耦合时空相关特性的大坝变形动态监控模型

大坝变形性态是多种因素长期共同作用的结果,其演变模式包括时间和空间两个维度。然而,当前大坝变形智能建模较少综合考虑时空二维特征,原型观测资料中蕴含的大量时空信息亟待进一步挖掘。针对该问题,本文从单测点时序相关性和多测点空间关联性出发,提出构建一种耦合时空两个维度相关特性的大坝变形动态监控模型。该模型将门控循环单元（gated recurrent unit,GRU）神经网络作为核心层,建模学习历史变形数据内在时变规律,通过迭代提取有效变形因子来构造空间维度特征,并引入软注意力机制改进GRU隐藏状态的概率权重分配规则,实现对关键信息的自适应学习。以丰满混凝土重力坝多测点变形监测数据为例,验证了该模型的有效性。结果表明,所提出的监控模型能准确模拟大坝变形动态演变过程,且与常规监控模型相比,其外推预测精度更高,为大坝安全监控提供了新的方法和手段。     

NGO-GPR与投影寻踪联合驱动的大坝变形预测模型

建立准确可靠的变形预测模型对保证大坝安全运行至关重要，然而现有监控模型难以兼顾海量监测数据的多维度时空关联特性，不能有效反映大坝整体和区域性变形性态。为此，引入考虑测点综合距离的层次凝聚聚类和投影寻踪法，深入挖掘坝体位移场海量监测数据中的关联信息，得到反映分区多测点变形特征的融合变形序列；提出一种由北方苍鹰算法优化的高斯过程回归，以此建立分区多测点融合变形预测模型，并依据拉依达准则构建预测结果的置信区间。结合工程实例，探究了不同核函数对模型预测精度的影响；通过对比分析，验证了本文方法对比几种常规模型具有更高预测精度和适用性，且能对预测结果的可靠程度进行估计，对大坝变形性态的安全监测具有一定工程应用价值。     

石泉水电厂大坝变形观测资料分析

根据石泉水电厂大坝变形监测资料,分析了坝体变形规律及发展趋势,探讨了各环境量对坝体变形的影响,并就重点坝段建立了统计预报模型,最后对大坝的变形性态做出评价.分析认为石泉大坝变形观测布置过于简单,又存在垂直位移基点下沉,水平位移观测精度偏低等问题,应尽早完善变形监测系统.     

石泉水电厂大坝变形观测资料分析

根据石泉水电厂大坝变形监测资料,分析了坝体变形规律及发展趋势,探讨了各环境量对坝体变形的影响,并就重点坝段建立了统计预报模型,最后对大坝的变形性态做出评价。分析认为：石泉大坝变形观测布置对于简单,又存在垂直位移基点下沉,水平位移观测精度偏低等问题,应尽早完善变形监测系统。     

毛尖山拱形土石坝变形性态的数值模型分析

结合变形实测资料，分别建立毛尖山大坝位移的统计模型和灰色模型，量化各影响因素对大坝变形性态的影响程度，评价了大坝的变形性态。数值模型分析结果表明:大坝变形变化规律正常，时效变化量趋于稳定。     

SSA-XGBoost与时空特征选取的大坝变形预测模型

针对目前部分单测点模型未考虑大坝监测数据空间关联性、难以描述大坝变形整体响应特性的问题,以及传统回归模型未考虑环境量与变形量的非线性关系导致预测精度较低的问题,本文提出了一种预测模型,包括对监测数据进行基于自适应噪声完备集合经验模态分解-小波包降噪,结合弹性网络对考虑了空间关联性的变形效应量因子进行特征选取,辅以交叉验证特征因子的有效性,并使用麻雀搜索算法提高计算效率。基于锦屏一级拱坝实测变形数据,探究了考虑空间关联性的最优因子集,并通过对比多种模型的MSE、RMSE等参数验证了本文方法的有效性,在大坝变形性态分析中具有一定应用价值。     

深度学习提取时空特征的堆石坝变形预测模型

当前堆石坝变形智能预测模型较少关注多测点变形时间序列在时空特征上的不均衡性,因此限制了变形预测精度的进一步提高。为了解决该问题,本文提出了一种结合卷积神经网络、注意力机制和长短期记忆神经网络的堆石坝变形预测模型（CTSA-Conv LSTM）,该模型可以提取变形时空特征,对不同时刻和不同位置的测点赋予不同的权重系数,实现对堆石坝整体变形规律的自适应学习。以水布垭面板堆石坝为例,采用该模型和最大断面所有测点的变形监测数据,验证了模型的有效性。模型预测效果优于Holt-Winters等常规时序预测模型,预测精度也优于笔者提出的基于LSTM的变形预测模型。通过深度学习提取监测数据时空特征,进一步提高了大坝变形预测精度,为大坝安全监控模型提供了新的思路。     

大坝蓄水期监测资料的时变分析模型

考虑大坝蓄水期监测资料平稳性较差、坝体性态随水位升高而有所改变等特征,在原有传统统计模型的参数求解过程中引入遗忘因子,通过建立遗忘矩阵突出现在及近期资料对模型的贡献,尝试建立了大坝蓄水期监测资料的时变分析模型。实例分析表明,由于模型参数根据大坝蓄水期实际情况实时进行了阶段性更新,其拟合及预测精度均优于传统统计模型,更适用于蓄水期监测资料分析。     

耦合时序特征分解筛选的大坝变形分析模型

高精度的变形预测对大坝安全运行和长期维护具有重要意义。针对当下方法预测精度低、数据信息挖掘不充分的问题,通过将变形序列进行变分模态分解,构建大坝变形影响因子与分量之间的关系,进而搭建不同结构参数的长短期记忆神经网络,最终提出了一种大坝变形分析模型。该模型综合灰狼算法、最小能量误差标准、最小冗余最大相关性方法等策略,从前端分解、信息提取和时序预测三方面对模型进行了改进,实现了最优化建模。实例分析表明,相较于常规监控模型,所提出的变形分析模型能够准确模拟坝体形变过程,具有较高的预测精度和泛化性能,可以为大坝变形安全分析提供参考。     

国外大坝监测分析的新进展

本文对近年国外大坝监测资料分析的发展作了综合评述。文中着重评介了大坝实测性态数学模型和反馈分析的进步以及坝体和地基性态分析的若干有代表性的成果。对监测分析所取得的效益及尚存在的不足也进行了评析研讨。     

白鹤滩首蓄期变形预测混合模型方法北大核心CSCD

首蓄期准确预测坝体变形,合理安排蓄水计划对于特高拱坝安全进入运行期具有重要意义。为解决特高拱坝首蓄期坝体变形预测较难的问题,本文提出了一种特高拱坝首蓄期坝体变形预测混合模型方法,并结合白鹤滩特高拱坝首蓄期坝体变形监测资料进行工程实例验证。该模型结合白鹤滩特高拱坝首蓄期三阶段蓄水计划的背景,结合三个蓄水目标下白鹤滩拱坝拱冠梁坝段正垂测点的监测数据量大小,在首蓄期初期采用多元回归模型,在首蓄期中后期对PLdb18-2到PLdb18-6五个测点采用优化的LSTM模型,对于坝顶的PLdb18-1采用多元回归模型。本文针对混合模型及全过程采用单一模型的预测结果和实测结果进行对比,本文提出的混合模型方法精度最高,误差率不超过4%,且具有较好鲁棒性。     

溪洛渡高拱坝蓄水期谷幅变形特性与影响因素分析

水库蓄水诱发的库岸变形现象对坝工结构的工作性态和工程整体的安全状态都有直接影响,及时掌握水库蓄水期间库岸岩体及坝工结构的真实变形状态,对于工程安全具有重要意义。针对我国溪洛渡高拱坝首次蓄水期间出现的显著的河谷谷幅收缩问题,收集整理了库区岩体及坝工结构的变形监测资料,通过统一坝体外观监测系统和内部垂线监测系统的基准点,获得了拱坝坝体及坝基岩体的真实变形状态,总结了坝体与库岸岩体变形的时空分布规律,认为坝体变形已受到坝址岩体变形的影响。在此基础上,本文通过建立逐步回归模型,分析了河谷谷幅发展过程与库水位、气温及其他作用因子的相关性,结果显示谷幅收缩过程主要由其他作用分量主导,而与库水位及气温的相关性较小。鉴于当前河谷谷幅收缩的趋势仍未完全收敛,对于谷幅收缩现象亟需进行机理研究以预测其未来发展趋势。     

融合时变因素的浆砌石坝变形时空混合模型北大核心CSCD

混合模型常被用于大坝变形的整体预测,目前开展的研究主要针对混凝土坝,对于同样数量多且分布广的浆砌石这类非线性材料坝的研究还较少。本文考虑非线性材料坝变形具有的时变特性,通过引入时间量参数及观测点相对坐标,建立对应的水压分量多点统计模型。考虑到引入多参数的水压分量模型系数寻优困难问题,采用改良的粒子群算法(IPSO)加强粒子随机性及交互性,提高模型系数的寻优速度。采用有限元方法(FEM)与卡尔曼滤波(KF)对其进行预测,建立FEMK模型。同时,采用深度学习算法LSTM训练经PCA降维后的温度和时效因子并预测相应变形值。联合构建的FEMK-LSTM-PCA时空混合模型经工程实例验证有较高预测精度,并且可以实现对大坝变形的整体预测。     

特高拱坝温控曲线合理性改进与复核

随着智能温控技术提升,特高拱坝浇筑中的“三期九阶段”温控模式也可简化,使其更好改善混凝土内部应力。结合施工监测数据,本文提出“一期三阶段”和“二期六阶段”两种更简化的温控模式。通过数值模拟,控制冷却的各阶段,以拱坝内部应力变化过程来分析各曲线优劣。结果表明：“一期三阶段”温控模式在最短时间内使混凝土从最高温度降到封拱温度造成的应力影响最小;三种模式中,“一期三阶段”最大拉应力值远低于另外两种模式;三种曲线在120天、150天、180天达到封拱温度时,混凝土内部应力均远低于安全曲线,仅延长通水时长,对坝体应力影响不大;对于“三期九阶段”温控模式,减小坝体应力的关键在于合理调整降温速率和降温与控温时长的比例。     

考虑时间影响的神经网络组合模型对心墙堆石坝变形的预测研究

大坝变形通常是由于多种复杂耦合因素而致,并且是具有高度的灰色性和模糊性的不确定性系统。由于多因素影响下的大坝变形问题没有确定性数学物理关系公式解决,而组合模型能够充分利用各子模型的有用信息,较单一模型更能够反映大坝变形的复杂性和不确定性,是更为科学预测分析大坝变形的方法。目前国内外学者缺乏对于大坝变形的组合预测模型的研究并且没有考虑时间因素对组合模型权重影响;针对此问题,本文以灰色模糊模型(ANFIS-GM模型)和遗传神经网络模型(GA-BP模型)作为子模型,采用考虑时间影响的神经网络模型作为组合模型权重的求解方法,对大坝变形进行预测。通过西南某心墙堆石坝的实例分析表明:该模型能综合其子模型的优势,获得更高的精度,同时也比未考虑时间影响的最小误差平方和组合模型具有更高的精度,它比最小预测误差平方和组合模型精度平均高10.50 mm。     

考虑温度变化和长期变形的面板堆石坝模拟

面板裂缝是影响混凝土面板堆石坝安全和性能的关键因素之一。本文基于ABAQUS软件,开展了堆石体长期变形与混凝土水化热、时空不均匀分布温度场边界施加等二次开发,以老挝某混凝土面板堆石坝为研究对象,研究了堆石体长期变形、混凝土水化热、环境温度变化的联合作用机制。分析了堆石体长期变形量值、面板浇筑时间过程、环境温度数值和分布模式等对面板应力变形的影响,揭示了混凝土浇筑后早期水化热温升和环境温度影响导致面板表面较大顺坡向拉应力是面板大量早期水平裂缝的主要原因;同时也发现,即使对于浇筑后较长时间,考虑温度变化情况下计算出的面板拉应力也高于不考虑温度变化情况。计算分析可为面板浇筑时机选择,面板温度裂缝、变形裂缝分类防控等提供技术依据。     

库水模拟对拱坝动力特性的影响分析

库水可压缩性和库水-坝体动力相互作用是影响坝面动水压力以及拱坝动力特性的重要因素。本文以拉西瓦拱坝为例,建立拱坝-地基-库水系统有限元模型,研究库水模拟对拱坝动力特性的影响。采用Westergaard附加质量与流固耦合两种不同的库水模拟方法,分别考虑附加质量、流固耦合的不可压缩库水、流固耦合的可压缩库水等三种情况,对比分析了拉西瓦拱坝的动力特性。分析结果表明,库水的存在会导致拱坝系统的各阶自振频率减小;考虑库水可压缩性导致拱坝的各阶自振频率进一步减小,且各阶振型发生变化。分析结果可以为高拱坝真实工作性态研究和地震反应分析提供参考依据。     

基于时间注意力机制的大坝动态变形预测模型

构建高精度的变形预测模型对于大坝风险评估及防治措施制定具有极其重要的意义。传统的大坝变形预测模型鲜有针对大坝的变形滞后性特点以及变形特征因子的影响性分析与评估,这会对模型的预测精度造成较大的影响,并导致模型缺乏可解释性。针对上述问题,本文提出一种结合时间注意力机制的门控循环单元神经网络（GRU）架构。首先通过卡尔曼滤波（Kalman Filter）对原始大坝变形数据中由于监测器异常导致的随机噪声与异常值进行处理。其次,利用随机森林（RF）对各变形特征因子的重要性进行分析和评估,筛选模型输入的特征因子。最后,针对大坝变形的滞后性,利用时间注意力机制进一步提高GRU模型对时间维度上的动态特征关注度,增强模型对时间维度信息的自适应学习能力,且对时间注意力进行可视化进一步提高了大坝变形预测模型在隐藏状态阶段上的可解释性。通过工程实例研究结果表明,卡尔曼滤波在大坝变形监测中确实存在一定适用性,同时本文所提出的耦合时间注意力机制的变形预测模型有着较高的预测精度,对于预测过程中的隐藏状态层级有较强的解释性,并揭示了温度与水位因素对大坝变形的长期影响,为大坝变形安全监测提供了一种新的有效方法。     

基于时序分解与深度学习的堆石坝变形预测

堆石坝变形监测数据是一种时间序列数据,可以用时序预测模型挖掘其规律并进行预测。本文利用时序预测模型提出一种堆石坝变形预测方法,该方法首先采用时间序列分解（seasonal-trend decomposition procedure based on loess,STL）将堆石坝变形监测数据分解为趋势项、周期项和不规则波动三部分,再使用经验模态分解（empirical mode decomposition,EMD）对不规则波动平稳化处理,最后利用长短期记忆网络（long short-term memory,LSTM）预测分解后的序列,并利用贝叶斯优化方法进行超参数优化。为评估该方法的预测效果,以水布垭面板堆石坝为例,通过控制训练时长、预测时长、离群值数目等变量进行多组仿真实验,并与其他时序预测模型对比。结果表明该方法预测精度较高,适用性较广,对于堆石坝的性状评估具有一定的应用价值。