基于长短期记忆网络的黄河小浪底水库高斜心墙堆石坝沉降预测模型及其预测精度分析

针对黄河小浪底水库高斜心墙堆石坝沉降预测精度低,无法准确反映大坝运行性态等问题,基于黄河小浪底水利枢纽主坝沉降监测数据,引入长短期记忆网络(LSTM)方法建立高斜心墙堆石坝沉降预测模型对主坝沉降进行预测,并对不同损失函数下模型优化过程进行分析,最终选定平均绝对误差作为损失函数。预测结果表明,LSTM方法各项指标结果均优于随机森林算法和BP神经网络算法,可实现高精度预测大坝运行性态,具有较高实用性,可为水库大坝沉降预测及工程运行管理提供借鉴和参考。     

基于优化果蝇算法和统计模型的混凝土坝变形预测模型及应用

鉴于构建大坝安全监测模型时传统统计模型拟合精度受样本系列长度、资料可靠性、拟合方法等多种因素影响,提出一种基于优化果蝇算法和统计模型的混凝土坝变形预测模型,利用优化果蝇算法对统计模型各项系数进行优化,以提高统计模型的预测精度。对某混凝土拱坝变形的拟合和预测结果表明,相比于统计模型,基于优化果蝇算法和统计模型的变形预测模型预测精度更高,拟合效果更好。     

混凝土坝变形监控模型的随机森林与旗鱼优化组合建模方法

随机森林算法具有实现简单、训练速度快等优点,在大坝变形监控模型领域应用广泛。传统随机森林算法主要采用主观经验或网格遍历进行模型参数标定,然而经验选取参数偶然性大,网格遍历效率过低。为解决此问题,提出一种随机森林与旗鱼优化组合建模的方法(SFO-RF),即利用旗鱼优化算法全局搜索随机森林算法的最优参数,再将最优参数信息传递给随机森林算法进行数据训练。以某混凝土坝变形监测为例,采用SFO-RF建立大坝变形监控模型,选取均方差、均方根误差、相关指数分析其预测效果。与传统取参方式的随机森林模型相比,SFO-RF算法对模型参数的优化有效,提高了模型的预测精度和收敛速度。     

基于SCE-UA/SVM的大坝变形预测模型研究

为提高大坝变形预测模型的精度,采用复合形交叉进化算法(SCE-UA),以均方根差最小为目标来优化支持向量机(SVM)的参数,从而建立了基于SCE-UA/SVM的大坝变形预测模型,并结合实际监测数据,对比分析了该模型与统计模型的优劣。结果表明,该模型能够提高大坝变形的预测精度,为大坝变形预测提供了一种新的思路。     

基于蛙跳算法与卡尔曼滤波的大坝位移预测模型优化

为提高传统大坝位移统计模型的预测能力,引入蛙跳算法和卡尔曼滤波等,基于最小二乘法确定统计模型回归系数,采用蛙跳算法对回归系数进行优化;运用卡尔曼滤波法将回归系数作为状态方程的状态向量,使预测模型能实时反映监测数据的变化。工程算例应用结果表明,基于蛙跳算法与卡尔曼滤波的大坝位移预测优化模型能有效提高统计模型的预测精度,可为大坝位移预测提供参考。     

基于熵权法的组合模型在大坝渗流预测中的应用

针对大坝安全监控中单一预测模型预测精度较低的问题,基于多元线性回归预测模型和BP神经网络模型,应用熵原理提出一种新的线性组合预测模型,并结合某大坝渗透压力实际观测资料对该组合预测模型进行实用性检验。结果表明,短期内三种模型均具有较高的预测精度,但预测长度增加后,该组合预测模型预测精度更高。     

基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型

传统的混凝土拱坝位移预测模型仅考虑各类影响因子对预测结果的影响,未充分挖掘残差序列中的有效信息。为此,首先运用关联向量机(RVM)结合粒子群(PSO)算法建立拱坝位移预测的PSO-RVM模型;然后采用奇异谱分析(SSA)对残差序列进行分解,并根据奇异值的累计贡献率筛选分量进行重构;其次利用随机森林算法(RF)对重构序列进行预测,得到残差序列的修正值;最后将PSO-RVM模型预测值与残差序列修正值叠加,建立基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型PSO-RVM+。工程实例表明,奇异谱分析与随机森林算法能有效提取残差序列中的有效信息并对残差进行修正;相较于PSO-RVM、RVM及传统的回归模型(SWR)等位移预测模型,PSO-RVM+组合预测模型的预测性能更优、适应性更强。本研究能为大坝安全监控与健康诊断提供一种新的思路。     

基于随机森林的中长期降水量预测模型研究

为解决降水预测中存在的非线性问题,避免传统人工智能方法的过拟合弊端,提高中长期降水预测精度,引入了随机森林算法,通过优选预报因子,分别构建了年、月降水预测模型,并应用南京市1951~2013年降水系列及水文气象因子系列,验证所建模型的适用性。结果表明,随机森林模型预测精度较高、稳定性好、泛化能力强,能有效预测年、月降水量;与BP神经网络模型和支持向量机模型相比,随机森林模型效率更高、性能更优,尤其适用于大样本的逐月降水量预测中。     

基于IFOA-GNN的土石坝施工期位移预测模型

有效预测土石坝施工期的位移对大坝安全运行具有重要意义。针对基于智能学习的大坝位移预测模型存在的不足,提出了一种基于改进果蝇算法(IFOA)与灰色神经网络(GNN)相结合的土石坝位移预测模型,即通过改进的果蝇算法迭代调整灰色神经网络的权值和阈值,得到全局最佳的初始化参数,将其结果输入灰色神经网络,并将其应用于某土石坝施工期位移预测。结果表明,该预测模型预测精度高、预测结果稳定,且精度及稳定性均优于灰色神经网络模型(GNN)和果蝇算法与灰色神经网络(FOA-GNN)预测模型。     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

基于随机森林的支持向量机混凝土抗渗性预测模型研究

为了快速有效预测混凝土的耐久性,引入随机森林并结合支持向量机(RF-SVM)算法,从混凝土材料配比层面选择了影响混凝土抗渗性的16种因素,以抗氯离子扩散系数作为混凝土抗渗性评价指标,构建了基于RF-SVM的混凝土抗渗性预测模型,预测了松通桥梁项目工程混凝土抗渗性,同时与其他预测模型进行对比,分别得出均方根误差和拟合优度。结果表明,该模型回归拟合效果更佳,预测结果精度更高。     

基于逐步回归和GDCS-SVM的大坝变形预测组合模型

现行大坝安全监控技术不能按实测信号中不同频段信号特征分别选取不同监测模型进行处理,影响了大坝变形预测精度。为此,在利用小波包分解获取实测信号中的系统信号和随机信号的基础上,提出了一种基于逐步回归和GDCS-SVM的大坝变形预测组合模型,并进行了验证。工程实例表明,GDCS-SVM预测效果优于CS-SVM,而所建组合模型预测精度高于单一监测模型,具有较强的泛化能力和较好的全局预测精度,可用于大坝变形预测。     

基于逐步回归-BP神经网络的大坝变形监测模型

针对拱坝坝肩抗力体是坝体的重要受力部位,应用结合逐步回归分析方法的BP神经网络构建监测模型,以提高BP神经网络的泛化能力和模型的预测准度和精度,利用C语言编程训练,成功完成了预测,且传统模型预测数据的残差平方和大于改进后的残差平方和。实例分析结果表明,该监测模型可行、有效,并具有通用性。     

基于离差和改进的大坝变形监测粗差判别方法

随着大坝监测自动化的普及,在大坝安全分析评估中寻求可靠的粗差判别方法显得越来越重要,而基于回归统计的粗差判别准则中,由于粗差数据也会先参与回归建模,由此导致回归模型本身可能失真,从而易引发后续的误判和漏判粗差。对此,提出了一种针对混凝土重力坝变形监测的粗差判别方法。首先,计算样本中每个测值的离差和;其次,基于离差和剔除部分疑似粗差的测值,从而建立回归模型;最后,根据回归模型计算每个测值的拟合残差,并基于肖维勒准则最终确定粗差。实例仿真表明,该算法不受原始数据粗差的影响,具有更高的精度和鲁棒性。     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

ARIMA-GRNN模型在大坝安全监测中的应用

为提高大坝安全监测数据预测精度,将差分自回归移动平均模型(ARIMA)与广义回归神经网络(GRNN)相结合,建立了ARIMA-GRNN预测模型。以前期实测值和ARIMA拟合值作为GRNN网络的输入,后期实测值作为网络输出,以平均平方误差最小为原则寻找光滑因子,建立最佳的预测模型,并运用熵权法和标准离差法对各模型进行多指标综合评价。结果表明,ARIMA-GRNN模型预测精度较ARIMA模型明显提高,可应用于大坝安全监测。     

基于改进随机森林算法的渡槽位移及应力预测模型

渡槽位移及应力监测是渡槽健康监测的重要内容,其位移及应力变化与多种因素存在复杂的非线性关系,这种关系导致传统数学模型难以较准确地预测出不同环境变量影响下渡槽的位移及应力变化情况。对此,提出了一种基于随机游走思想的随机森林算法,该算法以渡槽水位、气温及水温为输入,能较准确地预测出渡槽不同测点的位移及应力。最后,通过一个数值算例,对比了该算法与已有模型算法的拟合性能和泛化能力,验证了该算法的优越性,可满足渡槽工程位移及应力预测的需要。