基于统计和混沌优化BP神经网络融合模型的大坝变形预测分析

变形是大坝结构性态动态演化的重要效应量,对其准确预报是保障大坝安全运行的基础。针对大坝变形监测数据序列中存在的混沌现象,采用混沌相关理论对统计模型中的残差序列进行混沌动力学特性分析,揭示其混沌特性并进行相空间重构。同时,利用BP神经网络处理非线性问题具有的优点,建立统计和混沌优化BP神经网络融合预测模型,将其用于工程实例。工程实例表明,该模型精度高于传统统计模型,在大坝变形安全监控中具有一定的应用价值。     

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。     

相空间神经网络模型在大坝安全监控中的应用

本文将混沌理论和神经网络理论相结合，并针对某一混凝土重力坝水平位移实测值建立相空间模糊神经网络预报模型。首先对水平位移的实测序列，进行相空间重构，求算关联维，说明该序列存在混沌成分和奇异吸引子；应用自适应模糊神经网络，对水平位移实测序列构成的相点，建立相空间神经网络模型。计算结果表明，相空间神经网络模型用于大坝监控中是可行的，其预报精度优于常规的统计回归模型，能揭示大坝的非线性性质，能更好地对大坝运行性态进行分析。     

大坝变形观测资料分析的组合模型

大坝变形观测资料分析对大坝安全维护有极其重要的意义，灰色分析、回归分析和时间旬分析技术是根据大坝变形序列特征，采用数学手段逐步提取趋势、周期、随机３种成分，对不同的成分分别建立不同的模型，从而构成了一种组合模型，它可较客观地描述大坝运行工况，拟合精度较高且有直接预报功能。模型不易受少数错误观测值干扰，对含有特异值的大坝变形观测序更分析是非常有利的。该模型已得到了应用，其结果与为生产单位采用。     

大坝变形中改进回归预报方法的探讨

本文透过目前大坝变形中回归方程预报精度不够理想这一现象,通过分析,指出了现有回归分析中所得残差序列不满足相互独立且服从同一正态N(0,σ)分布的要求。为此作者建议用动态分析中的AR(P)模型对回归残差进行模拟,进而提出了对目前回归预报的改进方案。该方案通过一些实例计算表明是一种值得进一步探讨的方向。     

分位数回归在大坝变形监测中的应用

研究了基于分位数回归的大坝变形监测预测模型,并结合实例进行分析和预报,通过与多项式模型及指数平滑法的拟合精度和预测结果的比较,证明分位数回归法有很好的拟合效果和预测精度,可以很好地应用于大坝变形监测的数据处理中.     

小波和混沌神经网络在大坝变形预测中的应用

大坝是复杂的变形系统,其变形表现为动态非线性,也存在混沌现象。为充分利用大坝变形监测位移时间序列,实现位移单变量情况下的准确预测,提出了一种小波和混沌神经网络预测新方法,首先对大坝位移变形监测数据进行小波分解,其次对分解后的平滑信号进行傅里叶函数拟合预测,再对细节信号进行软阈值去噪和混沌神经网络预测,最后将预测信号进行小波重构。通过工程实例对比分析了小波和混沌神经网络预测新方法、神经网络模型、多元回归模型在大坝位移变形预测中的精度。结果表明,小波和混沌神经网络预测方法的预测精度最高,可以应用于大坝变形预测。     

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SVM-ARIMA的大坝变形预测模型

大坝变形的实测值序列是一个非线性、非平稳的时间序列,支持向量机引入核函数后能有效解决非线性问题,因此可用支持向量机对大坝变形进行预测。为了提高预测精度,进一步对残差序列进行分析,通过ARIMA模型对残差序列进行预测,建立了SVM-ARIMA组合模型。将大坝变形时间序列分为趋势项和误差项,分别用SVM和ARIMA模型进行预测,综合两项结果得到模型的预测值。结合实测资料对模型进行检验,结果表明组合模型精度较高。     

大坝变形监测统计模型与混沌优化ELM组合模型

变形是反映大坝动态演化的重要效应量。为了提升统计模型预测能力,借助极限学习机(ELM)处理非线性问题的优势,对大坝位移的统计模型残差进行数据挖掘。而极限学习机欠缺对混沌动力特性的考虑,为了解决这个问题,采用混沌理论对统计模型残差进行了混沌动力学特性分析,揭示其混沌特性,并据此重构相空间,从而为混沌优化极限学习机提供先验知识。基于统计模型,结合极限学习机和混沌理论的优点,建立统计模型与混沌优化ELM的组合模型。将该组合模型应用于工程实例,由多个定量评估指标对模型进行性能评价,结果表明,组合模型建模合理,预测精度高于统计模型、统计模型与混沌优化BP神经网络组成的组合模型,在大坝变形监测中具有一定的应用价值。     

基于粒子群仿生算法的混凝土坝变形预报模型

将粒子群算法引入大坝安全监控领域,并结合多元回归统计模型,建立基于粒子群算法的混凝土坝变形预报模型。利用粒子群算法的全局寻优能力以及该算法具有正反馈信息的仿生特点,通过优化迭代计算,确定坝体变形统计模型中各回归系数。工程实际应用表明,基于该模型的预报结果与传统的最小二乘法相比,可显著提高混凝土坝变形的预报精度,所以该模型的预报应用是可行的。     

拱坝变形监测预报的随机森林模型及应用

大坝变形预报对大坝运行安全评估起着至关重要的作用。传统模型预报精度不够、模拟效果不稳定;若大坝变形数据有异常值时,传统机器算法模型识别和处理异常值的灵活性很小,导致预报结果有偏差。为了解决这些问题,首次将随机森林算法运用到大坝变形监测领域,将大坝测点根据随机森林相似性矩阵分成若干个子集,针对每一个子集建立随机森林预测模型,分区建立预测模型更符合工程实际情况。选取拱坝变形作为研究对象,验证所建模型的适用性。结果表明,根据随机森林的相似性矩阵对大坝各测点的分区情况符合物理和工程实际意义,对各分区子集测点利用随机森林模型建立的预测模型,与支持向量机、BP神经网络模型相比,预测结果精度较高、模型稳定性好,为大坝变形监测提供了新思路。     

基于时间序列的大坝早期变形预测

大坝早期变形是一个含有已知和未知因素的不确定的复杂过程,沉降变形计算和预测在水库运营管理中具有重要意义。针对大坝变形沉降曲线非平稳的特性,利用时间序列原理建模进行预测,并与实测数据进行比较。结果表明,时间序列预报模型较好地描述了变形监测点的变化规律,预测精度优于灰色模型,更适用于实际应用。     

基于混合蛙跳算法的混凝土坝加权变形预报模型

利用混合蛙跳算法的优化特点,将大坝安全监控统计模型的求解转换为多目标函数的优化问题;引入调整系数修正回归因子,考虑调整系数与回归因子之间的协调关系,利用混合蛙跳算法同步确定调整系数和回归系数,建立基于混合蛙跳算法的混凝土坝加权变形预报模型。工程算例应用结果表明,该模型具有较优的中长期预报能力,可提高大坝安全监控统计模型的预报精度,在大坝安全监控领域具有一定的工程应用意义。     

混凝土坝变形组合预报模型的蛙跳建模方法

混凝土坝变形的影响因素多而复杂,监测数据包含大量的不确定性信息,因此依据多种建模方法建立的各单一模型的预报效果各不相同.组合模型能够弥补单一模型的局限性,如何在建模过程中使权重系数实时反映单一模型对监测信息的变化,是组合模型建模的关键.从优化极值角度考虑各单一模型中未知量与权重系数之间的相互性,利用蛙跳算法(SFLA)的分布式全局优化性能同步确定其值,提出相应的蛙跳优化建模方法.混凝土坝变形长期监测资料的应用表明,该方法具有良好的预报效果,简化了组合模型的确定过程,提高了模型的预报能力,为混凝土坝变形预报分析提供了新的计算方法.     

大坝安全监控模型因子相关性及不确定性研究

针对最小二乘法难以克服因子多重共线性对回归模型精度影响的不足，本文对大坝安全监控模型因子间的相关性及其不确定性进行了研究。引进偏最小二乘法，对大坝安全监测变量及其影响因子进行偏最小二乘回归分析，将建模预测分析方法与非模型式的数据内涵分析有机结合，可同时实现回归建模、数据结构简化以及因子相关的不确定性分析，所建立的大坝安全监控模型，其精度可通过交叉有效性检验来控制。工程应用实例和模型对比分析研究表明，偏最小二乘回归模型能有效克服各类因子变量间的多重共线性对模型拟合精度及其预测能力的影响，因而比目前常用的最小二乘回归模型更具广泛适用性。     

基于LMD与样本熵的多尺度大坝变形预测

针对大坝变形数据的多尺度特征,将局域均值分解、样本熵及高斯过程算法应用于大坝变形预测中,提出了多尺度大坝变形预测新模型。首先利用局域均值分解算法对变形数据进行多尺度分析,挖掘变形数据隐含的信息,随后根据各变形分量特征,构建基于高斯过程的多尺度大坝变形预测模型,并利用样本熵对模型进行简化。通过实例分析,证实该大坝变形预测新方法精度高于BP网络和最小二乘支持向量机模型。     

灰色模型改进的大坝变形分形几何监控模型

为了对大坝安全进行准确监控,利用分形几何理论预测大坝变形。针对一般常维分形分布不能很好分析大坝变形数据的问题,对监测数据进行N阶累计和变换,对变换后的数据利用分段变维分形模型计算各阶变形维数序列,再选择效果较好分形维数已知序列预测未知分形维数,最后反推大坝变形预测数据。针对传统变维分形预测模型分形维数预测方法的不确定性和所需监测数据量大的缺点,利用灰色模型预测分形维数,建立改进的大坝分形几何监控模型。结合工程实例,对比插值法预测分形参数的传统分形几何预测模型和灰色模型改进后的预测模型之间的预测精度,结果表明,改进分形模型不仅在预测精度上有所提高,而且更具稳定性和抗波动性。     

重力坝变形统计回归分析模型及工程应用

通过对一水电站重力坝多年变形监测资料的分析,考虑水位、温度和时效对大坝变形的影响,采用逐步回归分析法建立了重力坝变形统计回归分析模型。计算结果表明：变形统计值与变形监测值吻合较好,统计复相关系数较大,估计标准误差较小。统计回归分析模型较标准地反映了大坝的变形规律,为评价大坝运行安全性态、预测大坝变形发展趋势提供了有效的分析方法和手段。     

梅山水库大坝河床段变形监测资料分析

为分析梅山水库大坝河床坝段变形规律,定量识别各因素对河床段变形的影响,通过分析大坝10#和11#垛坝段的变形监测资料,建立回归统计模型进行拟合,再选取典型特征年(2021年)监测数据进行各分量的分离。结果表明：水库河床坝段其X向位移较小,Y向位移呈年度周期性变化;谐波因子的逐步回归模型能够较好反映变形规律,复相关系数为0.8~0.95;河床坝段的位移主要是受温度的影响。