BP神经网络在大坝位移监测中的应用

利用BP神经网络模型较强的非线性处理能力特性,以水位、温度和时效作为输入层,大坝位移为输出层,建立BP神经网络模型对龙滩大坝的位移监测数据进行模拟和预测,并将拟合值、预报值和实测值进行对比分析,结果表明:BP神经网络模型对大坝位移拟合效果较好,预报值精度较高,具有一定的参考应用价值。     

基于小波消噪及BP神经网络的大坝变形分析

基于港口湾大坝多期变形观测数据,采用Matlab语言、小波消噪及BP神经网络分别建立了基于时间序列和基于环境因素的大坝变形监测BP神经网络模型,并利用模型分别对大坝某点变形值进行预测。时间序列BP模型具有结构简单、学习速率快的特点;环境因素BP模型精度高,可有效反映变形因素,便于拟合预测复杂的测点变形,相对前一种模型能更好地揭示大坝变形规律。两种建模方法先应用小波分析对原始观测数据消噪,训练过程中采用附加动量法等改进BP算法,大大提高了BP神经网络的计算效率,克服了其易陷入局部极小的缺陷,取得了良好的拟合效果和预测精度。     

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。     

基于遗传规划模型的大坝变形监测预测模型

研究了基于遗传规划(GP)理论的大坝变形监测数学模型的建模方法.通过与回归分析模型和BP神经网络模型的拟合精度及预测效果的比较,证明GP模型有更高的拟合精度和更好的预测效果,为大坝变形监测数据处理开辟了一条新的途径.     

基于模糊聚类算法的大坝监控模型的研究

将模糊理论和神经网络相结合，建立了基于模糊聚类算法的模糊神经网络的大坝安全监控模型，并针对某一大坝变形水平位移实测数据进行分析，计算结果表明，其拟合和预报精度优于常规统计模型，从而表明这一模型的有效性。     

基于遗传算法优化BP神经网络的大坝变形监控模型

一个合理的位移监控模型是通过大坝安全监测实现大坝安全监控的关键因素之一.针对传统的统计模型、确定模型和混合模型的不足,提出基于遗传算法优化BP神经网络的GA-BP模型的方法,并将该模型用于大坝变形预报研究.最后以某拱坝为例,对该拱坝拱冠梁坝顶径向水平位移实测值建立了GA-BP模型,并将模型用于某坝顶径向水平位移预报.结果表明GA-BP模型不仅比统计模型具有更高的拟合精度,且在大坝变形监测预报上也是有效的.     

飞来峡大坝变形性态分析与预报模型研究

通过对飞来峡大坝的水平位移进行分析，建立相应的统计模型，并通过统计模型与BP神经网络模型进行比较，建立相应的预报模型，为飞来峡大坝的安全监测提供依据．通过分析比较得到结论：飞来峡大坝目前变形性态正常，水平位移年变幅主要受温度荷载的影响，BP神经网络模型虽然拟合精度较统计模型高，但是其预测能力并不优于统计模型，而且统计模型能对监测数据作分解和成因解释，所以采用统计模型对飞来峡大坝建立了预测模型。     

基于小波网络的大坝变形预测分析

为了精确分析大坝监控数据,基于小波神经网络理论建立数学模型,对大坝水平位移进行预测,并与回归分析模型、神经网络模型的预测结果进行比较,探讨分析三种方法的利弊。研究表明,采用小波神经网络对大坝水平位移进行分析与预测是可行、可靠的,其精度明显优于前两种方法,对大坝监控预测及分析有着重要的指导价值。     

隔河岩大坝拱冠梁位移与环境量关系的分析

清江隔河岩水电站自1993年蓄水发电至今已运行近20年,各项性态趋于稳定.根据清江隔河岩大坝近年来的大坝安全监测资料,主要针对拱冠梁15号坝段的位移,在基于物理推断分析的基础上,采用统计模型和反向传播(BP)神经网络模型进行了分析与研究.通过对2种模型分析的结果进行比较,应用BP神经网络模型进行分析具有更高的拟合精度和预测精度.分析结果表明:隔河岩大坝拱冠梁径向位移与上游水位呈正相关,与气温呈显著的负相关;拱冠梁切向位移与上游水位和气温无明显的关系,且径向位移非常小,拱冠基本呈对称状态,符合拱坝变形规律.     

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。     

主成分-BP组合模型在坝顶位移监控中的应用

在大坝位移监控中,主成分分析和BP神经网络方法运用较广,建立两种方法的组合模型,可以结合两种方法的优势,利用主成分分析消除坝顶位移预测中多重相关性给模型带来的不利影响,利用BP网络可通过自组织、自学习和高容错性等功能解决复杂非线性问题。通过实例计算可知,组合模型精度能够达到要求,可以推广应用。     

基于MATLAB的Elman神经网络在大坝位移预测中的应用

根据MATLAB的Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力，提出了一种利用：Elman神经网络建立大坝位移预报模型的方法。通过实例比较Elman模型与BP模型的预测效果，结果表明，所建立Elman神经网络模型不仅收敛速度快，且其预测精度高于BP网络模型。利用MATLAB神经网络工具箱能使工作者从繁琐的编程中解脱出来，有效的提高工作效率。     

基于TW-SVM预测模型的某堆石坝变形预测分析

为提高监测资料有缺失的大坝变形预测模型精度,采用支持向量机方法建立一种具有小样本、高维、非线性的预测模型,并结合对其重要组成部分核函数的分析应用,提出一种根据结构风险最小化的TW-SVM预测模型。以某堆石坝为例进行研究,利用坝坡垂直位移和水平位移的监测数据,分别采用TW-SVM方法和BP神经网络(NET)方法建立相应预测模型进行比较分析。结果表明:采用TW-SVM方法和NET方法预测的垂直位移最大绝对误差分别为0.58 mm和6.18 mm,最大相对误差分别为270.00%和1 286.22%;采用TW-SVM方法和NET方法预测的水平位移最大绝对误差分别为0.25 mm和14.91 mm,最大相对误差分别为31.25%和1 189.85%;TW-SVM预测模型比NET预测模型更适合于影响因素为时间、水位的小样本预测分析。研究结果为堆石坝变形预测与分析提供参考。     

BP模型在大坝安全监测预报中的应用

如何正确地预报大坝安全监测量，对馈控大坝安全运行和辅助决策具有重要的意义。文章提出应用神经网络的BP模型进行大坝安全监测数据的预报，并针对某一混凝土重力坝的水平位移实际测值构建了BP模型，其预报精度较以往统计模型有较大的提高。     

基于BP神经网络-加权马尔科夫模型的泄水闸水平位移预测

针对传统变形统计模型和BP神经网络模型对水工建筑物变形预测精度欠佳的问题,建立了BP神经网络-加权马尔科夫模型。首先,采用均值－均方差法对BP神经网络模型拟合的相对误差序列进行状态分类,并检验状态序列的马氏性。然后计算各阶自相关系数和转移权重,利用加权和最大概率值预测未来的随机状态。最后以王甫洲水利枢纽泄水闸11^#闸墩测点水平位移实测数据为例,分析比较逐步回归统计模型、BP神经网络模型和BP神经网络-加权马尔科夫模型的预测效果。结果表明：相比于逐步回归统计模型和BP神经网络模型,BP神经网络－加权马尔科夫模型的预测精度更高,说明BP神经网络-加权马尔科夫模型较为可靠。     

大华滑坡位移预测模型研究

针对传统滑坡位移预测过程中的不足,提出了一种基于最小二乘支持向量机(LSSVM)的滑坡位移预测方法。以某流域大华滑坡为例,基于时序分析和集合经验模态分解法(EEMD)将原始序列重构为趋势项和波动项,趋势项位移受滑坡内部因素影响,采用最小二乘法与多项式方程进行拟合预测;波动项位移受库水位、降雨、地下水位等周期性因素影响,结合灰色关联度法和核主成分分析法(KPCA)对输入因子进行筛选与降维,并用粒子群算法-最小二乘支持向量机耦合模型(PSO-LSSVM)进行建模预测。最后将趋势项与周期项预测位移相加得到累计预测位移,并对模型预测精度进行定量分析。结果表明,建立的EEMD-KPCA-PSO-LSSVM组合模型预测效果良好,较传统BP神经网络、LSSVM等单一模型有着更高的预测精度,可为同类型滑坡位移预测提供新的思路。     

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。