ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

IFNN时变模型在建立大坝位移监控中的应用

针对时变监控模型比常规监控模型更有效且能准确进行变量分离,通过改进的模糊神经网络(IFNN)结合时变模型对陈村水库大坝的水平位移进行拟合与预测,并与BP模型做了比较.结果表明,该模型拟合及预测精度均较BP模型高,与工程实例相近,可推广应用.     

ABC BP模型在混凝土双曲拱坝变形监控中的应用

因大坝变形具有很强的非线性、随机性,致使预测困难,将人工蜂群算法(ABC)与BP神经网络相结合,利用人工蜂群算法具有强全局优化能力、强鲁棒性等优点,克服BP神经网络收敛速度慢、易陷入局部极小点等缺点,建立ABC BP、BP神经网络大坝变形预测模型对小湾大坝变形监测数据进行预测。结果表明,与单纯的BP神经网络预测模型相比,ABC BP算法提高了大坝变形预报的精度,加快了网络的收敛速度,能更高效准确地进行大坝变形监控预报。     

遗传算法优化BP神经网络在大坝扬压力预测中的应用

针对BP神经网络的局部极小和收敛慢等问题,提出了利用遗传算法的选择、交叉和变异操作优化BP神经网络的权值和阈值,将优化后的BP神经网络用于预测大坝扬压力。通过实例应用,将遗传算法优化的BP神经网络与逐步回归、BP神经网络预测相对比,结果表明遗传算法优化的BP神经网络收敛快且预测结果精度高。     

多测点多方向BP网络模型在大坝变形监测中的应用

鉴于大坝变形监测资料分析是大坝结构性态安全评价与预报的重要手段,针对单测点模型存在的缺点,建立了既考虑坝体不同方向的位移又考虑空间多个测点分布的多测点多方向位移模型,并利用BP神经网络较强的非线性映射能力,直接选取了对大坝变形有较大影响的自变量因子,解决了在建立大坝多测点多方向传统模型时自变量因子数众多、计算工作量大等问题。实例应用结果表明,多测点多方向BP网络模型可反映大坝变形的分布及变化规律,可见采用BP神经网络建立大坝多测点多方向变形监测模型具有可行性和有效性。     

基于IFOA-GNN的土石坝施工期位移预测模型

有效预测土石坝施工期的位移对大坝安全运行具有重要意义。针对基于智能学习的大坝位移预测模型存在的不足,提出了一种基于改进果蝇算法(IFOA)与灰色神经网络(GNN)相结合的土石坝位移预测模型,即通过改进的果蝇算法迭代调整灰色神经网络的权值和阈值,得到全局最佳的初始化参数,将其结果输入灰色神经网络,并将其应用于某土石坝施工期位移预测。结果表明,该预测模型预测精度高、预测结果稳定,且精度及稳定性均优于灰色神经网络模型(GNN)和果蝇算法与灰色神经网络(FOA-GNN)预测模型。     

基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。     

改进蜂群算法在大型电力变压器故障诊断中的应用

电力变压器故障危及电网供电安全,为提高其故障诊断精度,避免传统算法自身固有缺陷,提出了一种改进蜂群算法优化的BP神经网络故障诊断模型。首先改进传统蜂群算法,并将其与BP神经网络相结合以优化模型参数;然后将优化后的网络模型代入变压器故障识别中,以达到提高故障诊断准确率的目的。对比不同模型预测结果表明,所提模型与方法可实现对变压器故障的精确预测。     

隔河岩大坝拱冠梁位移与环境量关系的分析

清江隔河岩水电站自1993年蓄水发电至今已运行近20年,各项性态趋于稳定。根据清江隔河岩大坝近年来的大坝安全监测资料,主要针对拱冠梁15号坝段的位移,在基于物理推断分析的基础上,采用统计模型和反向传播(BP)神经网络模型进行了分析与研究。通过对2种模型分析的结果进行比较,应用BP神经网络模型进行分析具有更高的拟合精度和预测精度。分析结果表明:隔河岩大坝拱冠梁径向位移与上游水位呈正相关,与气温呈显著的负相关;拱冠梁切向位移与上游水位和气温无明显的关系,且径向位移非常小,拱冠基本呈对称状态,符合拱坝变形规律。     

基于熵权法的组合模型在大坝渗流预测中的应用

针对大坝安全监控中单一预测模型预测精度较低的问题,基于多元线性回归预测模型和BP神经网络模型,应用熵原理提出一种新的线性组合预测模型,并结合某大坝渗透压力实际观测资料对该组合预测模型进行实用性检验。结果表明,短期内三种模型均具有较高的预测精度,但预测长度增加后,该组合预测模型预测精度更高。     

基于CM-AFSA-BP神经网络的土石坝渗流压力预测

针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

基于逐步回归-BP神经网络的大坝变形监测模型

针对拱坝坝肩抗力体是坝体的重要受力部位,应用结合逐步回归分析方法的BP神经网络构建监测模型,以提高BP神经网络的泛化能力和模型的预测准度和精度,利用C语言编程训练,成功完成了预测,且传统模型预测数据的残差平方和大于改进后的残差平方和。实例分析结果表明,该监测模型可行、有效,并具有通用性。     

基于功率预测的风力机健康状态监测

随着风力发电的广泛应用,对风力机健康状态进行准确监测的重要性日益凸显,为此提出了一种基于风力机功率预测的健康状态监测方法,即结合多项式模型和自回归模型特点,考虑风速与风力机输出功率之间的相关性和滞后性,利用改进非线性自回归模型对某风场风力机输出功率进行预测,并将预测结果与传统灰色模型、BP神经网络模型预测结果进行对比,计算与实测数据之间的误差。最后,选取功率预测系数中变化较为稳定的系数项作为观测系数,通过标准残差法确定异常观测系数反推风力机健康状态。分析结果表明,改进非线性自回归模型预测值与实测数据较为接近,趋势较为吻合。相比于传统灰色模型、BP神经网络模型,改进非线性自回归模型预测误差较小,精度较高。可见通过分析功率预测系数变化能够及时发现风力机健康状态变化,为故障发现提供参考。     

基于改进GA-BP网络算法的边坡力学参数反演分析

针对BP神经网络收敛速度慢和易陷入局部极小值等不足,通过改进遗传算法,显著提升遗传算法的全局寻优能力,进而优化BP神经网络初始权值和阈值。结合工程算例,采用正交法设计参数样本,利用边坡工程的有限元正分析模型计算出反演分析所需的样本,建立基于改进的GA-BP网络算法反分析模型,经过网络训练,得到符合实测效应量值的反演参数值,对比GA-BP网络算法和改进GA-BP网络算法的反分析模型结果可知,改进GA-BP网络算法反分析模型在解的稳定性和求解精度上均得到了较大提高。研究成果可供类似工程参考。     

基于自适应差分进化算法的堆石坝参数反演

基于参数自适应差分进化算法(ADE),提出了堆石坝本构模型参数的反演分析方法,可有效提高收敛速度和避免陷入局部最优;并采用具有强大非线性映射能力的BP神经网络模型来近似模拟计算堆石坝的应力应变,提高了反演过程的效率。最后,以某抽水蓄能电站堆石坝为例进行应用研究,通过比较设计工况和反演工况下计算沉降值与实际沉降值之间的误差,验证了所提方法的有效性和可靠性,可为后续客观评价堆石坝安全性提供基础。