传统空间加权和克里金法空间加权进行建模对比。结果显示,克里金法加权比传统加权的变形预测精度提高44%左右,说明克里金时空自回归更适合建立大坝时空变形模型。该方法描述了实际空间的变异情况,提高了变形建模的预测精度,可用于大坝及其他变形体的变形建模。     

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。     

神经网络融合模型在大坝安全监控中的应用

为了提高大坝安全监控模型的预测精度并检验模型的泛化能力,研究大坝安全监控的统计模型、BP神经网络模型及遗传神经网络模型,并提出基于这两种神经网络的融合模型,结合某拱坝长期的变形观测数据,对上述几种模型进行试算。分析结果表明,所建立的融合模型与其他模型相比具有较高的预测精度,且泛化能力较强,具有良好的适用性。     

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。