基于实时跟踪的ARIMA大坝安全监控模型

为了保证大坝安全监测的准确性并提高模型的预测长度,将差分自回归移动平均模型(ARIMA)结合实时跟踪算法,建立基于实时跟踪的ARIMA大坝安全监控模型,利用ARIMA拟合性好的特点对大坝监测数据进行拟合建模,并使用实时跟踪算法的等维递补思想提高大坝变形监测的预测长度,工程实例表明,基于实时跟踪的ARIMA大坝安全监控模型精度较高,对于数据信息挖掘能力强且具有较长的预测长度,具有很高的工程应用价值。     

基于深度学习的双阶段大坝变形预测模型

为提高大坝位移预测的准确性,提出了一种新颖的基于深度学习的综合预测方法。首先引入了一种基于完全集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）和奇异谱分析（Singular Spectrum Analysis,SSA）的多级数据降噪技术。这能有效地消除监测数据中的噪声和异常值,提高数据质量,为后续预测提供更合理的大坝变形数据。随后构建基于卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元（Gated Recurrent Unit,GRU）的深度学习模型。采用CNN从监测数据中提取丰富的特征,利用GRU来捕获和处理时间序列数据中的长期依赖关系。为了增强模型的表现,引入了自注意力机制,以帮助模型更好地处理和识别数据中的复杂模式。通过与其他预测方法的比较,实验结果表明,该方法在大坝位移预测的准确性和稳定性方面相较于其他方法有显著的提升,能够为大坝变形监控领域提供新方法。     

基于GM-ANN组合模型的大坝变形监测数据分析方法

大坝变形监测数据由于受水位、温度、时效等多因素影响,呈现一定的趋势性和波动性。引入时间序列分析模型和方法,合理分析大坝变形监测数据序列特征,精确预测大坝变形状况,是大坝安全监测的重要内容。重点针对"贫信息"、"小样本"情况下的大坝变形监测数据序列,将灰色模型(GM)与人工神经网络(ANN)模型相结合,研究了分析和预测大坝变形监测数据的方法,并进行工程实例验证。首先利用灰色模型拟合和预测实测样本数据,然后将灰色模型残差作为人工神经网络模型的学习样本进行训练和预测,最后将上述结果进行综合得到大坝变形的预测值。应用文中所述方法对某实际大坝变形监测数据的建模检验表明,本文给出的GM-ANN模型预测精度高于GM(1,1)模型,具有较好的实用性。     

基于布谷鸟搜索算法优化LSTM的大坝变形预测

对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明：STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.     

鲁棒回归在水工建筑物安全监控模型建立中的应用

建立水工建筑物安全监控模型是预测和控制大坝的运行、避免重大事故发生的不可或缺的重要手段,而大坝安全监测数据中经常出现的异常值对监测模型的稳定性和精度产生较大影响,针对这个异常值问题,采用鲁棒回归方法,有效地剔除或削弱了监测数据中的异常值的影响,实例分析表明:在监测数据中含有异常数据的情况下,基于鲁棒回归的大坝安全监测模型的稳定性和预测效果能够得到保证。     

鲁棒回归在水工建筑物安全监控模

建立水工建筑物安全监控模型是预测和控制大坝的运行、避免重大事故发生的不可或缺的重要手段，而大坝安全监测数据中经常出现的异常值对监测模型的稳定性和精度产生较大影响，针对这个异常值问题，采用鲁棒回归方法，有效地剔除或削弱了监测数据中的异常值的影响，实例分析表明：在监测数据中含有异常数据的情况下，基于鲁棒回归的大坝安全监测模型的稳定性和预测效果能够得到保证。     

基于残差修正的混凝土坝位移双层阶预测模型

传统的混凝土坝位移监测模型往往忽略残差序列中的有效信息,导致对大坝位移的预测效果不佳。旨在提高预测模型的精度。针对这一问题,提出一种考虑信号残差修正的混凝土坝位移双层阶预测模型。首先根据传统混凝土坝位移预测的统计模型选取大坝位移的影响因子;其次通过麻雀搜索算法（SSA）确定极限学习机（ELM）中的超参数,建立单层阶预测模型SSA-ELM,进而得到大坝的单层阶模型位移预测值;再次,基于最小样本熵（SE）和相关分析法,通过变分模态分解法（VMD）对残差序列分解重构;最后利用SSA-ELM对重构后序列进行修正,并将修正值与单层阶模型位移预测值进行叠加,构建双层阶预测模型SSA-ELM-VMDρ+,进而得到最终的位移预测值。工程实例验证表明,与其他模型相比,该双层阶模型预测精度高,泛化能力强,有效的挖掘了残差中的有效信息,并克服了噪声干扰。本研究为大坝安全监控、健康服役诊断与管理运行提供了新的参考。     

基于小波分析的MGM(1,N)模型在大坝监测系统中的应用

针对大坝变形监测系统监测过程中受到各种随机因素干扰的情况,详细讨论小波分析和MGM(1,N)灰色模型的基本理论和建模过程,成功将基于小波分析的MGM(1,N)模型应用于大坝变形的预测预报.实践证明,先用小波滤波法对监测数据进行去噪处理,然后建立MGM(1,N)模型进行预测,能有效地提高传统MGM(1,N)模型的预测精度.     

基于分形插值与支持向量机混合模型的大坝变形分析

大坝变形分析是研究大坝变形规律和保证大坝安全的重要组成部分。基于大坝变形时间序列的分形特征，同时考虑到分形插值在大坝变形时间序列拟合和预测时的分数维特点，以及外延序列越远、预测精度越差的缺点，引入支持向量机算法对分形插值模型进行优化。针对大坝变形时间序列特点，通过优化垂直比例因子和核函数，建立了分形插值和支持向量机混合模型。以某混凝土重力坝引张线8号测点水平位移为例，建立了分形插值和支持向量机混合模型，对变形时间序列进行拟合和预测分析，计算结果表明混合模型具有更高的精度，可以应用于大坝变形分析中。     

基于空间变异理论的大坝安全监测位移场插值研究

为了利用有限的大坝位移观测资料分析大坝内部位移场情况,将基于空间变异理论的克里金法应用于大坝安全监测位移场,进行插值拟合计算位移等值线。克里金法是以变差函数作为基本工具,在研究区域化变量的空间分布结构特征规律性的基础上,综合考虑空间变量的随机性和结构性的一种数学地质方法。应用克里金法结合某大坝的位移观测资料绘制等值线图,结果表明,该方法能有效地应用于大坝安全监测数据插值拟合,形成位移场等值线,并为大坝安全监测可视化提供基础数据。     

人工神经网络模型应用于大坝变形

利用已有的垂线原型观测资料，建立了基于人工神经网络的大坝变形计算模型，并用原型观测数据对其进行了校核和检验。结果证明，用人工神经网络建立坝体变形的神经网络模型对大坝变形能够进行较高精度的预测，并具有一定的优越性。     

基于卡尔曼滤波的GA-BP模型在大坝变形预测中的应用

传统的BP神经网络拥有良好的逼近非线性映射能力,然而由于其自身存在收敛速度慢,容易陷入局部极小值和泛化能力差的不足,往往难以满足实际中预测精度的需要。采用卡尔曼滤波方法,将观测到的大坝位移原始值进行滤波处理,以尽可能剔除随机误差的干扰,并引入遗传算法,对神经网络的权、阈值进行优化,提高其全局搜索能力,建立了基于卡尔曼滤波的GA-BP模型。以某大坝位移预测为例,证明了此模型比传统的BP模型在预测精度上有所提高,具有一定的实际应用价值。     

基于PSO-RVM-ARIMA的大坝变形预警模型

为克服支持向量机对核函数需满足Mercer条件的不足,学者们将相关向量机RVM引入大坝安全监测模型。为进一步提高RVM模型的预测精度,首先通过粒子群算法PSO对RVM的核参数寻优,再利用ARIMA模型对PSO-RVM模型的拟合残差项进行预测修正,建立PSO-RVM-ARIMA模型。通过实例分析,PSO-RVM-ARIMA模型的预测精度和泛化能力较RVM模型均有一定程度的提高。     

大坝实测服役性态抗噪预测模型

大坝变形、渗流、应力应变等服役性态的原型监测数据序列,多具有非线性特征且易受噪声污染。为基于原型监测数据,通过构建大坝服役性态预测模型,高效合理地拟合和预测大坝非线性服役性态,需高度重视模型抗噪能力和泛化能力的提升。源于此目标,综合应用小波、支持向量机(SVM)、粒子群算法(PSO)等工具,开展了大坝实测服役性态抗噪预测模型的构建方法和应用研究。在对大坝服役性态原型监测数据小波消噪处理的基础上,借助支持向量机,建立了大坝实测服役性态预测模型;考虑模型精度受SVM惩罚因子及核函数参数影响显著的特点,引入PSO算法,实现了支持向量机参数的寻优。将文中方法应用于某实际大坝变形实测性态预测模型的构建,结果表明,所构建的抗噪预测模型较传统统计回归模型,在预测能力方面有一定的优越性,且对样本数量方面的要求可适当放宽,体现出较强的工程实用性。     

基于遗忘递推最小二乘法的泵站水平位移动态监控模型研究

泵站建筑物水平位移是泵站长期运行过程中的重要监测项目，对水平位移监测数据进行分析和建模是掌握泵站结构运行状态的重要手段。传统统计模型的回归参数为固定值，不能反映泵站结构变形性态的动态变化特征。为此，构建了基于遗忘递推最小二乘法（FFRLS）的泵站水平位移动态监控模型，该模型通过引入遗忘因子增强了新监测数据对模型的修正能力，实现了对统计模型参数的动态求解，从而使模型长期保持较高的预测精度。最后结合南水北调东线工程某泵站枢纽，验证了模型的有效性。工程实例表明，所构建的模型可以根据新数据的加入自适应更新泵站水平位移统计模型的回归参数，有效提高了统计模型的拟合与预测精度，为掌握泵站建筑物安全性态提供了新方法。     

基于灰色神经网络-加权马尔可夫链的大坝变形监控模型及预报研究

大坝蓄水初期监测资料有限且波动性大,坝体结构处于适应变形的危险阶段。基于这种情况,结合灰色理论、神经网络和加权马尔可夫链理论的优点,构建灰色神经网络-加权马尔可夫链的大坝变形监控模型并对某碾压混凝土坝蓄水初期水平位移进行预测。结果表明,该模型解决了样本数据少、波动性大的问题,拟合效果较好,预测精度较高。     

大坝监测数据缺失插补与奇异值修正处理

大坝长效运行过程中,由于仪器故障或设备改造等问题,会引发监测数据失真或缺失等问题,容易造成结构安全性态误判。采用时空相关性原理对缺失的监测数据进行插补,利用格拉布斯?小波去噪组合方法对奇异值进行识别与处理,求得坝体的重构监测数据,并对奇异值进行修正。实例验证证明,该方法可以有效插补缺失变形监测数据,并对奇异值进行修正,从而使得监测数据结果愈加科学合理。      

基于误差建模分析的深度神经网络大蒜价格预测应用

本文主要研究使用深度神经网络进行建模分析,并使用误差建模方法对大蒜的价格进行预测,为此我们进行了三种分析方法的对比,第一种方法是先对数据进行时间序列分析,利用ARIMA直接对时间序列模型进行预测.第二种方法是建立循环神经网络,使用循环神经网络进行时间序列预测.第三种是利用组合模型,先求得观测值与时间序列模型之间的残差,...     

飞来峡社岗堤水平位移监控指标拟

针对飞来峡社岗堤的结构特点，采用平面有限元结合强度储备法分析研究了大坝特征点坝顶位移变形规律，得出在多种水位组合情况下大坝坝顶的水平位移，并用一元多次回归方法建立了坝顶水平位移与上游水位的关系模型，拟定了该坝段的水平位移安全监控指标。这些水平位移监控指标可供该坝段实际运行观测时参考，为监控大坝安全运行提供了重要依据。     

变形监测数据分析的群集智能模型

针对标准微粒群优化算法(PSO)存在早熟收敛和搜索精度低等缺陷,对其惯性权重因子进行改进,并将非均匀变异机制引入PSO,即在算法进行搜索时以一定变异概率对选中的粒子进行变异操作,同时对飞离搜索区域的粒子用新产生的粒子取代,由此得到改进的微粒群优化算法(IPSO)。然后将IPSO用于优化BP神经网络的连接权重和阈值,分析和建立变形监测数据处理的群集智能模型(IPSO-BP),为了进行比较,同时建立了回归分析模型、标准PSO-BP模型,并将3种模型分别应用于某大坝水平位移数据的分析预测,结果表明,IPSO-BP模型收敛速度更快、预报精度更高,是一种新的且有效、可靠的变形数据处理方法。