基于EMD的小波神经网络模型预测大坝变形

针对大坝变形预测中非平稳非线性的数据处理问题,以及小波神经网络(WNN)在预测中无法实现自适应多分辨率分析的不足,提出一种基于经验模态分解(EMD)的小波神经网络预测模型(EMD-WNN)。利用经验模态法将变形时间序列分解成具有不同物理尺度特征的变形分量,以便降低其非平稳性;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量,并分别对其建立WNN模型;最后叠加各预测值即为最终预测结果。算例与多元回归模型、BP神经网络模型和WNN模型对比分析表明,该算法预测精度较高,可用于大坝变形预测。     

神经网络模型在大坝变形预测中的应用研究

根据水电站大坝多年的变形观测数据,基于神经网络模型方法预测大坝的变形。研究中应用MATLAB工具箱建立BP网络模型,预报大坝的变形。结果显示准确性较好,填补了空白观测时间阶段的变形数据。     

NARX神经网络在大坝变形预测中的应用

针对大坝变形时间序列的非线性及形变值累计特性,引入NARX神经网络进行分析并实现变形预测.首先,NARX神经网络通过非线性自回归网络与外源输入相结合,较好地解决了传统BP神经网络存在的收敛速度慢和易陷入局部极值等问题;其次,建立基于NARX神经网络的大坝变形预测模型,对原始数据预处理后采用周期为输入序列、变形值为输出序...     

基于CEEMDAN-PSR-KELM的大坝变形预测

为提高大坝变形预测精度,针对大坝变形监测序列的非线性、非平稳性等特点,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)-相空间重构(PSR)-核极限学习机(KELM)的大坝变形预测模型。首先利用CEEMDAN算法将大坝变形监测序列分解成为若干不同频率的子序列,然后对各序列进行相空间重构,依据重构的各个子序列分别建立相应的KELM预测模型,最后对各子序列预测结果进行叠加求和得到最终预测结果。通过实例对比分析表明,该模型在大坝变形预测中预测精度较高,对于大坝变形安全监测具有一定的实用价值。     

基于MLR-WNN的大坝变形预测

针对大坝变形预测中非平稳非线性的数据处理问题,为克服多元线性回归模型(MLR)在处理非线性数据方面的不足,将小波神经网络模型(WNN)引入到多元线性回归模型里面,提出一种基于多元线性回归和小波神经网络的大坝变形预测模型(MLR-WNN)。首先,针对温度、水位、时效因子和大坝变形实测值,建立多元线性回归模型,再对其产生的误差建立小波神经网络模型进行修正,最后得到大坝变形预测值。经算例验证并与多元回归模型和WNN模型对比分析,结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果。     

基于QPSO-RVM模型的大坝变形预测研究

根据相关向量机(RVM)原理,选择合适的核函数类型,运用量子粒子群(QPSO)算法对核参数进行优化运算,建立QPSO-RVM模型。运用QPSO-RVM模型对大坝变形监测数据进行预测,并将预测成果与多元统计回归分析成果进行对比研究。结果表明,QPSO-RVM模型的拟合及预测精度明显优于多元统计回归模型,具有工程运用价值。     

ACO-BP神经网络模型在大坝变形区间预测的应用研究

近年来随着引水工程的不断建设,工程地质及施工条件愈发复杂,大坝安全和稳定性评价变得尤为重要。文章利用某土石坝工程的变形监测统计资料,建立神经网络预测模型定级预测大坝的变形区间,结合预测结果分析不同模型的适用性,得出ACO-BP神经网络在大坝变形区间预测更贴合实际,在实践分析中应用价值广泛。     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

基于EEMD-PCA-ARIMA模型的大坝变形预测

针对大坝观测数据中存在的噪声容易掩盖实际变形曲线走势的问题,提出一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和自回归移动平均模型(ARIMA)的大坝变形预测方法。通过对观测数据进行EEMD和PCA,从而构建映射矩阵,然后利用映射矩阵对原始数据构建的样本矩阵进行转换,实现消噪效果,进而对处理后的观测数据进行ARIMA建模预测,据此构建EEMD-PCA-ARIMA模型。依据所提出的模型对实际大坝坝顶水平位移观测数据进行预测分析,并与实测数据和经直接去掉高频分量消噪后的ARIMA预测模型、ARIMA预测模型、BP神经网络模型预测模型进行对比分析。结果表明:此方法能够更好地获取大坝的实际变形曲线,对于大坝变形预测而言是一种有效的方法。     

基于神经网络的基坑变形动态预测研究

基坑开挖过程中,需要根据实际情况及建筑安全等级进行严格的变形控制,有效的变形预测能更好地指导施工。根据某基坑工程现场监测数据,应用MATLAB 7神经网络工具箱,建立了基于BP网络的基坑变形多步预测模型A和动态预测模型B,并与广义回归网络建立的模型对比。结果表明,动态预测的精度明显高于多步预测模型;在变形数据随时间递增的情况下,BP神经网络比广义回归网络动态预测精度高,泛化能力强,平均预测误差约3.3%,能满足实际工程要求。更多还原     

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。     

基于神经网络的金盆水库大坝应力预测

针对金盆水库原形观测——大坝应力的温度效应、时变效应，通过对比神经网络各种算法的优缺点，提出一种能够在线学习、在线预测的递推径向基函数神经网络，用于监测可能造成大坝纵横裂缝的大坝应力。实际数据的仿真预测结果与以往算法相比，克服了以往算法只能离线训练，或在线训练费时、耗内存的缺点，显示了一定的有效性和实用性。     

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。     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。     

基于PLS和GA的大坝变形神经网络预测模型

针对大坝安全监控模型中各因子间的多重共线性和非线性,利用偏最小二乘回归法解决了多重共线性,用经遗传算法优化的RBF神经网络解决了非线性,建立了PLS-GARBF大坝水平位移预测模型.实例应用结果表明:PLS-GARBF模型的预测精度优于独立使用RBF或GARBF的精度,更适合大规模的数据建模.     

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AFSA-灰色神经网络模型的大坝裂缝预测

针对灰色神经网络模型的权值和阈值是人工随机初始化的,当对相关问题进行预测时,容易陷入局部最优解,导致预测精确度偏低的问题,采用人工鱼群算法(AFSA)对灰色神经网络的初始参数进行优化,构建AFSA-灰色神经网络预测模型,并利用该模型对某大坝的裂缝开度进行预测。与传统的BP神经网络、灰色神经网络的预测结果对比表明:AFSA-灰色神经网络模型的预测精确度更高,可以对大坝裂缝开度进行预测。