基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSO-ANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。     

基于APSO和TWSVM的特高拱坝变形预测模型

为挖掘混凝土大坝变形监测数据与各影响因素之间复杂的非线性关系,提高特高拱坝变形预测精度,在孪生支持向量机(TWSVM)模型基础上,引入位置因子与速度因子,运用自适应粒子群优化(APSO)算法进行参数优化,构建了特高拱坝变形的APSO-TWSVM预测模型。实例验证结果表明,该模型可有效挖掘拱坝变形与影响因子间复杂的非线性关系,模型运算速度和精度均比传统SVM模型有明显提升。     

基于EMD分解法的大坝变形预测模型及应用

针对传统模型对脉动时间序列的预测效果较差的情况,结合经验模态分解(EMD)、相关向量机(RVM)理论以及改进粒子群算法(IPSO)的优点,提出一种基于EMD分解法的大坝变形预测模型。首先利用EMD分解法对大坝变形时间序列进行分解和重构,使非平稳的大坝变形时间序列平稳化,再以RVM理论为基础进行预测,核函数选用高斯核函数,并采用改进粒子群算法(IPSO)进行寻优,最终建立EMD-RVM(IPSO)大坝变形预测模型。通过实例计算得到,SVM、RVM和EMDRVM(IPSO)三种模型的平均残差分别为5.29 mm、3.13 mm、0.97 mm,并且EMD-RVM(IPSO)模型的预测值误差均控制在5%以内。这证明EMD分解法对非平稳时间序列的预处理可有效提高预测精度,相比于标准SVM模型和RVM模型,EMD-RVM(IPSO)模型的预测精度更高,且结构稀疏度更好,在实际工程中具有一定的可行性。     

基于模糊LS-SVM算法的大坝变形预测模型

在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机(LS-SVM)算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LSSVM模型,且支持向量机(SVM)的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析.     

基于PSO-WRF的渭河中下游年径流预测模型

针对传统随机森林(RF)模型决策树因投票权重相同而导致预测精度不高的问题,采用加权随机森林(WRF)模型全面考虑各决策树分类能力的差异性,建立决策树加权投票机制;同时运用粒子群算法(PSO)进行参数全局寻优,避免依据经验选取参数的不科学性,通过二者耦合最终构建PSO-WRF模型。利用渭河中下游咸阳站与华县站1960—2009年的径流系列对RF、WRF、PSO-WRF三种模型进行训练及测试,结果表明,PSO-WRF在咸阳站与华县站的平均相对误差绝对值(MRE)分别为7.05%和9.41%,且均方根误差(RMSE)、平均绝对误差(MAE)等指标均降至优化前的30%～50%,各年预测误差最低可降低至优化前的1/3～1/6。PSO-WRF模型优化效果显著,表现出良好的预测精度和泛化能力,能够为相关径流预测研究提供一定参考。     

基于FCM-XGBoost的大坝变形预测模型

变形是评价大坝是否安全的重要指标之一.随着变形监测测点的不断增加,实现对所有测点的分析意味着消耗大量时间,往往会出现预报不及时的问题;另一方面,传统机器学习算法的引入虽然提高了预测精度,但参数选取不佳时对结果影响很大且建模过程十分复杂.引入模糊C-均值聚类(FCM)和极端梯度提升算法(XGBoost),首先对大坝的变形...     

基于AAFSA-LSTM的大坝变形预测模型

对大坝变形情况进行预测,明确大坝的实际状况是保证其长期安全稳定运行的关键之一,目前研究中普遍存在预测精度不足以满足实际需求的问题.为此,将长短时记忆网络(Long and Short-term Memory Network,LSTM)模型引入大坝变形预测的研究,并利用自适应人工鱼群算法(Adaptive Artific...     

基于PSO-WRF的渭河中下游年径流预测模型

针对传统随机森林( RF) 模型决策树因投票权重相同而导致预测精度不高的问题,采用加权随机森林( WRF) 模型全面考虑各决策树分类能力的差异性,建立决策树加权投票机制; 同时运用粒子群算法( PSO) 进行参数全局寻优,避免依据经验选取参数的不科学性,通过二者耦合最终构建PSO-WRF 模型。利用渭河中下游咸阳站与华县站 1960—2009 年的径流系列对 RF、WRF、PSO-WRF三种模型进行训练及测试,结果表明,PSO-WRF 在咸阳站与华县站的平均相对误差绝对值( MRE) 分别为 7. 05%和 9. 41%,且均方根误差( RMSE) 、平均绝对误差( MAE) 等指标均降至优化前的 30% ～50%,各年预测误差最低可降低至优化前的 1 /3 ～ 1 /6。PSO-WRF 模型优化效果显著,表现出良好的预测精度和泛化能力,能够为相关径流预测研究提供一定参考。     

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力，建立了一种基于卷积神经网络(Convolutional neural networks, CNN)与深度学习长短期记忆(Long short-term memory, LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征，再利用LSTM生成特征描述，该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例，经过CNN-LSTM模型计算，将模型变形预测值与原型监测资料进行对比，再与LSTM模型及CNN模型的预测结果进行对比。结果表明，CNN-LSTM模型预测值最接近监测资料实测结果。     

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...     

基于最优化温度周期因子的坝体变形监测模型

针对坝体温度场的变化是影响坝体位移的主要因素之一,考虑到运行期坝体温度场的年周期是微小变动的,而现有的监测模型中谐波因子周期固定为365 d,在时间上较难刻画这种温度周期的微动。选用变周期的2组谐波因子,利用粒子群算法寻求最优周期,得到最优温度周期因子的位移监测模型。选用新安江大坝位移监测资料进行建模分析,结果表明最优周期温度因子模型能更好地体现温度对坝体变形的影响,复相关系数有较大提高。     

基于二次模态分解和深度学习的大坝变形预测模型

为充分提取大坝变形监测数据的非线性和非平稳性特征,深度挖掘其前后信息的拓扑关系,有效提高预测精度,提出了一种基于二次模态分解和蜣螂优化算法的双向长短期记忆神经网络大坝变形预测模型。该模型引入融合自适应噪声完备集成经验模态分解和变分模态分解的二次模态分解对数据进行预处理,有效降低高频非平稳性分量对预测精度的不利影响,并利用蜣螂优化算法对双向长短期记忆神经网络进行超参数寻优以深度挖掘大坝变形数据的有效信息。以某水电站大坝为例,将该模型预测结果与多种常用模型的预测结果进行对比分析,结果表明该模型可有效挖掘大坝变形数据复杂的非线性特征,其预测精度明显优于对比模型,验证了该模型在大坝变形预测中的可行性与优越性。     

基于奇异谱分析与PSO优化SVM的混凝土坝变形监控模型

针对混凝土坝自动化变形监测数据存在噪声成分,且变形与环境影响因素间呈现出复杂的非线性关系等问题,提出了基于奇异谱分析(SSA)与粒子群算法(PSO)优化支持向量机(SVM)的混凝土坝变形监控模型。模型利用SSA对实测变形进行分解,提取其蕴含的趋势与周期性成分并对变形加以重构;在此基础上,采用基于PSO优化的SVM对重构变形与环境影响因素间复杂的非线性函数关系进行挖掘。实例验证结果表明,该模型具有较好的拟合与预测精度,可以有效地挖掘实测变形蕴含的数据特征,减小噪声成分对建模精度的影响,具有一定的工程应用价值。     

基于人工神经网络的大坝变形分析与预报研究

本文在分析大坝位移影响因子的基础上,给出了基于BP-ANN(人工神经网络)分析大坝变形时的七种输入模式。探讨了在建立BP-ANN模型时几个关键问题的处理方法。结合某一混凝土拱坝的垂线观测数据,应用BP-ANN的不同输入模式,对大坝的变形值进行了预报和分析,得出了一些有益的结论。     

基于粒子群仿生算法的混凝土坝变形预报模型

将粒子群算法引入大坝安全监控领域,并结合多元回归统计模型,建立基于粒子群算法的混凝土坝变形预报模型。利用粒子群算法的全局寻优能力以及该算法具有正反馈信息的仿生特点,通过优化迭代计算,确定坝体变形统计模型中各回归系数。工程实际应用表明,基于该模型的预报结果与传统的最小二乘法相比,可显著提高混凝土坝变形的预报精度,所以该模型的预报应用是可行的。     

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。     

基于FOA-RF算法的心墙砾石土压实质量预测模型

针对随机森林(RF)算法预测心墙砾石土压实质量存在决策树数量选取缺乏深入研究和忽视P0.075质量分数对压实质量影响的问题,提出了一种基于果蝇优化(FOA)算法的随机森林算法(FOA-RF算法),并构建了基于FOA-RF算法的心墙砾石土压实质量预测模型(FOA-RF模型)。该模型一方面通过对料源参数和干密度进行相关性分析,新增了P0.075质量分数作为模型的输入参数;另一方面利用FOA算法对随机森林进行优化,解决了RF算法难以取得决策树数量最优解、没有同时考虑决策树数量与随机特征数影响的问题。以西南某在建砾石土心墙堆石坝工程为例,分别应用基于传统RF、BP神经网络、多元线性回归的预测模型和FOA-RF模型进行压实质量预测。结果表明,FOA-RF模型在预测精度上具有优越性,并基于该模型开发压实质量预测模块,将该模块嵌入碾压质量实时监控系统中可实现压实质量的实时预测。