灰色模型改进的大坝变形分形几何监控模型

为了对大坝安全进行准确监控,利用分形几何理论预测大坝变形。针对一般常维分形分布不能很好分析大坝变形数据的问题,对监测数据进行N阶累计和变换,对变换后的数据利用分段变维分形模型计算各阶变形维数序列,再选择效果较好分形维数已知序列预测未知分形维数,最后反推大坝变形预测数据。针对传统变维分形预测模型分形维数预测方法的不确定性和所需监测数据量大的缺点,利用灰色模型预测分形维数,建立改进的大坝分形几何监控模型。结合工程实例,对比插值法预测分形参数的传统分形几何预测模型和灰色模型改进后的预测模型之间的预测精度,结果表明,改进分形模型不仅在预测精度上有所提高,而且更具稳定性和抗波动性。     

基于新维BP神经网络-马尔科夫链模型的大坝沉降预测

基于组合预测思想,结合BP神经网络和马尔科夫链2种预测方法,构建了一种新维BP神经网络-马尔科夫链大坝沉降预测模型。通过对训练样本的学习,利用新维改进的BP神经网络算法实现了对沉降位移时间序列的滚动预测。在此基础上,借助马尔科夫链模型对其随机扰动误差进行修正,有效地提高了预测结果的精度。将构建的组合模型应用于长洲大坝船闸控制楼沉降位移时序预测中,研究结果表明该模型预测精度较高、可靠性好,提高了模型的中长期预测能力,为大坝沉降预测提供了一种有效的新方法。     

基于尖点突变理论的高层建筑沉降变形预测分析

为建立一个全面且系统的高层建筑变形预测模型,本文首先利用卡尔曼滤波对变形数据进行去噪处理,分离出趋势项和误差项,再利用GA-BP模型和LS-GM(1,1)模型对趋势项进行预测,并通过组合得到趋势项预测值;其次,利用马尔科夫链对累计误差序列的进行修正,进一步提高预测精度;最后,利用尖点突变理论对高层建筑的稳定性进行评价,以验证预测模型的有效性。结果表明:半参数型卡尔曼滤波具有较好的滤波效果,且在趋势项的预测过程中,通过对BP神经网络的优化将平均预测精度由4.02%提高到了2.44%,而优化GM(1,1)模型则将平均预测精度由4.29%提高到了2.76%,说明本文的优化方法切实可行。通过误差修正,验证样本中的最大相对误差仅为1.63%,说明误差修正模型达到了进一步提高预测精度的目的,尖点突变理论的分析结果与预测结果相符,均得出高层建筑处于稳定状态,其后期变形将会持续减弱。     

基于改进变维分形理论的拱坝温度监测数据预测模型

 目前用于温度监测数据预测的模型,对数据的长度有较强的依赖性,监测数据量较少时,预测效果不理想,在分形理论的基础上,尝试建立改进的变维分形预测模型,并以白莲崖拱坝温度监测数据为例进行分析、预测。结果证明,这种模型发挥分形理论有相似性的特点,克服了其他模型对数据长度的依赖性和噪声干扰对预测效果的影响,能较好应用于小数据量监测数据的预测,精度较高,有着良好的抗噪性。     

基于Elman-马尔科夫模型的深基坑变形预测

为提高深基坑变形预测精度,在基坑地表沉降预测中引入反馈型Elman神经网络模型,利用Elman神经网络算法实现基坑沉降位移时间序列的滚动预测。以西安地铁5号线某车站基坑工程为例,基于组合预测思想,结合神经网络和马尔科夫链两种预测方法,建立了马尔科夫链优化的神经网络基坑地表沉降预测模型,借助马尔科夫链模型对其随机扰动误差进行修正,并与前馈型BP神经网络滚动预测模型对比。研究结果表明：Elman神经网络预测模型在修正前、后的预测效果均优于BP神经网络模型。设计开发出的基于MATLAB的图形用户界面（GUI）预测系统实现了模型预测过程便捷化,使预测过程能够以图形结果动态展现,具有较强实用价值。     

变维分形在天堂山拱坝封拱后温度回升预测中的应用

拱坝封拱后产生温度应力可能导致裂缝,通过对数据进行处理,建立封拱后温度回升变维分形预测模型,计算每段的分形维数,拟合反推预测值。以天堂山拱坝施工期温度监测数据为例进行分析和预测,结果表明,采用变维分形理论对拱坝施工期温度监测数据进行预测是可行的,并且具有较高的精度,可以满足工程要求。     

岩质高边坡监测数据的改进变维分形预测模型

针对以往预测模型在数据少和噪音干扰下出现预测精度降低的问题,基于分形理论,尝试建立改进的变维分形预测模型,并以小湾工程边坡位移监测数据为例,选取D1、D2曲线作为预测模型的分形参数曲线,计算各曲线的分段分形维数,对位移进行预测,并分别用灰色模型GM(1,1)和BP神经网络进行对比预测.结果证明,这种方法充分利用了分形理论自相似性的特点,抗噪性强,能较好地应用于小数据量监测数据的预测,并且精度较高,有着良好的应用前景.     

基于IVDF-SVR耦合模型的边坡变形预测

针对改进变维分形在分形维数进行拟合预测中的不足,提出一种基于改进变维分形理论(IVDF)和支持向量回归机(SVR)理论耦合的分形预测模型。该模型利用支持向量回归机(SVR)理论来对原来改进变维分形模型中分形维数序列进行拟合预测。以茅坪滑坡的边坡位移监测数据为例,选取ln(r)-ln(S1)累计和序列分维分段曲线作为预测模型的分形参数曲线,先利用改进变维分形模型计算各曲线的分段分形维数,进而预测边坡的位移值,再利用IVDF-SVR耦合模型计算各曲线的分段分形维数,进而预测边坡的位移值。预测结果表明,IVDF-SVR耦合模型充分利用了分形理论的自相似性,使预测模型具有良好的抗噪性,同时结合SVR理论的自学习能力,可以实现小样本、非线性条件下的数据拟合与预测的优势,使得该模型能够达到较好的预测长度和较高的预测精度,有着较好的应用前景。     

滑坡体监测数据的改进变维分形-人工神经网络耦合预测模型

滑坡体变形预测对滑坡灾害治理具有重要的意义。根据边坡的演化特性,在研究得到滑坡是一个非线性动态系统,其监测数据具有分形特征的基础上,利用改进变维分形预测模型对滑坡体的监测数据时间序列趋势项进行预测,并引入人工神经网络对时间序列的偏离项进行纠偏优化,从而建立滑坡体监测数据的改进变维分形-人工神经网络（IVDF ANN）耦合模型,并以茅坪滑坡体的实测位移为例进行预测。预测结果证明,该模型充分利用分形理论的自相似性和人工神经网络的自学习能力,具有良好的抗噪性,对小数据量的监测数据能够达到较高的预测精度和较好的预测长度,为滑坡体安全监控预测提供了新的参考方法。     

改进加权马尔科夫链模型在辽西地下水开采量预测中应用

本文采用变量权重修正系数对传统加权马尔科夫链模型进行改进,从而提高模型收敛精度。并将改进模型用于辽宁西部地下水开采量预测计算。研究结果表明:改进的加权马尔科夫链模型,在区域地下水开采量预测中具有较高的精度,改进模型在研究区地下水开采量预测年误差减少16.8%,不同季节预测误差减少16.0%。改进模型研究对于区域地下水开采量预测具有参考价值。     

复权马尔可夫链及其在怒江水沙预测中的应用

针对传统马尔可夫链及其改进的预测方法只能进行状态预测的局限,根据相依随机变量的特点,在以传统马尔可夫链预测方法求得各状态预测概率的基础上,进一步以状态预测概率为权重与状态平均值加权求和,实现了马尔可夫链预测方法从状态预测到数值预测的关键性改进。利用我国西南国际大河怒江干流道街坝水文站1957-2010年径流和1964-2010年悬移质输沙序列为分析期,2011-2015年径流和悬移质输沙为验证期,对所建立的复权马尔可夫链预测方法步骤进行验证表明,复权马尔可夫链预测方法具有较高的数值预测精度,能够满足随机时间序列短期数值预测的需要。     

基于隶属度修正的加权马尔可夫链的降水预测

应用Fisher最优分割法将榆林地区1951—2015年的年降水序列划分为9个状态,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。以属于同一状态的所有降水量的均值作为聚类中心,应用模糊C均值聚类(Fuzzy C-Means,FCM)算法中的隶属函数计算隶属度,以隶属度向量作为预测时的初始状态向量。该模型逐年预测了榆林市2006—2015年的降水状态,结果全部与实际情况一致。基于马尔可夫链的预测结果,采用模糊集中的级别特征值理论分别预测了2006—2015年的降水量,所有预测结果的相对误差都在10%以内,初步表明基于隶属度修正的加权马尔可夫链模型是合理可行的。     

基于分形理论的隧道地表沉降分析及预测

隧道地表沉降变形时间序列是具有分形特征的非线性体系,以狮子山隧道地表沉降监测为研究对象,基于分形理论,使用R/S分析法和V/S分析法计算了累计沉降和沉降速率时间序列的Hurst指数,并评价了地表沉降的稳定性,结合V统计量评价了这2种分析方法的有效性和地表变形的非循环周期;最后,使用分形插值函数与回归函数对地表沉降值进行了预测评价。结果表明,R/S分析法和V/S分析法对分析地表沉降时间序列具有较好的有效性,R/S分析法受短期记忆影响大,计算结果偏于安全,而 V/S分析法评价地表变形稳定性更加保守,3个监测点将长期处于稳定状态,且其时间序列的非循环周期约为20 d。使用分形插值得到的预测值与实测值间误差较小,且能正确反映变形演化趋势,较传统的回归分析优越,可以为地表沉降预测提供一种参考。     

马尔可夫链预测方法的统计试验研究

近年来,基于绝对分布的马尔可夫链预测(ADMCP)方法、叠加马尔可夫链预测(SPMCP)方法和加权马尔可夫链预测(WMCP)方法在各种水文序列的预测理论中得到了广泛的应用。各种马尔可夫链预测方法在有关应用实例中似乎效果都不错,然而,实际上他们的预测精度是有差别的。本文通过统计试验手段对这三种马尔可夫链预测方法进行了比较研究,结论表明:WMCP方法预测精度最高,SPMCP方法预测精度次之,ADMCP方法预测精度相对来讲最差。     

基于LSTM-Arima的大坝变形组合预测模型及其应用

大坝变形是水压、温度等多种因素综合作用的结果,变形监测数据是非平稳非线性的时间序列,并且在时间维度上具有关联性。为充分挖掘变形监测数据在长短时间跨度上的关联性,提出了应用长短期记忆网络(LSTM)预测大坝变形的方法。为进一步提升预测精度,利用自回归差分移动平均模型(Arima)对预测残差进行误差修正,从而建立基于LSTM-Arima的大坝变形组合预测模型。以某混凝土重力坝为例,将组合模型的预测结果与Arima模型、支持向量机(SVM)的预测结果进行对比分析。结果表明LSTM-Arima的预测结果优于Arima模型和SVM的预测结果,LSTM-Arima的均方根误差(RMSE) 比Arima模型和SVM分别降低了40.65%和59.00%,平均绝对误差(MAE)分别降低了35.49%和55.60%,表明LSTM-Arima模型具有较高的预测精度。研究成果对于更精确地开展大坝变形预测有一定参考价值。     

考虑不同状态划分方法的马尔科夫链入库径流预测

针对传统马尔科夫链方法状态划分单一的缺点,考虑入库径流的分布特性、丰枯状态划分的模糊性及径流年内分布的不均匀性,分别采用均值-标准差法、频率法、模糊法及模糊-集对法对入库径流进行状态划分,采用一步预测与多步加权预测相结合的方式对大渡河瀑布沟水库入库径流情势进行预测,探究不同状态划分方法及预测方法对马尔科夫链径流预测结果的影响。研究表明:考虑径流年内分布的状态划分结果更为合理,常规马尔科夫链方法对径流预测准确性的影响明显。研究结果可为今后应用马尔可夫模型开展径流预测提供科学依据。