大坝变形的ε-SVR数值模拟

在新建水利枢纽、大坝除险加固以及监测系统不稳定等原因导致有效观测序列较短的情况下,为了对大坝变形进行有效的监控和预测,用基于不敏感损失函数的支持向量回归机(ε-SVR)对大坝变形进行数值模拟.采用支持向量回归机、序贯极小优化算法对大坝变形水平位移各分量的特征因子进行选择,模型建立后分离水压、温度、时效等主要分量,并分析其对变形的影响.对实际工程进行数值模拟的结果表明,依靠较少的支持向量就可以建立模型,该模型具有拟合效果稳定、预测结果准确可靠的特点,可以应用于大坝短期观测资料的分析.     

基于SVM-ARIMA的大坝变形预测模型

大坝变形的实测值序列是一个非线性、非平稳的时间序列,支持向量机引入核函数后能有效解决非线性问题,因此可用支持向量机对大坝变形进行预测。为了提高预测精度,进一步对残差序列进行分析,通过ARIMA模型对残差序列进行预测,建立了SVM-ARIMA组合模型。将大坝变形时间序列分为趋势项和误差项,分别用SVM和ARIMA模型进行预测,综合两项结果得到模型的预测值。结合实测资料对模型进行检验,结果表明组合模型精度较高。     

基于ABCA-SVM的大坝变形预警模型

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。针对常用大坝安全监测分析模型存在的不足,将人工蜂群算法与支持向量机模型结合起来,利用人工蜂群算法全局搜索能力强、收敛速度快等优点对支持向量机模型的惩罚因子C和核参数δ进行优化,建立了ABCA-SVM模型。某水电站大坝坝顶某点的112组径向位移预测实例表明,ABCA-SVM模型预测精度高于标准SVM模型的,可以在大坝安全监测领域推广应用。     

基于最小二乘支持向量机的大坝变形预测模型

变形是对大坝结构性态和安全状况最直接、可靠的反映,是大坝安全监测的重点项目之一.大坝变形具有较强的非线性特点,传统的预测方法有时精度不高.建立在统计学习理论和结构风险最小原理基础上的支持向量机算法能较好地解决小样本、非线性、高维数等问题.文章引入标准支持向量机的一种扩展——最小二乘支持向量机,参照传统逐步回归统计模型建...     

基于PSO-SVM的碾压混凝土坝变形预测模型

为提升大坝变形预测能力,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的混凝土重力坝变形预测模型.通过粒子群算法对支持向量机惩罚函数C与核函数σ进行寻优,避免了拟合过程中易陷入局部最优解的问题,提高了模型的拟合精度.以新疆北疆某碾压混凝土坝2014年～ 2019年变形监测数据为例,建立了逐步回归、SVM、P...     

基于ABC-SVM的土石坝变形监测模型

针对土石坝变形具有较强的非线性特征,传统统计模型预测精度不高,误差较大的问题。引入支持向量机模型(SVM),并采用人工蜂群算法(ABC)对支持向量机的关键参数惩罚因子C和核函数参数σ进行寻优,提高模型的拟合和预测精度,建立ABC-SVM模型应用于土石坝变形监测。实例验证分析表明:与传统多元回归模型和SVM模型相比,ABC-SVM模型预测精度高、泛化能力强。利用ABC-SVM模型对土石坝变形进行预测效果良好,可在大坝安全监测领域推广应用。     

基于改进GWO和SVM的大坝变形预测

建立准确可靠的大坝变形预测模型是大坝安全评价的重要内容,为此,将差分进化算法的交叉和变异算子引入灰狼优化算法(GWO),提出一种基于改进灰狼算法(MGWO)优化支持向量机(SVM)的大坝变形预测方法。通过差分进化算法丰富初始种群,提出改进灰狼优化算法(MGWO),并采用MGWO算法优化SVM的惩罚因子和核函数,建立基于MGWO-SVM算法的大坝变形预测模型。以锦屏一级特高拱坝实测数据为例,将MGWO-SVM模型与SVM、GWO-SVM模型的预测结果进行比较。结果表明,MGWO-SVM模型可以有效提高大坝变形预测精度。     

基于相空间重构的大坝服役性态小波支持向量机预测模型

通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。     

基于鸡群算法优化相关向量机的混凝土坝变形预报模型

针对混凝土坝变形监控模型中大坝变形与环境影响因素之间的复杂非线性问题,为提升大坝变形监控模型的预报能力,提出了一种基于鸡群算法(CSO)优化相关向量机(RVM)的混凝土坝变形预报模型。考虑到相关向量机核函数参数的选取直接影响其回归分析性能,采用鸡群算法对其核函数参数进行寻优处理。据此,构造了基于鸡群算法优化的相关向量机模型,进而提升相关向量机的预报精度和泛化能力。以某混凝土坝长期变形监测资料分析表明,基于鸡群算法优化的相关向量机模型预报可有效挖掘大坝变形与环境因素间复杂的非线性函数关系,相比传统的相关向量机模型,该模型的拟合与预报精度更优,有效验证了所提方法的合理性与有效性,为大坝变形分析与预测提供新的模型方法。     

基于SVM的混凝土坝变形监控模型预测能力实例分析

大坝变形与水位、温度、时效等较多因素非线性相关,支持向量机(Support Vector Machine, SVM)适用于小样本、非线性、高维学习问题,在大坝安全变形监控上具有很大的优越性。阐述了支持向量机的原理,介绍了应用SVM建立混凝土坝变形监控模型的步骤及其参数优化方法。针对预测样本数目的合理取值问题,通过实例分析,研究基于SVM的混凝土坝变形监控模型的预测能力。结果表明,基于SVM的混凝土坝变形监控模型短期预测能力优于长期预测能力,且其预测能力受预测集数目的影响大于算法优化的影响。因此,合理选择预测集数目对变形监控模型有效预测尤为重要。     

基于多种优化支持向量机及V/S分析法的隧道变形预测及趋势判断

隧道变形具有明显的非线性特征,为实现其准确预测,基于卡尔曼滤波和多种优化的支持向量机模型对隧道变形进行预测,以探讨不同预测模型的适用性,并进一步进行组合预测;同时,利用V/S分析法计算变形序列的Hurst指数,以判断隧道的变形趋势,并与预测结果进行对比,综合判断隧道的变形规律。结果表明:最小二乘支持向量机的优化效果最好,且预测隧道后4个周期均为增长变形;同时,变形序列和速率序列V/S分析的Hurst指数分别为0.845和0.602,均>0.5,得出隧道后期变形呈持续增长趋势,与预测分析一致,验证了思路的有效性。     

基于改进PSO-RF算法的大坝变形预测模型

针对传统随机森林参数寻优方法的不足,引入均衡惯性权重和自适应变异对粒子群优化算法进行改进,提出了一种基于改进粒子群优化算法和随机森林算法(改进PSO-RF算法)的大坝变形预测模型。实例验证结果表明,在计算效率方面,与传统网格搜索法相比,改进PSO-RF算法显著提升了模型的寻优速度;在预测精度和稳定性方面,基于改进PSO-RF算法的大坝变形预测模型明显优于长短期记忆网络、支持向量机和BP神经网络模型。     

大坝安全监测的兽棒最小二乘 支持向量机模型

针对目前在大坝监测模型中应用较多的支持向量机模型,以土坝沉降监测实例比较分析了监 测数据中是否含有异常值的两种情况的最小二乘支持向量机监测模型的拟合精度与预测精度,发现异 常值的影响不容忽视。通过改进支持向量机模型中的损失函数,建立了大坝安全监测的普棒最小二乘 支持向量机模型(RLS一SVM )。实例分析表明:不论监测数据是否含有异常值RLS一SVM均可达到较 好的拟合精度和预测效果,优于普通LS一SVM模型。     

基于LS-SVM模型的白水河滑坡台阶状位移预测

滑坡位移是滑坡变形破坏最直观的表现,滑坡位移预测成功与否对于判别滑坡的演化趋势至关重要。滑坡位移曲线是受多种影响因素共同作用的非平稳时间序列,以三峡库区白水河滑坡为例,利用HP滤波分析方法提取滑坡位移的趋势项,趋势项位移主要是由滑坡自身特征决定的,具有较明显的非线性递增特性,采用多项式对其进行拟合预测;周期项受多种诱发因子(滑坡演化阶段、季节性降雨、库水位升降等)影响,利用最小二乘支持向量机模型(LS-SVM)对其进行训练与预测。将趋势项和周期项拟合预测结果叠加即为累计位移预测值,结果表明在监测点ZG93和XD-04的预测中,LS-SVM模型均具备较高的评价精度,在台阶状位移特征的滑坡位移预测中具有较好的适应性。     

基于支持向量机的水电机组状态趋势预测研究

趋势预测是水电机组状态监测与故障诊断系统中的重要内容之一，对保障机组安全稳定运行具有重要意义。针对水电机组振动的非线性、非平稳特性，提出将最小二乘支持向量机应用于水电机组振动状态趋势预测；并将该算法应用于某水电机组振动序列峰峰值的预测，与BP神经网络的预测结果的对比表明：最小二乘支持向量机算法更适合于水电机组状态趋势预测分析。     

拱坝变形监测预报的随机森林模型及应用

大坝变形预报对大坝运行安全评估起着至关重要的作用。传统模型预报精度不够、模拟效果不稳定;若大坝变形数据有异常值时,传统机器算法模型识别和处理异常值的灵活性很小,导致预报结果有偏差。为了解决这些问题,首次将随机森林算法运用到大坝变形监测领域,将大坝测点根据随机森林相似性矩阵分成若干个子集,针对每一个子集建立随机森林预测模型,分区建立预测模型更符合工程实际情况。选取拱坝变形作为研究对象,验证所建模型的适用性。结果表明,根据随机森林的相似性矩阵对大坝各测点的分区情况符合物理和工程实际意义,对各分区子集测点利用随机森林模型建立的预测模型,与支持向量机、BP神经网络模型相比,预测结果精度较高、模型稳定性好,为大坝变形监测提供了新思路。     

基于时间序列分析的滑坡变形动态预测研究

针对以往变形预测模型实用性不足的缺点,基于时间序列分析原理,结合系统论和岩土体流变理论,在深入研究影响滑坡变形的外界主控环境变量的基础上,采用移动平均法和多项式函数对位移时序的趋势项进行抽取和建模,用支持向量机建立起环境主控变量与位移偏离项之间的非线性关系,并根据变形对外界环境响应情况建立起动态预测模型。将此预测思路和方法应用于三峡库区某滑坡,通过实例研究表明：该预测思路和方法合理可行,不但具有较强的建模能力、且有较高的精度,可用于相关的工程实践之中。     

基于BO-GRU的混凝土坝变形预测模型

针对混凝土坝变形具有较强的非线性特点、目前大坝变形预测模型出现参数过多及易陷入局部最优等问题,提出了一种深度学习中的门控制循环单元(GRU)模型,并结合贝叶斯优化算法(BO)对门控制循环单元的超参数进行优化,建立BO-GRU模型应用于混凝土坝变形预测。为检验模型的可行性,以实测变形监测数据为基础,并与极限学习机、相关向量机和基于遗传算法优化的支持向量机等模型预测结果进行对比。结果表明:该模型的泛化能力强、运行效率高,能有效运用于混凝土坝的变形预测。