混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型

混凝土坝的总变形可以归结为由水压和温度变化引起的变形以及随时间发展的变形。其中,水压变形和温度变形体现为总变形中的周期性分量,而时效变形体现为总变形中的趋势性分量。借助复合建模思想,提出一种混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型。首先利用小波多分辨分析功能,分解出大坝变形时间序列中的趋势性项、周期性项;其次,运用EGM模型实现对趋势性项的有效预测,采用周期外延模型实现对周期性项的有效预测,在此基础上,利用ARIMA模型实现对EGM模型和周期外延模型残差项的有效预测;最后通过某工程实例,检验所提出模型的有效性。计算结果表明:该组合模型充分考虑大坝各变形分量的变化规律,并基于此,实现对大坝变形时间序列有效的拟合和预测,且其拟合和预测精度均明显优于传统统计模型。     

大坝变形的小波分析与ARMA预测模型

大坝变形观测资料可视为非平稳时间序列,从影响大坝变形规律的因素出发,可将其分解为主值函数项、周期函数项和改进后的平稳时间序列。其中主值函数项采用逐步回归法拟合,针对时效因子采用半经验公式无法准确拟合实际变化情况,采用小波分析法将序列分解为低频和高频两部分信号,其中低频部分代表时效等因素影响的变形趋势;高频部分代表水位、温度等影响的变化规律,应用时间序列原理分别建立变形预测ARMA（p,q）模型,从而在现有水位、温度观测资料下预测坝体未来的变形趋势。实例计算结果表明,结合小波分析的时间序列法建立的预测模型,预测精度高于统计回归分析,预测效果良好,可作为一种有效方法应用于大坝变形预测中。     

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于CEEMDAN-PSR-KELM的大坝变形预测

为提高大坝变形预测精度,针对大坝变形监测序列的非线性、非平稳性等特点,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)-相空间重构(PSR)-核极限学习机(KELM)的大坝变形预测模型。首先利用CEEMDAN算法将大坝变形监测序列分解成为若干不同频率的子序列,然后对各序列进行相空间重构,依据重构的各个子序列分别建立相应的KELM预测模型,最后对各子序列预测结果进行叠加求和得到最终预测结果。通过实例对比分析表明,该模型在大坝变形预测中预测精度较高,对于大坝变形安全监测具有一定的实用价值。     

基于 EMD － ＲVM － Arima 的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法( EMD) 、相关向量机理论( ＲVM) 以及 Arima 误差修正模型对大坝变形监测数据进行分析预测。首先利用 EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数( IMF) 以及残差序列,再以 ＲVM 预测模型对上述结果进行分析预测,最后利用 Arima 误差修正模型对预测残差进行误差修正,从而建立了以 ＲVM 为基础预测模型的 EMD － ＲVM － Arima 大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为 2. 89 mm,同时计算出SVM、ＲVM 法的平均残差为 11. 62 mm、9. 30 mm。可以看出,EMD － ＲVM － Arima 模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于混沌的大坝监测序列小波RBF神经网络预测模型

本文结合混沌理论、小波分解与重构,以及径向基函数(RBF)神经网络的优点,提出了一种基于混沌的大坝监测序列小波RBF神经网络预测模型。该模型主要利用小波分析将大坝监测序列分解为趋势项和细节时间序列,并利用RBF神经网络和基于RBF神经网络的混沌理论对两种时间序列进行预测,最后通过小波重构得到预测值。实例分析表明,本模型能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,对监测数据的预测精度较高,可应用于实际工程。     

基于EMD-EEMD-LSTM的大坝变形预测模型

大坝变形监测数据通常呈强波动性,针对大坝变形信息中的高频分量,提出了EMD-EEMD-LSTM模型对其中的大坝变形信息进行分析,预测大坝变形趋势。首先,选取EMD对原始大坝变形序列进行分解,得到若干分量;针对高频分量,使用EEMD对其进行分解,以挖掘蕴含其中的有效变形信息;最后以LSTM为预测模型,对上述得到的各分量进行建模分析。分析表明,EMD-EEMD模型可以有效解决了原始变形序列及高频分量的强波动性,结合LSTM在时序预测中的优越性,基于EMD-EEMD-LSTM的大坝变形预测模型具有较高精度。     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。     

基于非线性小波变换阈值法的大坝表面变形监测分析

为了实现对大坝坝体GNSS原始监测数据中高斯噪声、白噪声等异常特性进行有效去噪，同时要求保留异常信号中的有效信息，基于小波变换分析理论，应用非线性小波变换阈值法对大坝坝体的GNSS原始监测数据进行去噪处理。结果表明，该方法能够有效剔除GNSS原始监测数据中不同类型的噪声点，明确了大坝坝体外部变形与库水位的相关性关系，分析了运行期内大坝坝体外部变形相对值分布状况，揭示了大坝坝体变形的周期性、趋势性等特征，为坝体变形监测的设计、变形趋势的观测与预测等提供参考。     

基于混沌时间序列的大坝变形短期预测

将混沌时间序列预测理论应用到大坝变形预测中，根据非线性大坝变形时间序列，运用相空间重构理论，建立了加权一阶局域法、基于最大Lyapunov指数法大坝预测模型，对混沌的大坝变形数据短期预测模型进行了研究，对比分析了各自的特点，并结合实例完成了对大坝变形的预测。计算分析表明，该模型预测误差较小，与传统的自回归模型预测结果相比，基于混沌时间序列的预测方法在大坝变形的短期预测中具有更高的精度。     

贝叶斯框架下的大坝变形交互式时变预测模型及其验证

大坝变形是同一时刻内外多重风险因素综合作用的结果,应用时序分析方法挖掘历史监测数据潜在规律是变形预测的常用方法,现有时变预测模型不仅参数配置难度高,且难以融入专业知识,导致预测效果并不理想。本文提出一种耦合自动预测算法与大坝专业知识的交互式变形预测模型。该模型在贝叶斯框架下,以加法模型为基础重构各时序分解项作为模型底层,根据仿真结果甄选模型参数缺省值进行自动预测,通过结合参数化检测与直观参数配置实现交互式建模,并借助拟合可视化和统计指标准确反映预测误差来源,从而进一步修正参数以提高模型适用性。基于上述流程协同构建的大坝变形循环预测体系,以某混凝土坝多测点长期变形监测数据为例,对模型的准确性、鲁棒性和灵活性进行了有效验证与分析,为大坝变形安全预测与分析提供了新的模型和手段。     

基于小波EGM-ISFLA-SVR的大坝变形组合预测模型

为了提高大坝变形监控模型的预测能力,充分挖掘变形实测数据并及时了解大坝的运行性态,提出了一种基于小波EGM-ISFLA-SVR的大坝变形组合预测模型。该模型首先应用小波分析进行去噪,提取变形监测序列的时效分量以及由水压、温度分量组成的综合效应分量。然后,分别运用均值GM(1,1)模型和基于改进的混合蛙跳算法的支持回归机模型对两种序列进行建模和预测。最后,经小波重构得到组合模型。通过工程实例对模型效果加以检验,采用多项指标分别与传统统计模型的拟合精度和预测精度进行对比。结果显示,该模型拟合时具有比统计模型更大的复相关系数和更小的均方差;预测时均方差、平均绝对百分比误差和平均绝对误差均小于统计模型,表明该模型具有更高的拟合和预测精度和更强的泛化能力。     

基于BP-ARIMA的混凝土坝多尺度变形组合预报模型

针对大坝变形常规统计预报模型在监测信息挖掘时的优势单一性及预报精度欠佳等问题,视大坝变形观测资料为非平稳时间序列,从影响大坝变形的因素出发,将其分为周期性影响因素与随机影响因素,利用多尺度小波分析方法将大坝变形监测序列分解并重构,结合BP神经网络与自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)对其随机信号与系统信号分项训练预报,并将其预报值相叠加,据此,应用时间序列原理提出了一种基于BP-ARIMA的混凝土坝多尺度变形组合预报模型。工程实例分析表明,所建组合模型较常规模型能够有效挖掘监测信息中所蕴含的有效成分,预报精度显著提升,且计算分析过程简便,为高边坡及水工建筑物中其他监测指标的预报提供了新方法。     

基于改进小波阈值-EMD算法的高拱坝结构振动响应分析

基于高拱坝泄流结构实测振动响应数据资料,针对泄流激励作用下不可避免混有各种噪声进而影响结构工作模态识别精度的问题,提出了一种基于改进的小波阈值-经验模态分解(EMD)联合算法的滤波降噪方法。以拱坝泄流结构实测振动响应资料为基础,利用改进的小波阈值算法滤除大部分高频白噪声,降低EMD分解的边界积累效应,进行EMD分解,通过去趋势波动分析(DFA)方法进一步滤除白噪声及低频水流噪声。工程实例分析结果表明,与小波分析、EMD方法相比,该方法具有更好的降噪效果,能精确滤除泄流结构实测振动响应信号中的低频水流噪声及白噪声,最大程度地保留信号中有效特征信息,并且为拱坝泄流结构在噪声干扰下提取有效信息提供了捷径,为坝体结构的安全监控打下了基础。     

基于小波去噪的高斯过程回归模型在面板堆石坝沉降预测中的应用研究

引起面板堆石坝沉降变形的环境因素复杂,观测数据呈现出明显的噪声干扰特性,限制了数学模型拟合及预测的精度。对原始信号进行小波变换可有效分解其中的有用信号和噪声,因此,引入小波变换理论建立了基于小波阈值去噪的数学模型,并对面板堆石坝(CFRD)的沉降变形实测数据实施去噪,再对去噪后的数据进行高斯过程回归(GPR),建立了预测堆石坝沉降变形的模型。依托CFRD的实测沉降变形资料,采用Wavelet-GPR模型对大坝沉降进行了拟合与预测,并与未进行去噪的GPR模型计算结果进行对比。结果表明：Wavelet-GPR模型观测值与预测值的残差符合正态分布,去噪后学习段的均方根误差(RMSE)由0.928 7 mm减小至0.457 7 mm,平均绝对误差(MAE)由0.485 0 mm减小至0.330 6 mm;预测段的RMSE由1.308 9 mm减小至0.917 6 mm,MAE由0.926 3 mm减小至0.730 3 mm;且去噪后模型的样本观测值个数在其预测值95%置信范围内的占比有明显提升。因此,利用小波阈值去噪对实测沉降数据进行降噪处理能够降低噪声导致的数据观测值与真实值之间的误差,Wa...     

Cloud-Verhulst hybrid prediction model for dam deformation under uncertain conditions

Uncertainties existing in the process of dam deformation negatively influence deformation prediction. However, existing deformation prediction models seldom consider uncertainties. In this study, a cloud-Verhulst hybrid prediction model was established by combing a cloud model with the Verhulst model. The expectation, one of the cloud characteristic parameters, was obtained using the Verhulst model, and the other two cloud characteristic parameters, entropy and hyper-entropy, were calculated by introducing inertia weight. The hybrid prediction model was used to predict the dam deformation in a hydroelectric project. Comparison of the prediction results of the hybrid prediction model with those of a traditional statistical model and the monitoring values shows that the proposed model has higher prediction accuracy than the traditional statistical model. It provides a new approach to predicting dam deformation under uncertain conditions.