融合PSO-SVM的混凝土拱坝多测点变形监控混合模型

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。     

顾及工作基点沉降影响的测点沉降修正方法研究

沉降监测时,工作基点一般接近变形区埋设,为了防止工作基点发生沉降而不被发觉,通常要定期进行工作基点的复测检查.如果位于变形区附近的工作基点发生沉降,而在沉降监测的平差计算时不加以考虑,就会使测点的高程平差结果产生偏差,不能得出准确的沉降分析结论.文中以附合水准路线进行沉降监测为例,以工作基点发生沉降为前提,研究测点沉降的两种修正方法,并结合实例进行计算和比较.研究结果表明:顾及工作基点的沉降变化,采用合理的方法对测点的沉降进行修正,将使测点的沉降监测成果更加真实可靠.     

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。     

圆锥扫描式机载激光测深系统扫描轨迹建模与分析

对圆锥扫描式机载激光测深系统在海面上的激光脚点扫描轨迹进行几何建模,重点分析了水文模式下激光脚点扫描轨迹的平均测点密度和覆盖效率。根据设定的几何模型,以CZMIL机载激光测深系统为例,计算得到单航线测量模式下双向扫描区域激光脚点"最小距离"小于1.6 m的比例为99.78%,5 m×5m大小的格网内激光脚点的平均数目为11.93个。另外,对激光测深系统旁向重叠度和两条航线扫描轨迹进行了分析,认为31.3%的旁向重叠度可以保证不产生飞行漏洞,但对激光脚点的测点密度提升效果并不明显。最后,对激光脚点分布的不均匀性进行了分析,讨论了不同的激光测深系统参数对测点密度和测量效率的影响效果。     

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。     

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。     

灰色预测在建筑物沉降变形分析中的应用

本文将灰色系统理论的GM(1,1)模型应用于建筑物沉降变形数据分析,结合南宁市民生广场沉降观测实例,进行沉降预测结果的分析和检验,充分证实了在建筑物沉降变形分析中应用灰色预测方法的可行性。     

基于基因表达式编程的大坝位移强度聚类分析研究

在水利水电事业不断发展的今天,大坝的变形监测显得尤其的重要。大坝变形监测的最终目的是通过监测点的变形数据来预测大坝变形未来的变形量。这也是传统的大坝变形监测常用的预测方法,然而这些方法都只是针对单个监测点进行预测,却不能反映大坝的整体形变。对于大坝整体变形的研究方面,虽然出现了一些有关多测点的研究方法,但距离大坝整体变形的目标还是相差甚远。针对这种情况,本文提出用聚类分析的方法来研究大坝整体变形规律。并将具有高效的全局搜索能力和高效的数据挖掘能力的进化算法---基因表达式编程算法用于聚类分析模型的建立中。提出基因表达是编程的大坝位移强度聚类分析模型。通过实例证明该模型能够反映大坝的整体变形规律。     

基于岭回归的大坝变形位移模型

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.     

时空序列模型在地下管线沉降监测中的应用

变形分析与预报是工程建(构)物在施工与运营期间的重要内容,目前应用较为广泛的是针对变形体各测点建立时间序列模型(ARMA),这种建模方法考虑的是各测点位移在时间变化上的关联性,而时空序列模型(STARMA)则同时考虑测点在时间以及空间上的相关性,从理论上来讲,能够更好的解释变形体的形变规律。本文以某地下管线沉降监测为研究对象,分别建立ARMA模型以及STARMA模型,通过计算各测点预测RSE、NMSE、RMSE、MAE四个误差指标值并进行比较,验证了STARMA模型在预测精度上好于ARMA模型,对于管线沉降监测具有一定的应用价值。     

加权移动平均与曲线拟合模型在沉降监测中的应用

以建筑物的安全运营为首要目的,结合全球导航卫星系统高精度定位监测技术,采用事后处理软件解算监测点的三维坐标。本文分别利用加权移动平均法和曲线拟合法处理原始沉降观测数据,分析建筑物沉降变形规律,通过建立相应预测模型拟合数据,将实测值与拟合值作对比,详细论述模型精度及拟合程度,并对建筑物后期变形趋势进行预报分析。试验分析表明,2个预测模型的拟合值符合建筑物的沉降变形规律,验证了模型在沉降监测应用中的有效性及可行性。     

基于MATLAB的高层建筑沉降变形监测数据处理

曲线拟合是变形监测数据处理与分析的常用方法。以济南某高层住宅楼的沉降变形监测为实例,首先介绍沉降变形监测方案,然后根据高层建筑的沉降变形特点,经综合分析比较,采用对数模型对监测数据进行曲线拟合,以MATLAB 7.0为平台编程实现并对建筑的沉降变形进行预报,结果表明该模型对高层建筑的沉降变形数据的处理具有显著的优越性。     

基于云模型的大坝变形监测数据分析研究

利用云模型实现定性分析与定量分析之间的转换,并对小浪底大坝沉降监测数据进行分析,验证基于云模型的变形监测数据分析结论的可靠性。     

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。     

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。     

基于主成分回归建立大坝变形回归模型

大坝回归建模中,自变量的多重共线性会使得回归方程出现"病态"问题。利用主成分回归建立大坝变形预测模型,通过主成分分析,将多个相关的自变量投影变换至少数几个不相关的空间基中,解决回归方程中的"病态"问题。结合实例建立基于主成分回归的大坝变形模型,结果表明,所建模型可靠合理,有较高的拟合精度。     

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。     

水准测量技术在大坝坝基形变监测中的应用

大坝坝基是水电工程的重要组成单元,为了解大坝坝基沉降形变和倾斜形变特征,本研究在不同高程的廊道内布设了水准观察点,通过长期的监测数据,了解了大坝坝基的基本形变特征。沉降监测结果表明:大坝过渡层及堆石区坝基覆盖层累计最大沉降量为695.53 mm,该处蓄水后至今沉降20.00 mm;主防渗墙表现为向上游变形,当前最大变形值为-20.51 mm,并具有向右岸变形的特征,当前最大变形值为-24.01 mm;副防渗墙表现为向下游变形,当前最大变形值为8.36 mm,并具向右岸变形的特征,当前最大变形值为-29.08 mm。     

回归分析在建筑物变形监测中的应用

本文介绍了如何应用Excel选取合适的曲线拟合模型,结合沉降观测实例,用所选模型进行建筑物沉降变形的数据分析,进行沉降预测结果的分析和检验,在一定程度证实了建筑物沉降变形分析中这种方法的可行性。     

大坝变形变系数回归建模

在变形分析建模中常采用回归分析建模,但普通的回归模型是一种静态的模型,当变形体结构或物理性质发生变化时,普通线性回归所建立的静态模型将不再适用。变系数回归模型是一种动态模型,有着更强的灵活性和适应性,因此,将变系数回归引入大坝变形分析建模中,采用局部线性估计的方法进行系数拟合。仿真和大坝变形建模实验表明,变系数回归得到的大坝变形模型优于普通的线性回归模型,预测精度更高。