平潭面板堆石坝初次蓄水变形特性监测分析

混凝土面板堆石坝初次蓄水前后的变形特性一直是工程界所关心的问题。文中结合平潭水库观测应用情况，着重介绍了施工期和初次蓄水的变形观测结果，阐述了该坝体的面板和堆石体的变形特性及相关变形规律特性，可供类似工程的设计施工参考。     

平潭面板堆石坝初期变形特性监测分析

平潭钢筋混凝土面板堆石坝设计不开挖坝轴线下游左岸坡积层和河床覆盖层，因此，大坝施工期和蓄水运行期的变形观测就显得尤为重要。本文对竣工期的实测成果进行了阐述与分析。     

基于深厚覆盖层的面板堆石坝沉降变形规律分析

本文依托河口村水库工程安全监测项目,通过坝基、坝体沉降变形监测资料分析,系统地研究深厚覆盖层面板堆石坝沉降变形变化规律。成果表明:(1)坝基和坝体沉降填筑期随填筑高度增加而增大,静置期随时间增加而增大,整体呈先增加而后减小直至趋于零的趋势;(2)坝基和坝体沉降趋稳,主要受坝基地质情况和坝体填筑高程影响;(3)堆石坝沉降整体与坝型呈不对称分布,其最大沉降量约占坝高的0.72%,符合一般土石坝沉降变形规律。监测成果为保证大坝填料、混凝土面板施工以及评价大坝安全性状提供科学依据,亦可为类似工程提供借鉴和参考。     

某混凝土面板堆石坝施工期变形性态分析

对某混凝土面板堆石坝施工期实测的变形值及变形模量进行计算,分析其发展变化规律,并对监测仪器和监测方法进行了评述。这对于了解面板堆石坝施工期的工作性态及施工质量具有重要意义。     

基于Prophet模型的江坪河水电站面板堆石坝变形预测

基于机器学习的时间序列预测方法能够挖掘时序数据本身的规律,可提高大坝变形预测的精度。以江坪河水电站面板堆石坝为研究对象,对监测资料进行分析,采用Prophet机器学习模型建立堆石坝变形监测数据的时间序列预测模型,并采用贝叶斯优化Prophet模型的超参数。预测结果表明,利用机器学习模型预测堆石坝变形的精度是可以接受的,且实施过程方便快捷,无需太多的人工干预,对建立面板堆石坝的长期变形的实时动态预测模型与高堆石坝全生命周期的性状评估与隐患及时预警具有一定的实用价值。     

混凝土面板堆石坝变形及监测问题

混凝土面板堆石坝是一种较新的坝型.在我国东北地区除了黑龙江省莲花水电站和吉林省松江河梯级水电站已采用这种坝型外,拟建设的辽宁省蒲石河抽水蓄能电站上水库亦采用这种坝型.这种坝型有很多优点,但是也会因其变形较大而引起面板开裂和坝体漏水,因此笔者认为有必要深入研究混凝土面板堆石坝的变形、变形控制以及变形监测等问题     

某水库混凝土面板堆石坝应力变形分析研究

采用邓肯-张E-B非线性弹性模型,利用数值计算方法,对某堆石坝在施工和蓄水期的应力、变形进行了计算分析,得出了堆石体和面板的最大变形值及其发生位置。结果表明:蓄水对混凝土面板堆石坝的水平位移影响较小;坝体在竣工期和正常蓄水期两种工况下面板的最大挠度均发生在上游坝坡和堆石压重体的交界处,应力总体较小,大坝稳定性良好。     

用分布模型对库水位骤降引起堆石坝表面变形的分析

本文利用分布模型对由于库水位骤降引起的堆石坝表面变形突变进行分析。     

基于Matlab的土石坝变形分析BP神经网络模型的建立——以哈尔滨西泉眼水库大坝为例

针对传统的数学模型方法的不足,本文通过对BP网络模型的研究,建立改进的BP神经网络预测模型即采用附加动量法和自适应学习效率相结合的BP模型,并使用MATLAB语言编程加以实现。并将该模型应用于哈尔滨西泉眼水库大坝变形监测数据的分析和预测,发现其预报精度较传统模型有较大提高。     

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。     

基于BBO-SVM的大坝变形预测模型与性能验证

针对大坝监测数据小样本、高维度和非线性的特点,引入支持向量机( SVM) 机器学习方法,采用生物地理学优化算法( BBO) 优化其惩罚因子 c 和核函数参数 g,建立了基于 BBO-SVM 的大坝变形预测模型。结合 2011—2016 年水口大坝 4 个测点共 900 组环境量与效应量监测数据,对模型预测性能进行了验证,并将预测结果与 SVM、PSO-SVM 和 ABC-SVM 大坝变形预测模型进行对比。结果表明: 文中提出的 BBO-SVM 模型不仅预测精度高,且稳定性更好,4 个测点的均方根误差分别达到了 0. 332 0、0. 473 5、0. 405 7、0. 222 8,拟合优度分别达到了 0. 910 4、0. 961 0、0. 962 4、0. 956 9。本研究可提高大坝安全监测成果利用,对于大坝健康状态预测评估具有一定的工程指导意义。     

土石坝沉降的预测灰色模型

本文将灰色系统理论应用到土石坝沉降资料分析中，通过新陈代谢方法与GM（2，1）模型相结合建立了灰色预测模型。该模型的可行性与合理性在铁山水库土坝的实际应用中得到了验证。     

梅溪水库面板堆石坝原型观测资料反馈分析及大坝变形预报模型

根据梅溪水库面板堆石坝施工期和水库蓄水初期坝体的原型观测资料，对坝体应力变形分析所用的坝料计算参数进行了反馈分析，得出了坝体堆石料及坝基覆盖层的弹塑性应力变形计算参数。从统计模型的角度出发，研究了坝体变形长期预报模型，建立了考虑填筑分量和时效耦合作用的预报模型。     

基于ANFIS-GM的心墙堆石坝变形预测

本文提出采用自适应网络模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)优化灰色理论模型(Grey Model,GM)的建模方法来研究预测大坝变形。ANFIS-GM模型综合考虑了由于资料不完备、考虑因素不全面而产生的灰色特性和各影响因素与大坝变形之间存在的模糊特性。该模型相比于GM模型不仅考虑了大坝变形的灰色特性,而且还考虑了水位变化速率、填筑速率与大坝变形的模糊关系。通过心墙堆石坝沉降变形的实例分析,表明该模型比GM模型误差更小。同时,该模型具有处理小样本,自组织、自学习、自适应,模糊推理的综合能力。     

基于独立分量分析的拱坝位移预测模型

在逐步回归模型中,有些分量间存在比较强的相关性,如果直接利用线性回归方法处理,就会特别容易出现病态问题,这样得到的回归模型不合理。为了解决这一问题,引入独立分量分析方法(ICA),并运用基于负熵极大化的独立性准则的快速独立分量分析方法(FastICA)分离出独立分量,建立了某拱坝的安全监测位移预测模型;同时为了表明结果准确性,利用逐步回归方法建立了逐步回归模型。结果表明:独立分量回归方法(ICR)相比逐步回归方法可以建立一个比较准确的回归模型,由于独立分量回归分析方法没有剔除不显著因子,考虑了各个因子对因变量的影响,从而更加符合实际情况。     

大坝变形的小波分析与ARMA预测模型

大坝变形观测资料可视为非平稳时间序列,从影响大坝变形规律的因素出发,可将其分解为主值函数项、周期函数项和改进后的平稳时间序列。其中主值函数项采用逐步回归法拟合,针对时效因子采用半经验公式无法准确拟合实际变化情况,采用小波分析法将序列分解为低频和高频两部分信号,其中低频部分代表时效等因素影响的变形趋势;高频部分代表水位、温度等影响的变化规律,应用时间序列原理分别建立变形预测ARMA（p,q）模型,从而在现有水位、温度观测资料下预测坝体未来的变形趋势。实例计算结果表明,结合小波分析的时间序列法建立的预测模型,预测精度高于统计回归分析,预测效果良好,可作为一种有效方法应用于大坝变形预测中。