基于径向基网络模型的面板堆石坝坝顶沉降量预测

随着国家在水利基础建设方面的大力投入以及面板堆石坝自身的优越性,近几年该坝型逐步向超高坝型发展,同时坝体变形的预测也面临着诸多困难。本文提出了一种基于径向基(RBF)网络的面板堆石坝的变形预测模型。该模型充分利用了径向基网络的非线性映射能力,利用收集的历史样本信息,即可预测出面板堆石坝沉降。以水布垭面板堆石坝为例,预测得到的竣工期和满蓄5年后的沉降位移分别为2.156m和2.491m,与实测位移基本一致,相对误差分别为0.748%和0.400%。结果表明预测位移在设计允许范围之内,RBF网络模型具有建模速度快、预测精度高的特点。     

基于Prophet模型的江坪河水电站面板堆石坝变形预测

基于机器学习的时间序列预测方法能够挖掘时序数据本身的规律,可提高大坝变形预测的精度。以江坪河水电站面板堆石坝为研究对象,对监测资料进行分析,采用Prophet机器学习模型建立堆石坝变形监测数据的时间序列预测模型,并采用贝叶斯优化Prophet模型的超参数。预测结果表明,利用机器学习模型预测堆石坝变形的精度是可以接受的,且实施过程方便快捷,无需太多的人工干预,对建立面板堆石坝的长期变形的实时动态预测模型与高堆石坝全生命周期的性状评估与隐患及时预警具有一定的实用价值。     

考虑诱发因素影响滞后性的库岸滑坡位移预测

针对诱发因素对于滑坡位移变形的滞后影响,采用平均影响值法(MIV)对不同滞后期诱发因素进行筛选,然后结合广义回归神经网络(GRNN)建立了MIV-GRNN滑坡位移混合预测模型。以三峡库区具有代表性的树坪滑坡为例,将滑坡位移时间序列分解为趋势项和周期项,运用多项式和MIV-GRNN模型分别预测趋势项和周期项位移。分析结果表明:MIV-GRNN模型可以较好地反映诱发因素对滑坡位移滞后性的影响,与传统预测模型相比最大相对误差减少了11.2%。     

基于相空间重构原理的遗传神经网络模型在城市需水预测中的应用

针对多元变量需水预测模型中变量之间普遍存在多重共线性问题以及BP神经网络收敛速度慢、易陷入局部极值等缺点,将相空间重构原理及遗传算法(GA)引入BP神经网络需水预测模型中,提出基于相空间重构原理的GA-BP城市需水预测模型,并对上海市需水预测进行实例分析。实例分析结果表明:GA-BP模型对上海市2005—2009年的年用水量预测平均相对误差绝对值和最大相对误差绝对值分别为1.4344%和2.7672%,对2010—2011年的年需水量预测相对误差分别为0.5136%和0.0270%,精度均优于BP神经网络预测模型;基于相空间重构原理的GA-BP需水预测模型具有较好的预测精度和泛化能力,是提高需水预测精度和泛化能力的有效方法。     

三峡库区堆积层滑坡的变形趋势判断及预测

为提高三峡库区堆积层滑坡变形趋势判断的准确性,该文以 Ｒ/S 分析和混沌优化 PSO－SVM 模型为基础,构建了滑坡变形趋势判断模型和变形预测模型,判断和预测三峡库区堆积层滑坡的变形趋势。经实例检验表明: Ｒ/S 分析模型能很好地评价滑坡的变形趋势,且累计变形序列和速率变形序列的 Hurst 指数均大于 0. 5,呈持续增加趋势,但累计变形序列的 Hurst 指数相对更大,趋势性也相对更强; 在预测过程中,混沌优化 PSO－SVM 模型的平均相对误差均小于 2%,最大相对误差也仅为 1. 83%,具较高预测精度,满足期望要求,且变形预测结果与趋势判断结果具有较好的一致性; 通过两实例的综合应用,验证了本文模型的普遍适用性。通过该文研究,相互佐证了趋势判断模型和变形预测模型在滑坡变形规律研究中的有效性,为滑坡变形规律研究提供了一种新的思路。     

隧洞开挖下的边坡变形灰色预测分析

隧洞是常见的水利工程结构形式。在开挖过程中受施工条件和受力形式变化的影响,隧洞进出口边坡会产生一定的变形,一旦变形过大,会对工程安全造成不利影响。及时监测和预测边坡变形具有重要的工程意义。针对隧洞开挖过程中的边坡变形预测问题,引入灰色预测模型,通过构建经典灰色预测的GM（1,1）模型,基于实测点位的变形数据,对未来的变形趋势进行预测。选取某输水隧洞实例进行分析,在该隧洞开挖的进出口边坡上设置若干监测点,记录监测点的水平、垂直位移数据,采用文章提出的灰色预测模型对监测点位的变形进行预测,并将预测值和实测值进行对比。结果表明预测的位移量与真实的位移量相差较小,误差均在5%以内,可以较好地实现隧洞开挖过程中边坡位移的预测,具有较高的预测精度。提出的边坡变形灰色预测分析模型可以较好实现隧洞开挖下的变形预测,方法简单实用,可为隧洞开挖过程中的变形控制提供技术支持,可在类似工程中推广应用。     

软土地区基坑侧位移变形预警及预测

为准确掌握软土地区基坑侧位移变形特性,构建了基坑侧位移的预警模型和预测模型,其中,预警模型先以多重分形去趋势波动分析方法构建预警判别指标,再利用Spearman秩次检验实现判别指标的变化趋势判断,进而完成预警等级划分;预测模型则以脊波神经网络为基础,通过粗集理论和试错法优化模型参数,构建出优化变形预测模型。实例研究表明:通过预警分析,得出所给实例的预警等级为2级,说明其基坑侧位移趋于不利方向发展,应加强监测频率,提高施工安全预警;同时,在变形预测方面,参数优化能有效提高脊波神经网络的预测精度和稳健性,所得预测结果的平均相对误差均<2%,具有较高预测精度,且其预测结果与预警结果一致,佐证了分析结果的准确性,可为基坑安全施工提供一定指导。     

RBF神经网络模型在山西省需水预测中的应用

分析了山西省历年城镇生活、农村生活、工业和农业用水量,建立了RBF神经网络需水预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、选取聚类中心和权值。预测结果表明:山西省1998-2000年总需水量预测的相对误差为2.74%、3.33%和1.41%;1999年工业需水预测相对误差最大,也仅为13.35%。RBF神经网络需水预测模型不仅运算速度快,而且预测精度也较高。     

三峡茅坪溪防护土石坝变形监测成果分析

对三峡茅坪溪防护土石坝的变形规律和特点进行分析,大坝内部累积沉降1.26 m,约占坝高1.21%,外部变形最大沉降205 mm,最大水平位移85 mm,坝体水平和垂直位移均呈河床大、两岸小的分布,水平和垂直位移均具有不可逆性。通过统计回归分析可知：水平位移受水压和时效影响,垂直位移不受水压影响,主要受时效影响。大坝位移速率逐年减小,但仍未稳定,大坝变形性态正常。     

改进WOA-指数幂乘积模型在基坑变形预测中的应用

为提高基坑变形预测精度,提出基于拉普拉斯交叉算子(LX)改进的鲸鱼优化算法(LXWOA)优化的指数幂乘积(EPP)基坑变形预测模型。选取4个标准测试函数对LXWOA进行仿真验证,并与基本鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、正弦余弦算法(SCA)、粒子群优化(PSO)算法的仿真结果进行比较。利用LXWOA对EPP模型的指数参数进行优化,构建LXWOA-EPP变形预测模型,并构建WOA-EPP、GWO-EPP、SCA-EPP、PSO-EPP模型与LXWOA-SVM、LXWOA-BP模型作对比,以文献基坑监测数据为例进行实例研究,分别利用自相关函数法和虚假最邻近法确定实例延迟时间和嵌入维数,构建模型输入、输出向量,利用实例前15期和后3期监测数据对各模型进行训练和预测。结果表明:LXWOA搜索能力优于WOA、GWO、SCA和PSO算法,具有较好的寻优精度和全局搜索能力。LXWOA-EPP模型对实例预测的平均相对误差绝对值、平均绝对误差、均方根误差分别为0. 18%、0. 008 mm、0. 009 mm,均优于WOA-EPP等6种模型和文献预测精度,表明LXWOA能有效优化EPP模型参数,LXWOA-EPP模型用于变形预测是可行和有效的,模型及方法可为其他相关预测研究提供参考。     

基于 PCA － ＲBF 神经网络的混凝土坝位移趋势性预测模型

为了提高混凝土坝位移趋势的预测精度,提出了一种基于主成分分析( PCA) 和径向基( ＲBF) 神经网络的混凝土坝位移趋势性预测模型( PCA － ＲBF) 。首先,利用主成分分析,将混凝土坝多测点 的径向位移监测数据降维,消除影响分量数据集的多重相关性,分别提取出主元位移和主元影响分 量。然后,把主元位移和主元影响分量输入径向基神经网络并构建模型,对提取出的主元位移进行预 测。最后,将本法应用于某混凝土坝,结果表明,PCA － ＲBF 模型的均方根误差( ＲMSE) ,平均绝对 误差( MAE) 和平均绝对百分比误差( MAPE) 分别为 2. 037 8 mm,1. 698 6 mm 和 3. 32% ,显著低于传 统的多元回归统计模型、径向基神经网络模型( ＲBF) 和利用经主成分分析进行因子处理的 BP 神经网 络模型( PCA － BP) ,说明 PCA － ＲBF 模型有着良好的预测精度。     

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。     

公伯峡混凝土面板堆石坝位移反演分析

采用基于综合应用人工神经网络和演化算法的位移反演分析方法，对在建的公伯峡面板堆石坝坝体沉降变形的现场观测结果进行了反演分析，并通过与坝料室内试验和现场载荷试验结果对比，讨论分析了4种主要坝料在现场条件下的变形特性、分析结果表明，公伯峡面板堆石坝坝料现场的填筑质量较好，主要坝料的变形模量均大于相应由试验室试验得到的模量值．3BⅡ砂砾石料在现场碾压条件下可获得较高的变形模量值，是一种优良的筑坝材料．     

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。     

基于遗传算法优化BP神经网络的面板 堆石坝变形预测

结合实测数据建立了面板堆石坝坝体变形量的BP神经网络预测模型,并引入遗传算法对其进行优化,结果表明经遗传算法优化后的模型预测结果要优于未优化模型的预测结果,优化模型具有更高的预测精度和更强的预测能力。基于某在建工程实例验证了本方法的可行性与实效性,预测结果不仅满足工程安全要求,而且具有较好的可信度和工程参考价值。在上述优化预测模型基础上,实现了引入施工沉降作为输入量对面板挠度进行精确预测,证明了应用这种方法进行面板挠度预测的合理性和优越性。     

基于NMEA-BP大坝变形监测模型研究

在对思维进化算法(MEA)改进的基础上,开展了基于思维进化算法与BP神经网络的大坝变形监测模型的研究。通过引入小生境技术和思维进化算法,克服了BP神经网络易陷入局部最优值、训练时间长和收敛速度慢等缺点,极大地提高了其搜索效率和全局搜索能力。通过进一步利用改进的思维进化算法优化BP神经网络的权值和阈值,建立了NMEA-BP大坝变形监测模型,并用该模型对工程实例进行了拟合预测。结果表明,NMEA-BP模型有效提高了大坝变形预测的精度,能更高效准确的进行大坝变形监测。研究成果为大坝变形监测的理论和实践研究提供参考。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于GACO-BP-MC的大坝变形监控模型

建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法(ACO)对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法(GA)引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链(MC)对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。     

基于人工蜂群算法与Elman神经网络的大坝变形监控模型

针对Elman神经网络收敛速度慢、容易陷入局部极小等问题,建立了人工蜂群算法(ABC)与Elman神经网络组合的大坝变形监控模型。应用于某混凝土重力坝的结果表明,单纯Elman神经网络建模方法预测的相对误差和标准差分别为3.50%和0.131,ABC-Elman(人工蜂群算法与Elman神经网络)模型预测的相对误差和标准差分别为1.98%和0.063。从各影响因子对大坝变形的贡献上看,水压分量占27.9%,温度分量占62.3%,时效分量占9.8%。ABC-Elman模型在建模效率、预测精度等方面均有一定的优势,较适合于大坝变形的建模分析,并可推广于大坝渗流、应力等监控模型中。     

RBF神经网络在地下水动态预测中的应用

为了动态预测地下水位的变化,采用神经网络模型构建地下水位埋深预测模型。充分发挥径向基函数(RBF)神经网络的逼近收敛能力,通过"径向基函数(RBF)"和"逆向传播(BP)"算法优选模型参数,以长春城区为应用实例,将2006—2012年84组数据作为训练样本,将2013—2015年36组数据作为检验样本,对其实测埋深动态过程进行模拟,对比两种模型性能优劣,并对2016—2018年地下水埋深进行预报。结果表明:RBF神经网络模型和BP神经网络模型的均方根误差分别为0.10和0.43,最大绝对误差分别为0.44 m和0.61 m,最大相对误差分别为14.60%和27.17%;2015年以后,长春城区地下水位动态周期性变化明显,埋深变幅较大,枯水期埋深最大为5.10 m,丰水期埋深最小为1.62 m,呈明显的季节性特征。RBF模型具有更高的非线性映射能力和预测精度,该模型可以用于同类的动态数据的预报。