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。     

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。     

灰色-马尔科夫模型在大坝内部变形预测中的应用

传统的灰色-马尔科夫模型一般都是等时距的。针对样本不能满足等时距的需要,通过一定方法将样本等时距化,用多变量灰色模型MGM(1,n)与马尔科夫转移矩阵相结合对等时距样本进行建模,建立非等时距的灰色-马尔科夫模型。文中结合某大坝内部水平位移实测数据,用此模型进行建模。结果表明,灰色-马尔科夫模型不仅比灰色模型的拟合精度高,而且提高了预测精度。     

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...     

大坝变形的神经网络方法研究

大坝的失事带来的不仅是经济损失也是安全隐患,因此,建立一种大坝变形长期预测模型对它的安全评价将具有重要意义。本文针对华东CC大坝5JHJl04监测点的垂直位移变形进行分析,在传统的回归分析模型和常规神经网络模型的基础上建立了将两种方法结合的融合模型,得到大坝变形分析的最优模型。其精度与一般方法相比有了进一步的提升,可以更好地进行大坝变形预测。     

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。     

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。     

遗传神经网络在大坝安全评价中的应用

利用神经网络方法评价大坝安全具有一定的优势,但传统大坝安全评价方法不能为神经网络模型提供合适的学习样本。文中引入安全度值的概念,为神经网络提供可量化的学习样本,并针对BP神经网络收敛速度慢、稳定性差、易陷入局部极小等问题,利用遗传算法进行改进,提出基于遗传神经网络的大坝安全评价方法。工程实例表明,评价方法合理、可行。     

大坝工作基点实测数据结构分析及变形监测点的建立

大坝位移监测是水电行业的一个重要领域,它关系到大坝安全和生产。笔者通过对赣南某水利枢纽工程大坝位移工作基点和水准基点的实测数据结构分析及变形监测点的建立;提出了大坝位移工作基点使用TCA1800全站仪进行监测的方法;并对"观测方法改变后,采用TCA1800全站仪测量的数据与之前采用T3经纬仪测量数据基本一致,但经过平差处理后,所得最终成果相差较大"现象进行研究;达到了全站仪进行监测的效果;解决了大坝位移监测工作基点和水准基点的实测数据结构分析及变形监测点建立的相关问题。     

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。     

基于灰色模型的建筑物沉降预测研究

由于非等间隔GM(1,1)灰色模型对于处理数据量小且表达信息不确定的数据具有优越性,因此广泛应用于石油天然气勘探、机床故障诊断、电力负荷预测、大坝安全监测等领域。基于非等间隔GM(1,1)灰色模型理论,利用某小区建筑物沉降观测的实测数据,建立了适合该小区建筑物沉降预测的灰色模型。通过对比理论预测值和实测值,并进行模型对应的精度评定分析,结果表明,此模型适用于该建筑物沉降预测分析的研究。     

两种实用的水平位移观测方法及其精度分析

水平位移观测是高大建（构）筑物形变监测中不可缺少的部分.本文介绍了斜拉桥塔塔顶水平位移监测中的2种观测方法及其精度分析,表明曾经一度被人们忽视的常规观测方法能够弥补特殊情况下高新技术的不换足,体现其实用性,指出观测方案应该根据实际情况进行最佳效益分析、最佳观测方案优化设计.     

GPS技术改造大坝水平位移监测的研究

讨论了在大坝水平位移监测中,采用GPS技术取代传统测量仪器的方法,通过两种测量精度的比较,表明GPS的测量方法完全可以取代常规测量的方法。     

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。     

高拱坝多效应量改进型D-S证据理论融合模型

针对目前高拱坝监测资料分析中单效应量分析方法存在的不足,将数据融合技术中的D-S证据理论引入到高拱坝多效应量融合建模之中,提出了一种适合于高拱坝D-S证据融合评价的新的融合系数运算公式,建立了基于改进型证据理论的高拱坝多效应量融合模型。工程实例分析表明,该方法合理、可行,并可降低高拱坝安全评价中的不确定性与未知性。     

大型基坑工程水平位移监测与预测结果分析

以银川大世界商务广场的基坑为例,介绍了大型基坑工程水平位移监测的实施方案,给出了水平位移监测方法的精度,并对监测成果进行了分析。在此基础上,分别用多项式拟合和时间序列分析模型两种方法进行建模,对基坑水平位移进行预测,结果表明,该基坑水平位移较小,在规范规定的要求之内,说明基坑是稳定的;时间序列分析模型的预测精度要高于多项式拟合模型的精度。     

大坝统计预警模型的改进粒子群耦合方法

提出了一种新的自适应策略,并与模拟退火算法相结合,建立了基于模拟退火-自适应粒子群耦合方法的大坝统计预警模型。通过工程算例的研究表明,该方法能够提高粒子群算法的收敛性能,易跳出局部最小,算法收敛速度快。基于该方法的预警模型与最小二乘法相比,预报精度较高,预警评价结果与大坝的实际运行情况相吻合。     

葛洲坝三号闸水平位移回归分析

在系统介绍葛洲坝水利枢纽三号船闸位移监测系统的基础上,结合05年至12年的历年实测数据,利用回归分析统计模型理论,对水平位移变化规律及其影响因素进行了相关分析,得到闸门位移的相关结论和影响因素的规律,具有一定的实际指导意义。     

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。     

一种分析大坝整体位移变化规律的新方法

借鉴生存分析方法的思路,从整体上分析大坝位移规律,顾及到整座坝体的所有监测点,寻找外界因素影响坝体位移的规律。