基于 ＡＡＦＳＡ－ＬＳＴＭ的大坝变形预测模型

对大坝变形情况进行预测，明确大坝的实际状况是保证其长期安全稳定运行的关键之一，目前 研究中普遍存在预测精度不足以满足实际需求的问题。为此，将长短时记忆网络（ＬｏｎｇａｎｄＳｈｏｒｔ ｔｅｒｍ ＭｅｍｏｒｙＮｅｔｗｏｒｋ，ＬＳＴＭ）模型引入大坝变形预测的研究，并利用自适应人工鱼群算法（ＡｄａｐｔｉｖｅＡｒｔｉｆｉｃｉａｌ ＦｉｓｈＳｃｈｏｏｌＡｌｇｏｒｉｔｈｍ，ＡＡＦＳＡ）对模型的参数进行优化，以实际工程的数据对模型进行了实例验证，并将 该模型与 ＬＳＴＭ模型的性能进行对比，结果表明，优化后模型的平均绝对误差、平均相对误差、平均绝对 百分比误差、均方根误差以及拟合度分别为 0．2259、0．0316、0．2892、0．0547以及 94．51％，即优化后 的模型预测精度最高且误差最小，稳定性最好，从而为大坝的安全分析提供了新的借鉴。     

基于多簇回声状态网络的边坡变形预测

由于边坡失稳是一个循序渐进的过程,利用时间序列分析的方法来预测边坡未来变形,有利于实现边坡的稳定性评价。相比于传统的时间序列分析方法,多簇回声状态网络（ＭＣＥＳＮ）采用动态储备池将输入信号转换为高维状态向量,选择一组最优的状态向量来表示与任务相关的输入动态。为了验证模型的有效性,采用差分整合移动平均自回归模型（ＡＲＩＭＡ）、回归支持向量机（ＳＶＭ）、长短期记忆网络（ＬＳＴＭ）和传统的回声状态网络（ＥＳＮ）以及ＭＣＥＳＮ对三峡船闸高边坡位移进行建模与分析,通过对比均方根误差（ＲＭＳＥ）和复相关系数,发现ＭＣＥＳＮ的预测精度和模型泛化能力更好。结果表明,ＭＣＥＳＮ在边坡变形预测具有良好的应用前景。     

STUDIES ON THE NUMERICAl SIMULATION OF UNSTEADY FLOWS

ＳＴＵＤＩＥＳＯＮＴＨＥＮＵＭＥＲＩＣＡｌＳＩＭＵＬＡＴＩＯＮＯＦＵＮＳＴＥＡＤＹＦＬＯＷＳ￥ＬｕＸｉ－ｙｕｎ（ＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａ，Ｈｅｆｅｉ２３００２６，Ｐ．Ｒ．Ｃｈｉｎａ）Ｓｕｐｅｒｖｉ...     

基于ＬＳＴＭ模型的北威克试验站小流域实时径流预报

为探讨深度学习方法在小流域实时精细化径流预报中的适用性，建立了基于长短时记忆网络（ＬＳＴＭ）的英格兰北威克试验站小流域实时径流预报模型。借助深度学习框架Ｔｅｎｓｏｒｆｌｏｗ，采用ＬＳＴＭ识别输入特征及输入输出间的复杂非线性关系，将逐时段流域径流、前期降雨及气温三要素作为输入，分析了多种输入组合和多个时间步长的实时径流预报效果。结果表明:基于ＬＳＴＭ的模型在各子流域的径流预报效果较好，训练期和验证期的纳什系数均高于0．90，该模型可用于研究区的实时径流预报，可为流域防洪调度提供技术支撑。     

BP神经网络和灰色系统预测模型在深基坑地表沉降中的应用

简单地介绍了BP神经网络与灰色系统GM（1,1）模型原理,并利用MATLAB语言及其工具箱,结合某深基坑工程的地表沉降监测数据编制了预测预报程序,实现了地表沉降数据的预测预报。分析了这2种模型的预测结果。     

基于小波去噪的灰色马尔柯夫基坑变形预测

结合营口某深基坑开挖工程实例,提出一种小波去噪和无偏灰色马尔科夫链联合建模的方法,对该深基坑的围护结构进行变形预测分析。首先是采用小波去噪的方法处理监测数据,从监测数据中提取能够准确反映基坑围护结构变形的数据,利用提取出的变形数据建立灰色马尔科夫模型进行变形预测分析。在工程的实践中表明,采用小波去噪后的变形数据建立的灰色马尔科夫模型,无论是中期还是初期都保持较高的预测精度。更多还原     

考虑位移滞后效应的降雨型滑坡 ＳＳＡ-ＤＥＬＭ位移预测模型研究

针对东南丘陵山地降雨型滑坡变形发展特征，现有滑坡预测模型应用存在局限，结合滑坡变形特点研究基于智能算法的滑坡预测模型。以福建安溪尧山滑坡为例，选取2019年9月至2022年6月滑坡监测数据进行研究，采用集对分析、灰关联法、麻雀搜索算法及深度极限学习机对滑坡位移进行预测，提出了一种考虑滑坡位移滞后时间基于深度学习的滑坡位移预测模型。结果表明:ＳＳＡ-ＤＥＬＭ模型的ＭＡＥ、ＭＡＰＥ、ＲＭＳＥ相较于已有的ＢＰ神经网络、ＳＶＭ模型均更小，同时模型结合了滑坡影响因子以及水位－位移滞后特征，具有明确的物理意义，位移预测效果较好且精度较高，可推广应用于类似的滑坡位移预测中。     

基于支持向量机的边坡稳定性系数预测及变量分析

边坡稳定性研究对于地质灾害的防治尤为重要,为了研究不同机器学习模型的边坡稳定性预测效果,以边坡稳定性系数为预测对象,选择重度、黏聚力、内摩擦角、边坡高度、坡角、孔隙压力比为输入变量,建立了基于支持向量机（ＳＶＲ）的边坡稳定性系数预测模型。研究了不同核函数对 ＳＶＲ模型预测结果的影响,对比了 ＳＶＲ模型与极限学习机（ＥＬＭ）模型、ＢＰ神经网络模型的预测效果,分析了各输入变量对 ＳＶＲ模型与 ＥＬＭ模型预测性能的影响。结果表明:基于 ＳＶＲ的边坡稳定性系数预测模型的预测效果较好,其中采用了 ＲＢＦ核函数的 ＳＶＲ模型预测效果较好,平均绝对误差为 8．10％,均方根误差为 0．034;输入变量对 ＳＶＲ模型与 ＥＬＭ模型的影响较大,剔除各变量后 ＳＶＲ模型预测结果的均方根误差变化小于 0．02,因此本文建立的 ＳＶＲ模型具有更好的稳定性。     

南水北调中线工程水位的水动力-神经网络 耦合预测模型

南水北调中线工程通常以闸前常水位调度运行，而水位在闸门调控影响下多数处于非平稳状态，探索其变 化规律对于监测数据和研究方法均有一定限制和要求。监测数据方面，针对大量的高频监测数据选取均值滤波、 滑动平均值滤波、递推中位值平均滤波法、滑动小波变换进行数据预处理，提高数据质量、增强数据预测的可行 性。研究方法层面，以 BP 神经网络模型和长短期记忆（long?short-term?memory,LSTM）网络模型为主体框架，以水 动力模型的模拟数据为辅助支撑，对比单神经网络在不同工况下的预测效果，输出水动力-神经网络组合预测结果。 结果表明：数据预处理是数据分析和预测的必要环节，高频数据滤波处理再预测可以提高数据预测的精度；均值 滤波、递推中位数均值滤波方式对数据预处理的效果最好，指标合理时滤后决定系数（R2）精度均超过 0.95，且均 方根误差（RMSE）和平均绝对误差（MAE）不超过 0.02，准确性高；基于滤后数据进行模型构建，通过对比数据驱动 模型和数据-机理双重驱动模型的计算结果，R2维持在 0.98 附近，RMSE、MAE 维持在 0.01 左右，耦合模型具有更 好的稳定性和准确性。     

基于ELM模型的混凝土坝坝基渗压预测

为更精确的预测某混凝土坝坝基渗压变化趋势以保证大坝安全，利用混凝土重力坝渗压监测数据建立基于极限学习机（ＥｘｔｒｅｍｅＬｅａｒｎｉｎｇＭａｃｈｉｎｅ，ＥＬＭ）的大坝基础渗压预测模型，并与传统逐步回归和传统ＢＰ神经网络方法进行对比。结果表明:ＥＬＭ模型能够准确反映大坝坝基渗透系统的不确定性非线性关系，相比于逐步回归模型，ＥＬＭ模型则可使ｈｒｍｓｅ减幅至少有３４．１％，误差区间降低有３６．５％。ＥＬＭ模型在精度和稳定性上均优于其余２种模型，其仿真曲线与测点渗压实测动态基本一致。该模型可作为渗透压力预测的推荐模型。     

基于克里金代理模型的富水砂砾石层深基坑地表沉降预测

针对沉降监控预测等大型深基坑施工风险控制难点,为确保工程及周边环境安全,解决基坑监测中的空白现象和揭示基坑开挖监测点后期的沉降趋势,引入克里金代理模型预测深基坑开挖的地表沉降变形规律。以长沙晚报大道地铁站深基坑为例,基于MATLAB编制的Kriging工具箱DACE,对监测到的数据进行前期处理,采用相应的非线性克里金代理模型计算分析了两个监测点的沉降变形值。通过现场实测数据对比,结果表明:预测结果能够满足工程要求,误差均在5%以内。随基坑开挖深度和监测数据样本量不断增加,相应计算结果的误差逐步降低,表明该方法是合理可行的,能够以监测点数据对基坑监测盲点进行模拟预测,相对准确地计算出沉降变形。研究成果为高地下水位区域基坑、隧洞工程安全施工提供科学依据。     

GPS网坐标与地面网坐标转换的新方法

ＧＰＳ网坐标与地面网坐标转换的新方法王登杰，赵其芬（山东工业大学）（山东省水利科学研究院）ＧＰＳ（ＧＬＯＢＡＬＰＯＳＩＴＬＯＮＩＮＧＳＹＳＴＥＭ）是美国研制的新一代卫星导航系统，它可向全球提供连续的、快速实时的、高精度的三维坐标。由于它有不受气候条件...     

隧洞施工成套设备

隧洞施工成套设备Ｐ·雷诺斯主题词隧洞施工，掘进机，辅助设备，简介，水力发电工程在地球的两端，阿特拉斯·科普科公司的隧洞施工设备正在两个重要的水电工程——装机２４００ＭＷ的巴昆（Ｂａｋｕｎ）（马来西亚）和装机１７７ＭＷ安戈斯图拉（Ａｎｇｏｓｔｕｒａ）（...     

国际泥沙研究2000目录(Vol.15)

土壤侵蚀和产沙量产沙量与地貌的关系研究—以几种密西西比河土壤为例 (Ｎｏ .1,ｐｐ .1- 16 )Ｍ .Ｊ .Ｍ .Ｒ ＭＫＥＮＳ ,Ｋ .ＨＥＬＭＩＮＧ ,ａｎｄＳ .Ｎ .ＰＲＡＳＡＤ(美国 ,德国 )浅沟侵蚀过程 (Ｎｏ .1,ｐｐ .31- 41)ＪａｖｉｅｒＣＡＳＡＬ ,ＳｅａｎＪ .ＢＥＮＮＥＴＴ ,ａｎｄＫｅｒｒｙＭ .ＲＯＢＩＮ ＳＯＮ(西班牙 ,美国 )流域综合河流模型 (Ｎｏ .1,ｐｐ .42 - 5 0 )ＣｈａｒｌｅｓＷ .ＳＬＡＵＧＨＴＥＲ ,ＰｅｔｅｒＧＯＯＤＷＩＮ ,ａｎｄＲｉｃｋＭＡＲＢＵＲＹ(美国 )流域产沙量和牧场保护 (Ｎｏ .1,ｐｐ .5 1- 5 9)Ｌ…     

基于灰色模型的基坑变形预测评价

基坑开挖施工必然会引起基坑以及支护结构的变形稳定问题,采用灰色系统预测理论建立了深基坑变形的非等时距GM(1,1)预测模型,利用某工程实例的实际监测数据对基坑各阶段的变形进行预测,通过对预测成果与实际值的对比分析,对应用灰色模型预测基坑变形给予了评价。     

深基坑变形特性的离心模型试验、数值计算与现场实测对比分析

依据背景工程特点进行抽象简化,得到合适的离心模型试验方案,采用离心模型试验分析紧邻地铁枢纽深基坑工程变形特性。同时建立三维有限元模型对上海地区某紧邻地铁超深基坑变形特性进行数值模拟,分析中土体本构关系采用考虑土体小应变特性的HSS模型进行描述,并与现场实测结果进行对比分析。研究表明:模型试验、理论计算及现场实测3种方法所得出的深基坑变形特性定性规律基本一致,但在量值上有较大的差别,其中采用考虑土体小应变特性的HSS模型能够较好地模拟超深基坑的变形特性。     

基于局部强度折减ＮＭＭ的岩质边坡稳定性分析

为进一步完善岩质边坡安全系数及相应滑落面的确定手段,借鉴ＮＭＭ模拟大变形、大位移的优势,考虑边坡实际的局部损伤性,提出局部强度折减ＮＭＭ（ＬｏｃａｌＳｔｒｅｎｇｔｈＲｅｄｕｃｔｉｏｎＮｕｍｅｒｉｃａｌＭａｎｉｆｏｌｄＭｅｔｈｏｄ,ＬＳＲ－ＮＭＭ）,并将其应用到重庆兴隆隧道进洞口边坡稳定性评价中,与传统强度折减法、现场监测数据对比分析,且与自主研发的ＧｅｏＳＭＡ－３Ｄ系统进行耦合。研究结果表明:相较于传统强度折减法,局部强度折减ＮＭＭ与现场监测点位移数据拟合度更好,阐明了该方法具有一定精度及其可行性。该边坡最危险滑落面安全系数为１．１７６,且获得的滑落面位置与现场监测数据吻合度较高,与ＧｅｏＳＭＡ－３Ｄ系统耦合效果良好,并给出了相应治理方案,为现场灾害治理提供了参考性意见。     

GSTB MCAI的智能特性设计与实现

通过分析计算机软件技术基础（ＣＳＴＢ）多媒体计算机辅助教学（ＭＣＡＩ）软件的结构和抽象模型，着重讨论了该软件学习的智能特性及其实现过程。     

灰色神经网络在深基坑位移预测中的应用

将灰色神经网络模型GNNM（1，1）应用于深基坑支护结构位移预测中，以润扬长江公路大桥南汉桥南锚锭深基坑为例进行实例分析，结果表明：GNNM（1，1）模型的预测结果与实测结果拟合得很好，比GM（1，1）有更强的适应性，对基坑工程三类位移增长曲线能较好地模拟，可较准确地预测基坑支护位移。     

填海造地道路软基沉降的不同数据序列GM（1，1）预测模型

为了研究不同样本数据序列GM（1,1）灰色模型在填海造地道路软基沉降预测中的实用性和有效性。结合工程实例,以软基沉降监测数据为依据,分别选取堆载预压恒载期的10组和20组实测地基沉降数据作为样本数据序列,建立了相应的GM（1,1）灰色预测模型,对软土地基固结沉降进行了预测,并将两种不同数据序列灰色模型预测结果与现场实测数据进行了对比分析。研究结果表明：GM（1,1）灰色模型所得预测曲线与实测曲线变化趋势基本一致,预测值与实测值吻合较好,实测曲线比预测曲线收敛较快,较多样本数据序列灰色模型所得预测精度更高。