大坝变形预报模型应用

为更加准确地反映出大坝变形数据的内部规律,及时对大坝稳定性和安全度做出评价并采取有效措施,选择广州市李溪拦河坝为研究对象,搜集了4#静力水准仪2015年9月—2019年3月共753组数据.选取了2015年9月—2017年12月共355组数据作为模型训练集建立模型,2018年1月—2018年12月328组数据作为模型验证集,用于评判模型性能;2019年1月—3月70组数据作为模型测试集,用于模型测试.分别采用逐步回归分析模型和时间序列模型进行建模及验证分析.样本测试集预测结果表明,逐步回归分析模型测试集均方差为0.022、决定系数为0.951;时间序列模型测试集均方差为0.007、决定系数为0.985.表明运用时间序列模型在拟合、预测和误差分析方面优于逐步回归模型.     

基于灰色残差-马尔可夫藕合模型的农业需水量预测研究

将灰色残差模型与马尔可夫预测模型结合起来,建立灰色残差-马尔可夫藕合模型来预测农业需水量.先用灰色GM(1,1)模型进行预测,预测精度较低,因此对GM(1,1)模型进行一定程度的改进,建立灰色残差GM(1,1)模型;再用马尔可夫预测模型来判断残差预测值的符号,以提高预测精度.最后用华东某城市2002-2008年的农业用水量作为历史数据进行了预测,结果表明预测精度明显提高.预测结果可以为研究区域今后的节水灌溉发展提供理论依据,来有效地指导今后该地区的节水灌溉.     

基于灰色关联分析-BP神经网络的冻融土壤蒸发预报模型

根据冻融期气象资料和土壤蒸发量实测资料,利用灰色关联分析与BP神经网络相结合的方法,对冻融期大田土壤蒸发量进行了模拟预报。采用灰色关联度方法分析了影响冻融土壤蒸发的9个因子的关联度,确定了降水量、日平均气温、水面蒸发量、地表土壤温度和地表土壤含水率5个主要因子,并将其作为冻融土壤蒸发量预报模型的输入层进行模拟预测。结果表明:模型预测值与实测值的平均相对误差为9.9078%,决定系数为0.93,所建模型合理可行,可较好地用于冻融土壤蒸发预报。     

基于RBF神经网络马尔可夫模型的降水量预测

降水量预测是制定抗旱防涝对策的重要依据,其预测方法是科学准确预测降水的重要手段.为提高降水量预测的精确度,应用RBF神经网络与马尔可夫相结合,建立R-M降水量预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后将该模型应用于降水量预测工作中,实例验证结果令人满意.     

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。     

基于Kalman-ARIMA模型的大坝变形预测

大坝变形预测是大坝安全监测系统的关键组成部分,对监控大坝的安全运行起着关键作用。然而,大坝变形监测数据易受到随机干扰噪声的污染,影响变形预测的精度。故提出了Kalman-ARIMA模型,即先根据卡尔曼滤波法剔除观测数据中的随机干扰噪声,然后利用ARIMA模型对经过滤波后的数据进行建模并作预测。结合某大坝的位移监测数据资料,利用Kalman-ARIMA模型预测了该大坝的位移,并与仅利用ARIMA模型预测的位移值作对比,结果表明,Kalman-ARIMA模型能够有效地降低预测值与真实值之间的误差,可以应用于大坝变形预测。     

基于改进FCM算法的加权马尔可夫链的年降水预测

应用改进的FCM(Fuzzy C-Means,模糊C均值聚类)算法对承德市1951—2015年的年降水序列进行模糊聚类,获得10个聚类中心和隶属度矩阵。根据最大隶属原则确定每年的降水状态,采用规范化的各阶自相关系数为权重,建立了加权马尔可夫链模型。以隶属度向量作为预测时的初始状态向量,通过该模型逐年预测了承德市2004—2015年的降水状态,结果与实际情况一致。引入模糊集中的级别特征值公式,并对该公式做出修正。基于马尔可夫链的预测结果,应用修正后的级别特征值公式预测了2004—2015年的降水量,所有预测结果的相对误差都在7%以内,初步表明基于模糊聚类和加权马尔可夫链的降水预测模型是合理可行的。     

SVM大坝变形监测模型研究

大坝的变形监测数据是一个复杂的非线性的时间序列,采用传统的建模方法存在拟合和预报精度低等问题。传统算法中,基本遗传算法不能确保全局最优收敛,而普通多变异位自适应遗传算法在进化初期对群体不利,容易导致进化走向局部最优。针对这一问题,提出一种基于改进的多变异位自适应遗传优化支持向量机(SVM)的建模方法。多变异自适应遗传算法采用二进制多点交叉,可根据个体适应值大小,自动选取合适的交叉概率和遗传概率,针对遗传算法易陷入局部最优点,对上述遗传算法进行改进,并利用该算法对支持向量机的模型参数进行寻优。将上述建模方法用于大坝变形监控模型的建立,结果表明该组合算法能有效提高模型的拟合和预报精度。     

基于神经网络灰色模型的农田土壤湿度预测研究

为了提高农田土壤湿度预测的效果,采用神经网络灰色模型。首先灰色模型对农田土壤湿度数据建模,神经网络对误差进行校正;然后神经网络灰色模型考虑湿度数据之间的关联度,只对关联度值较大的单个预测模型进行组合预测;最后给出了算法流程。实验结果表明,随着农田土壤深度的增加,湿度数据预测值的相对误差以及波动性都在增加;多模型对比实验显示:对垂直深度70 cm和80 cm的土壤湿度预测值接近真实值,剩余预测偏差指标最小值为2.69、平均值为2.75,模型判定系数为0.98,结果优于其他预测模型指标。     

基于灰色理论-支持向量机的Gardner模型参数的预报模型

为探索获取土壤水分特征曲线模型参数新途径,以山西省黄土高原区农耕土壤为试验材料,进行了系列土壤水分特征曲线试验,拟合得到了Gardner模型参数a和b,同时测定了土壤基本理化参数,建立了由Gardner模型参数a、b和土壤基本理化参数组成的数据样本。采用灰色关联理论,分析了土壤各基本理化参数与Gardner模型参数之间的关联度,基于支持向量机理论建立了以关联度较大的土壤容重、黏粒含量、粉粒含量、有机质含量、全盐量为输入因子,以Gardner模型参数a和b为输出因子的预报模型。研究表明:以土壤容重、黏粒含量、粉粒含量、有机质含量、全盐量为输入因子,对Gardner模型参数a与b进行预报是可行的,参数a、b的实测值与预测值之间相对误差的平均值分别为3.96%、4.68%,吻合度高,预测效果好。该研究结果可为获取土壤水分特征曲线模型参数提供技术手段,同时可促进土壤传输函数理论的发展。     

基于神经网络的洮河枯期径流预报模型研究

根据洮河50年(1957～2006年)的径流量、降雨和上游径流量数据,建立了基于反馈神经网络的Elman洮河枯季径流预报模型。利用matlab7提供的神经网络工具箱进行建模训练。仿真结果表明所采用的Elman网络预报模型精度高,为人工神经网络运用到水文预测方面提供了依据。     

基于GCS-SVM的大坝变形监测非线性预警模型

惩罚因子c和核函数参数σ的选择对于支持向量机(SVM)回归模型的拟合和预测精度至关重要。为克服SVM模型易陷入局部最优点的缺陷,提出基于高斯扰动的混合布谷鸟搜索算法(GCS),用于SVM参数的优选,提出GCS-SVM模型用于大坝变形监测非线性预警。通过实例验证分析表明,与SVM模型相比,GCS-SVM模型的预测精度和泛化能力均有一定程度的提高。     

基于马尔可夫过程的改进残差灰色

洪涝是对人类社会危害较大的一种自然灾害,洪涝严重影响农业生产和生态平衡。介绍了传统残差灰色模型的基本原理和建立方法;并介绍了马尔可夫预测法,它是应用概率论中马尔可夫链的理论和方法来研究分析有关数据的变化规律,并由此预测未来变化趋势的一种方法。针对灰色残差模型中存在的问题对该模型进行了改进,运用马尔可夫状态转移矩阵来判断残差预测值在k>n时的符号,提高了预测精度。用辽阳地区50年的年降水量作为历史数据,取定灾变序列,建立涝灾预测模型,结果表明,新模型算法简单,精度较高,比传统的灰色模型效果更好,为涝灾预测提供一种行之有效的方法,对防灾减灾具有极其重要的现实意义。     

基于ACO-SVR的混凝土坝变形监控模型

近年来,支持向量机(SVM)在建立大坝安全监控模型中得到了广泛应用,但其拟合精度和泛化能力取决于模型核参数σ和惩罚因子C的选取。以最小k-fold交叉验证误差为目标,用蚁群路径优化选择的节点值体现,并选择支持向量回归机中的核参数σ和惩罚因子C。以此建立了基于蚁群算法优化支持向量回归机(ACO-SVR)的混凝土坝变形监控模型。通过工程案例研究,结果表明:该方法在参数优化方面具有较快的寻优速率,用于混凝土坝变形监控的建模研究精度较高,具有广泛的适用性。     

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。     

基于线性加权和法的大坝风险后果综合评价模型

大坝风险后果综合评价涉及众多评价因子,各因子间存在大量不确定性,将线性加权和法应用于大坝风险后果的综合评价,以江西5座水库为例,应用层次分析法计算水库溃坝生命损失、经济损失、环境影响及社会影响等因子的权重,通过后果严重系数确定大坝风险等级并对其进行排序。结果表明,若发生溃坝事件,5座水库大坝后果均十分严重,属特别重大事故,评价结果客观合理。研究表明,线性加权和法能够较客观地反映大坝风险程度,具有概念清晰、过程直观、计算简单等特点,为大坝风险后果综合评价提供一条新途径。     

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。     

基于北斗的大坝连续压实监控系统研究及应用

针对目前在大坝碾压施工过程中,传统施工质量控制方式难以满足日益提高的对高坝施工技术的需要,基于北斗卫星导航系统(BDS)和地理信息系统(GIS),对大坝碾压施工质量实时监控技术进行研究。通过安装在碾压机械上的加载设备及振动传感器采集数据,在集成软件处理并记录该碾压机械碾压施工过程,实现对碾压过程全程、全自动的实时监控。将研究结果应用于平桥水库面板堆石坝碾压施工过程中,结果表明,系统实现了对大坝碾压施工过程压实质量参数的有效监控,为大坝高质量、高强度施工提供保障,为工程管理提供便利和依据。