大坝位移测点多维变形置信域的确定

综合大坝安全监测中不同方向的位移测值信息，探索出一种获得多维变形置信域的方法，从而突破了一维变形置信区间的局限，从多维角度为大坝变形预报及监控提供了依据。     

基于EMD-EEMD-LSTM的大坝变形预测模型

大坝变形监测数据通常呈强波动性,针对大坝变形信息中的高频分量,提出了EMD-EEMD-LSTM模型对其中的大坝变形信息进行分析,预测大坝变形趋势。首先,选取EMD对原始大坝变形序列进行分解,得到若干分量;针对高频分量,使用EEMD对其进行分解,以挖掘蕴含其中的有效变形信息;最后以LSTM为预测模型,对上述得到的各分量进行建模分析。分析表明,EMD-EEMD模型可以有效解决了原始变形序列及高频分量的强波动性,结合LSTM在时序预测中的优越性,基于EMD-EEMD-LSTM的大坝变形预测模型具有较高精度。     

大坝温度变形确定性模型的测点温度法

在大坝变形安全监控确定性模型的温度变形分量中引入测点温度法,不仅可以简化计算,还可以提高安全监控模型的质量,并为大坝安全监控自动化拓宽了应用前景。     

基于奇异谱分析的大坝安全监测数据异常值识别技术研究

对基于奇异谱分析的大坝安全监测数据异常值识别技术进行了研究,证明了该技术能够对趋势性或周期性数据序列进行分析,验证了该技术在大坝安全诊断领域的适用性和有效性.基于奇异谱分析的异常值识别技术不需要预先人工建立数学模型,在测点数量较多且需要及时反馈的大坝安全智能诊断领域中有较大优势.此外,奇异谱分析不涉及对环境量的考察,因...     

BP网络在大坝变形空间多测点监测模型中的应用

利用BP网络的较强函数非线性映射能力,对大坝多个测点的变形监测数据进行了仿真及预测,所建立的空间多测点BP网络模型以水位、温度、时间、测点坐标作为输入参数,以大坝变形值作为网络输出.结果表明,通过有代表性的学习样本对网络的训练,模型的拟合及预报结果能够满足精度要求,同时,与传统的统计建模方法相比,大坝变形多测点BP网络模型具有实施容易、运行速度快、误差修正方便、操作简单、运行灵活等优点.     

大坝变形监测数据异常值检验与分析

大坝安全监测资料中可能存在一些异常测值.这些异常测值对大坝结构性态评价和大坝安全监控会产生较大影响,必须进行判断和处理.介绍了狄克松判别法和格拉布斯判别法,并对某水电厂监测数据进行了实例分析.结果表明:狄克松判别法和格拉布斯判别法对于大坝安全监测数据中有个别异常测值的情况都可以进行检验和定位.大坝变形受很多因素的影响,其异常观测值不一定就是粗差,可能包含有其他方面的信息,因此对发现的异常值需要进行综合分析.     

基于FCM-XGBoost的大坝变形预测模型

变形是评价大坝是否安全的重要指标之一.随着变形监测测点的不断增加,实现对所有测点的分析意味着消耗大量时间,往往会出现预报不及时的问题;另一方面,传统机器学习算法的引入虽然提高了预测精度,但参数选取不佳时对结果影响很大且建模过程十分复杂.引入模糊C-均值聚类(FCM)和极端梯度提升算法(XGBoost),首先对大坝的变形...     

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力，建立了一种基于卷积神经网络(Convolutional neural networks, CNN)与深度学习长短期记忆(Long short-term memory, LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征，再利用LSTM生成特征描述，该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例，经过CNN-LSTM模型计算，将模型变形预测值与原型监测资料进行对比，再与LSTM模型及CNN模型的预测结果进行对比。结果表明，CNN-LSTM模型预测值最接近监测资料实测结果。     

大坝安全监测异常测值分析及其模块的实现

 大坝安全监测资料中可能存在有一些异常测值,这些异常测值对大坝结构性态评价和大坝安全监控会产生较大影响,必须进行判断和处理。为此研究了从理论上判断和处理异常测值的方法,解决了利用计算机手段判断和处理异常测值的一些关键性技术问题,建立了大坝安全监测信息管理系统中的异常测值判断和处理模块。工程应用表明,其模块具有友好的可视化用户界面和高效可靠的判断处理能力。     

基于 BP 神经网络的大坝新多测点位移模型

大坝位移监测资料分析大多以单一测点得到的数据建立模型,这种单测点模型无法反映大坝作为一个整体各点位移之间的相互联系,也就不能真实地反映坝体的整体安全性态。为此,将多个同源测点联合考虑,通过测点之间的相关性对目标测点建模,再通过该模型推求未布置测点位置的大坝位移值,为推求大坝整体单向位移创造条件。经实例验证,这种新模型在对目标测点的位移预测和补全缺失数据两方面相对常规的单测点模型效果更佳,而且在对未知点的位移值进行预测方面也具有良好效果。     

基于SVM-MCD的大坝变形监测数据异常值判定

变形是最能直观反映混凝土坝运行性能的宏观效应量。考虑到监测数据异常值对监控模型精度与大坝安全性态诊断的不利影响,提出了一种基于支持向量机的混凝土坝变形监测数据异常值判定方法。在分析混凝土坝原型变形监测数据显性异常点的基础上,通过构建基于支持向量机理论(SVM)的高精度计算体系,充分利用结果效应量与驱动环境量之间的映射交互关系,结合最小协方差矩阵(MCD)稳健估计理论对残差序列进行异常值判定,而后将其异常确定值进行有机性替代处理,解决了内蕴复杂环境干预的监测信息挖掘难点。工程实例分析表明：所建判定系统的精准性及泛化能力均得以提升,相比于传统方法具有较好的实用性和鲁棒性,能有效地避免变形监测数据预处理中的误判漏判等困扰。此外,所提出的判定方法经一定的优化和拓展,亦可推广应用于其他水工建筑物的数据异常值判定分析。     

基于卷积神经网络的大坝安全监测数据异常识别

为了减轻大坝安全监测数据异常识别的数据处理压力,解决传统方法难以辨别非最值异常点的问题,提出利用卷积神经网络(CNN)识别大坝安全监测数据异常模式.监测数据过程线的周期性及异常值的显著差别使CNN得以发挥图像分类功能,分别将存在单个突跳点、无异常、存在震荡段、台阶、多个突跳点、台坎的监测数据过程线作为6类图像,人工生成...     

基于多测点云相似的混凝土坝变形性态关联分析

大型混凝土坝的安全监测测点数量多、布置广泛,海量监测数据给及时准确分析评估大坝安全性态带来困难,为此引入云模型理论对变形监测资料表征混凝土坝性态的差异性及关联性进行分析。将大坝每个测点的监测数据视为一个云,单个测值视为云滴,进行云参数计算获取测值序列的云数字特征,进而通过多测点的云参数,计算测点之间的相似度和相似系数,用以表征不同测点反映大坝整体变形状态的差异和相关性。实例分析表明,云相似度能够迅速发现同类坝段中的异常测点,通过云相似系数的聚类分析实现测点分组,在实现大坝变形性态关联分析的同时,测点分组管理可有效提高监测数据分析效率。     

丹江口大坝右岸转弯段空间多测点变形监控模型的探讨

本文用空间多测点模型分析丹江口大坝右岸转弯段反向变形.空间变形模型引入了空间坐标变量,将原单测点模型发展到以线和面的分布模型.文中讨论了该坝段测点因子集的选择方法,并用单测点统计和混合模型检验多测点模型的效果.所建的模型符合工程实际要求,并同单测点模型规律相一致.     

基于卡尔曼滤波、分形和LSTM的大坝变形趋势分析方法

为了实现对大坝变形趋势的合理分析,提出了一种融合卡尔曼滤波、分形理论和长短时记忆神经网络(LSTM)的大坝变形趋势综合分析方法。该方法利用卡尔曼滤波对原始观测数据进行降噪处理,采用分形理论中的R/S方法对大坝未来变形趋势进行定性判断和解析,通过对滤波后数据建立LSTM定量预测模型,结合定性和定量的分析结果,实现大坝变形趋势的综合评判。实例分析结果表明,该方法能够较好地分析大坝变形趋势,对大坝监测数据的随机性和非平稳性具有较好的适用性,趋势分析和预测符合工程实际情况,为大坝的变形综合分析提供了一种新方法。     

大坝变形的XGBoost-LSTM变权组合预测模型及应用

为了实现更高精度的大坝变形预报,提出了一种大坝变形的XGBoost-LSTM变权组合预测模型,即首先引入XGBoost模型和LSTM模型对大坝变形分别进行分析预测,然后采用变权组合方法将二者的分析预测结果进行有机融合,进而得到最终预测结果。以某混凝土重力坝为例,首先通过与随机森林、ELMAN以及逐步回归分析各模型的对比研究,论证了XGBoost与LSTM应用于大坝变形预测的优越性;进一步地,XGBoost与LSTM的变权组合预测效果相较于各单一模型取得了较大程度的提升,且相较于二者的等值赋权组合提升优势更加显著,变形预测结果与工程实际情况更加吻合,具有较好的适用性和可推广价值。     

大坝变形监控数据处理的粗差识别方法及应用效果分析

正大坝安全监控的核心就在于通过各种监控理论与方法对监测资料进行分析,建立各类监控模型及监控指标,据此定量分析大坝及坝基的安全状态,监控大坝的安全运行,使大坝在安全运行的前提下充分发挥工程效益。大坝安全监测资料是大坝运行状态的直接反应,监测值的变化与大坝运行的环境荷载以及大坝本身结构形态有关,同时监测系统的稳定性也是重要的影响因素。大坝监测数据的异常一般由结构形态变化、环境量异常、系统改造、人为误测、误计或系统故障等     

基于EMD分解法的大坝变形预测模型及应用

针对传统模型对脉动时间序列的预测效果较差的情况,结合经验模态分解(EMD)、相关向量机(RVM)理论以及改进粒子群算法(IPSO)的优点,提出一种基于EMD分解法的大坝变形预测模型。首先利用EMD分解法对大坝变形时间序列进行分解和重构,使非平稳的大坝变形时间序列平稳化,再以RVM理论为基础进行预测,核函数选用高斯核函数,并采用改进粒子群算法(IPSO)进行寻优,最终建立EMD-RVM(IPSO)大坝变形预测模型。通过实例计算得到,SVM、RVM和EMDRVM(IPSO)三种模型的平均残差分别为5.29 mm、3.13 mm、0.97 mm,并且EMD-RVM(IPSO)模型的预测值误差均控制在5%以内。这证明EMD分解法对非平稳时间序列的预处理可有效提高预测精度,相比于标准SVM模型和RVM模型,EMD-RVM(IPSO)模型的预测精度更高,且结构稀疏度更好,在实际工程中具有一定的可行性。     

基于LSTM-Arima的大坝变形组合预测模型及其应用

大坝变形是水压、温度等多种因素综合作用的结果,变形监测数据是非平稳非线性的时间序列,并且在时间维度上具有关联性。为充分挖掘变形监测数据在长短时间跨度上的关联性,提出了应用长短期记忆网络(LSTM)预测大坝变形的方法。为进一步提升预测精度,利用自回归差分移动平均模型(Arima)对预测残差进行误差修正,从而建立基于LSTM-Arima的大坝变形组合预测模型。以某混凝土重力坝为例,将组合模型的预测结果与Arima模型、支持向量机(SVM)的预测结果进行对比分析。结果表明LSTM-Arima的预测结果优于Arima模型和SVM的预测结果,LSTM-Arima的均方根误差(RMSE) 比Arima模型和SVM分别降低了40.65%和59.00%,平均绝对误差(MAE)分别降低了35.49%和55.60%,表明LSTM-Arima模型具有较高的预测精度。研究成果对于更精确地开展大坝变形预测有一定参考价值。     

丹江口大坝空间变形分布模型的研究

空间变形模型引入了空间坐标变量，将原单测点模型发展到以线和面的分布模式。本文以丹江口大坝右岸反拱坝段反向变形为实例，建立了空间变形分布模型，并用单测点模型检验其效果。所建的模型符合工程实际要求，并同单测点模型规律相一致，使其能及时了解右岸转弯坝段反向变形的态势，更有利于大坝安全监控。