小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测

为预测太湖梅梁湾叶绿素a浓度,建立了基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测模型,即通过灰色关联分析选取总磷、CODMn、水温、pH值、悬浮质为BP神经网络的输入变量,采用人工蜂群(ABC)算法优化网络权值与阈值,构造基于ABC算法优化的BP(ABC-BP)神经网络模型,预测出2014年1月~2015年12月的梅梁湾叶绿素a浓度。结果表明,经ABC算法优化后,BP网络模型预测梅梁湾叶绿素a浓度的最大绝对误差从3.54μg/L减小到1.28μg/L,最大相对误差从41.57%减小到20.62%,平均相对误差从8.83%减小到3.31%,可以提高梅梁湾叶绿素a浓度预测的准确性。     

基于小波神经网络的福利院滑坡深部位移预测研究

针对滑坡位移监测较为复杂的问题,基于福利院滑坡处水文地质工程地质条件,将BP小波神经网络预测模型引入滑坡变形监测预报中,预测了福利院滑坡变形趋势,并与BP神经网络的预测结果做了比较.结果表明,BP小波神经网络预测结果明显优于Bp神经网络,且训练次数大幅减少、自适应能力强、预测精度高.     

基于经验模态分解和支持向量机的大坝变形预测

为提高大坝变形预测精度,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的大坝变形预测新算法(EMD-SVM)。该算法先对大坝位移序列进行经验模态分解,有效分离出隐含在时序中的非线性高频波动成分和低频趋势成分;然后应用支持向量机对各分量进行建模预测;最后叠加各分量预测值得到预测结果。通过算例验证,并与BP神经网络、支持向量机对比分析表明,该算法具有较强的泛化能力和自适应拟合能力,能在一定程度上保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。     

基于PSO-WNN的大坝安全监控模型研究

针对大坝安全监控中小渡神经网络模型(WNN)训练时间较长且易陷入局部极小值的缺陷,提出采用粒子群优化算法(PSO)取代传统的梯度下降法对小波神经网络中的各参数进行优化.建立了PSO-WNN模型并用于大坝安全监测的拟舍和预报.实例结果表明,PSO-WNN模型收敛速度快、预测精度及稳定性高,为大坝变形监测分析提供了一种有效的新型建模方法.     

多测点多方向BP网络模型在大坝变形监测中的应用

鉴于大坝变形监测资料分析是大坝结构性态安全评价与预报的重要手段,针对单测点模型存在的缺点,建立了既考虑坝体不同方向的位移又考虑空间多个测点分布的多测点多方向位移模型,并利用BP神经网络较强的非线性映射能力,直接选取了对大坝变形有较大影响的自变量因子,解决了在建立大坝多测点多方向传统模型时自变量因子数众多、计算工作量大等问题。实例应用结果表明,多测点多方向BP网络模型可反映大坝变形的分布及变化规律,可见采用BP神经网络建立大坝多测点多方向变形监测模型具有可行性和有效性。     

RBFNN在大坝变形长期预测中的应用

针对大坝变形预测模型长期预测精度较低的问题.提出了一种基于中心等分布的RBFNN长期预测模型,以东江流域某混凝土双曲拱坝为例进行了长期预测,并在同等条件下与BP神经网络和多元回归预测模型进行了比较.结果表明,该模型预测精度较高,具有良好的适用性.     

基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。     

基于CM-AFSA-BP神经网络的土石坝渗流压力预测

针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。     

基于萤火虫算法的大坝安全监控BP网络模型及其应用

为改善大坝安全监控BP神经网络模型易陷入局部极值的问题,引入萤火虫算法,用来获取BP神经网络的连接权值和阈值的初始值。依据大坝安全监测数据,借助改进后的BP神经网络,实现大坝安全监控模型的构建和安全状况预测。实例验证结果表明,改进模型较常规BP神经网络模型的训练效果更稳定,预测精度更高。该方法具有一定的实用价值。     

PSO-RBF在大坝变形监测中的应用

针对传统径向基神经网络(RBF)在大坝安全监测应用中易陷入局部最优及预测精度不高的问题,引入粒子群算法(PSO),对输入的大坝安全监测数据进行初步的聚类处理,找出初步聚类中心后令其为PSO的初值,根据运算法则更新初值以寻求适合训练数据的最优基函数中心。以小湾大坝为例,应用Matlab仿真模拟计算了大坝变形量,结果表明PSO-RBF与传统RBF的拟合效果都很好,PSO-RBF预测准确度更高。     

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。     

基于深度学习的大坝变形预测模型

鉴于高性能的混凝土坝变形动态预测模型是预测结构性态演化、评价安全服役状况和保障稳定高效运行的关键措施。以混凝土坝原型变形监测数据为基础,借助开源深度学习框架TensorFlow建立了基于深度学习的混凝土坝变形预测模型。工程实例应用结果表明,基于深度学习的混凝土坝变形预测模型各项评价指标均优于现浅层神经网络模型和传统的统计模型,实现了动态高精度预测混凝土坝运行性态,具有很强的工程实用性。     

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。