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。     

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。     

基于Matlab工具箱的神经网络在大坝变形区间预报中的应用

进行基于人工神经网络的大坝变形区间的分析与预报研究,运用Matlab工具箱建立BP神经网络模型,进行大坝变形区间的分析与预报,并与传统的逐步回归预报方法进行比较.结果表明,BP神经网络用于大坝变形区间的预报是可行的,在预报效果上优于逐步回归方法.     

大坝变形时间序列的奇异谱分析

为了研究大坝变形规律并分析其影响因子,利用奇异谱分析(SSA)提取大坝变形时间序列的趋势和周期分量,并分析各分量与时效、温度和水位因子的关联性。通过分析某大坝实测数据,发现大坝存在徐变和周期性弹性形变。其中,徐变即趋势项,主要与时效因子有关;弹性形变对应的周期项主要与温度和水位的周期变化有关,且温度因子与弹性形变的相关性明显大于水位因子。利用提取的趋势和周期项对大坝变形时间序列进行拟合并预测,其拟合和预测误差分别为0.52和0.24 mm;若采用传统的多元线性回归模型进行拟合和预测,其误差则分别为0.81和0.57 mm。这表明奇异谱方法的拟合和预测精度均优于多元回归法,能够更准确地预测大坝变形。     

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。     

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%。     

谱分析在GPS自动化监测系统中的应用研究

利用快速Fourier变换，将形变监测资料和库水位、温度等数据从时域转到频域内进行分析，研究库水位、温度变化速度与大坝变形速度的关系。及时反映大坝变形规律和变形原因，并研制了相应的软件。     

基于GA-LMBP网络模型的小浪底大坝3维变形预报分析

BP神经网络在大坝监测资料分析处理中有广泛的应用,本文针对改进的BP神经网络:LM-BP网络模型的不足,采用遗传算法加以改进,建立了一种基于遗传算法和LM-BP网络模型的大坝3维变形预报模型GA-LMBP网络模型。将GA-LMBP网络模型应用于小浪底大坝3维变形预报分析中,取得了很好的预报效果,证明了GA-LMBP网络模型是一种行之有效的大坝变形分析预报模型。     

一种组合最小二乘支持向量机的研究及其应用

将统计学习理论和LS-SVM用于变形分析预报,采用小生境遗传算法与交叉验证法相结合进行LS-SVM参数的选取,并用参数优选后的LS-SVM与混沌理论相结合对变形监测数据进行建模预测,并与BP和RBF两种神经网络的预测结果进行了比较分析。实例表明,基于组合LS-SVM的变形数据预报模型具有良好的效果。     

大坝变形分析与预报的有限元法

在阐述有限元法基本理论的基础上,研究了采用ANSYS有限元分析软件进行大坝有限元建模、网格划分、荷载及边界条件施加等大坝变形分析的方法,在用有限元法获得水位位移分量及温度位移分量后建立大坝位移确定性模型,从而对大坝的变形监测提供可靠的依据。     

变分模态分解与长短时神经网络的大坝变形预测

为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型.对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构.以江西省某蓄能水电厂2010-2014年大坝监测数据为例,设置不同的对比实验验证VMI-LSTM组合模型的有效性和稳定性.研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值.     

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。     

漫湾电站大坝及滑坡体外部自动化变形监测系统研究

研究利用TCA2003全站仪及NA3003水准仪实现从野外数据采集到内业数据形分析预报模型自动化系统，提出用数据库管理系统实现对变形观测数据的综合管理与分析，同时研究了将GIS技术应用到大坝及其周围地区的变形观测与分析中的内容与方法。     

融合混沌残差的大坝位移蛙跳式组合预报模型

针对大坝位移监控统计分析中拟合残差序列内蕴的混沌成分,以及传统算法在挖掘监测信息时的优势单一性,结合常规优化算法特点,运用蛙跳算法(shuffled frog leaping algorithm,SFLA)在确定子模型最优权重的基础上,建立了基于SFLA的大坝位移组合预报模型。考虑到统计分析中拟合残差序列的混沌特性,利用相空间重构及混沌理论对位移残差序列值进行分析与预测,并将其残差预测项与SFLA组合模型预测值进行叠加,据此,提出了一种融合混沌残差的大坝位移蛙跳式组合预报方法,并研制了其考虑混沌残差的大坝位移蛙跳算法的实施程序。实例分析表明,所建立的模型与方法相对传统方法在拟合精度及收敛速度方面较优,其模型预报能力有明显提升,这也为其他水工建筑物安全监控模型中位移等效应量的预报分析提供了新方法。     

Correlation －SVM 模型在大坝变形预测中的应用

引起大坝变形的影响因素很多,即在利用支持向量机（ SVM）模型进行大坝变形分析和预报的过程中,需要将所有的影响因子都输入到SVM模型中,这样会造成输入因子的不侧重性,基于此,本文对大坝变形的影响因子进行相关性分析,根据大坝变形影响因子和大坝变形量之间的关系来确定最优的影响因子,即将比重比较大的影响因子输入到SVM模型中,从而提高了SVM模型运行效率及预测的精度和速度。     

模糊综合评判方法在大坝变形分析与预报中的应用

提出应用模糊综合评判方法进行大坝的变形分析与预报,阐述基本原理,并应用该方法对西津大坝27#点的观测资料进行分析整理,通过建立相应的隶属函数,对此点的30期观测资料进行了预报,成功率达73%,说明该方法在大坝变形观测数据处理中具有一定的实效性.     

进化多核相关向量机的大坝变形预测

针对大坝变形系统的非线性、复杂性以及不确定等特点,提出一种优化多核相关向量机的大坝变形预测模型方法。通过对实验数据进行归一化处理,核函数的加权组合以及遗传算法对模型参数的优化,建立遗传算法优化多核相关向量机的大坝变形预测模型。实验结果表明:数据归一化能归纳统一样本的统计分布性,加快梯度下降求解最优解速度和提高预测精度;优化的加权核函数能有效提高模型预测精度;各项精度指标值均优于BP神经网络方法、多项式核相关向量机方法预测精度,证实优化的多核相关向量机模型是一种精度较高的大坝变形预测方法。     

谱分析在大坝外观GPS自动化监测中应用的研究

隔河岩大坝外观GPS自动化监测系统由武汉测绘科技大学和湖北清江淌电开发有限责任公司联合开发研究，它是一个由2个GPS基准站和5个GPS监测站组成自动化监测系统，在平时，该系统每6小时提供1组变形资料，在汛期，每2小时提供1组变形资料，本文利用该系统的形变监测资料和大坝的水位、温度等数据，利用快速傅里叶变换，将以上信号从时域转到频域内进行分析，研究流水位、温度与大坝变形的关系，及时反映大坝变形规律和变形原因，并研制了相应的软件，得出了一些有益的结论。     

基于时序模型的变形预报研究

时序模型是一种有效的变形预报方法,但在很多变形预报时序模型应用中,存在建模过程不严密、缺乏统计检验和模型验证等问题。针对这些问题,本文首次在变形预报中采用LM检验来判断序列的相关性,ADF检验判断序列的平稳性,自相关图和偏自相关图初步确定模型类型和阶数以及AIC准则来确定最终模型,确保建模的每一过程都有严格的统计意义。文中利用实测沉降数据,建立了预报模型,并利用模型进行预报;最后将预报结果与实测数据比较,验证了预报模型的有效性,证明本文建模方法科学合理,能用于实际变形预报。