基于SVM的混凝土坝变形监控模型预测能力实例分析

大坝变形与水位、温度、时效等较多因素非线性相关,支持向量机(Support Vector Machine, SVM)适用于小样本、非线性、高维学习问题,在大坝安全变形监控上具有很大的优越性。阐述了支持向量机的原理,介绍了应用SVM建立混凝土坝变形监控模型的步骤及其参数优化方法。针对预测样本数目的合理取值问题,通过实例分析,研究基于SVM的混凝土坝变形监控模型的预测能力。结果表明,基于SVM的混凝土坝变形监控模型短期预测能力优于长期预测能力,且其预测能力受预测集数目的影响大于算法优化的影响。因此,合理选择预测集数目对变形监控模型有效预测尤为重要。     

基于鸡群算法优化相关向量机的混凝土坝变形预报模型

针对混凝土坝变形监控模型中大坝变形与环境影响因素之间的复杂非线性问题,为提升大坝变形监控模型的预报能力,提出了一种基于鸡群算法(CSO)优化相关向量机(RVM)的混凝土坝变形预报模型。考虑到相关向量机核函数参数的选取直接影响其回归分析性能,采用鸡群算法对其核函数参数进行寻优处理。据此,构造了基于鸡群算法优化的相关向量机模型,进而提升相关向量机的预报精度和泛化能力。以某混凝土坝长期变形监测资料分析表明,基于鸡群算法优化的相关向量机模型预报可有效挖掘大坝变形与环境因素间复杂的非线性函数关系,相比传统的相关向量机模型,该模型的拟合与预报精度更优,有效验证了所提方法的合理性与有效性,为大坝变形分析与预测提供新的模型方法。     

基于AdaBoost-SVM的混凝土坝变形预测模型

针对混凝土坝变形预测模型中环境量与效应量之间复杂的非线性问题,以及单支持向量机(SVM)模型预测精度不高的问题,提出一种AdaBoost-SVM的混凝土坝变形预测模型,该模型采用结构风险最小化的原则,并借鉴提升算法强化学习的思想,从而提高模型的学习性能,达到增强模型泛化能力和预测精度的目的。结合实例,经过AdaBoost-SVM预测模型对混凝土坝位移原型监测数据进行训练及预测,并将预测结果与单支持向量机模型的预测结果进行对比,结果显示:基于AdaBoost-SVM预测模型得到的均方差为0.5565,平均误差绝对值为0.40,预测精度比单支持向量机模型高出一个数量级;而且相较于单支持向量机预测模型,强化后的模型在预测时段表现出更好的稳定性。该模型综合了提升算法与支持向量机各自的优势,可作为混凝土坝变形预测的一种有效方法。     

基于优化VMD与GRU的混凝土坝变形预测模型

为提高大坝变形预测精度,基于“分解-重构”思想,采用变形信号处理技术对实测变形加以时频分解,并结合深度学习网络对分解信号分项预测再重构,提出一种基于优化变分模态分解(VMD)与门控循环单元(GRU)的混凝土坝变形预测模型。该模型使用灰狼优化算法(GWO)优化的VMD把原始数据分解为一组最优本征模态分量(IMF),利用GWO优化的GRU网络对每个IMF分量进行滚动预测,通过叠加各个分量的预测结果得到位移序列预测结果,解决了VMD人工选择参数导致分解效果差及GRU人工选择参数影响训练速度、使用效果及鲁棒性等问题。工程实例预测结果表明,该模型的预测误差小,具有良好的预测精度与稳健性。     

基于PSO-SVM的碾压混凝土坝变形预测模型

为提升大坝变形预测能力,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的混凝土重力坝变形预测模型.通过粒子群算法对支持向量机惩罚函数C与核函数σ进行寻优,避免了拟合过程中易陷入局部最优解的问题,提高了模型的拟合精度.以新疆北疆某碾压混凝土坝2014年～ 2019年变形监测数据为例,建立了逐步回归、SVM、P...     

基于贝叶斯优化LightGBM的大坝变形预测模型

为了解决大坝变形预测模型易陷入局部最优及不适用大规模数据等问题,采用一种快速高效的基于决策树的梯度提升框架LightGBM,并结合全局优化算法——贝叶斯优化进行大坝变形预测。为验证模型适用性,以两座实际混凝土坝工程为例分析,并与多元线性回归、支持向量回归机和多层神经网络等预测结果进行比较。结果表明,该模型均方根误差(RMSE)和平均绝对误差(MAE)等指标均优于其他方法,验证了该模型的可行性及优越性。LightGBM可对输入参数的重要性进行评估,对影响大坝变形的特征进行筛选,从而确定对大坝变形影响更显著的因素,为后续的安全评估工作提供参考。     

基于奇异谱分析与PSO优化SVM的混凝土坝变形监控模型

针对混凝土坝自动化变形监测数据存在噪声成分,且变形与环境影响因素间呈现出复杂的非线性关系等问题,提出了基于奇异谱分析(SSA)与粒子群算法(PSO)优化支持向量机(SVM)的混凝土坝变形监控模型。模型利用SSA对实测变形进行分解,提取其蕴含的趋势与周期性成分并对变形加以重构;在此基础上,采用基于PSO优化的SVM对重构变形与环境影响因素间复杂的非线性函数关系进行挖掘。实例验证结果表明,该模型具有较好的拟合与预测精度,可以有效地挖掘实测变形蕴含的数据特征,减小噪声成分对建模精度的影响,具有一定的工程应用价值。     

混凝土坝安全监控最小二乘支持向量机模型

传统的混凝土坝安全监控模型难以精确反映大坝变形的非线性变化规律,一定程度上影响模型的预测效果。基于统计学习理论的支持向量机,采用结构风险最小化准则,具有结构简单、理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点。将最小二乘支持向量机应用于大坝安全监控领域,建立了混凝土坝的支持向量机监控模型。工程案例证明,该模型精度较高,具有广泛的实用性。     

基于SSA-LSTM的混凝土拱坝变形预测模型

由于混凝土拱坝在变形过程中有明显的非线性特点,因此参数过多和陷入局部最优的问题是大坝变形预测模型过程中较为常见的问题。通过将麻雀搜索算法(SSA)引入长短期记忆神经网络(LSTM)中,进行超参数优化,建立了SSA-LSTM模型进行混凝土拱坝变形预测模型。以某拱坝多个测点的实测径向位移数据为例,将水压、温度和时效作为输入,坝体径向位移作为输出,使用SSA-LSTM模型与传统的变形预测模型BP神经网络、极限学习机(ELM)和支持向量机(SVM)分别进行回归预测,结果表明SSA-LSTM模型具有较强的预测能力,可用于大坝安全的预警预报。     

基于APSO和TWSVM的特高拱坝变形预测模型

为挖掘混凝土大坝变形监测数据与各影响因素之间复杂的非线性关系,提高特高拱坝变形预测精度,在孪生支持向量机(TWSVM)模型基础上,引入位置因子与速度因子,运用自适应粒子群优化(APSO)算法进行参数优化,构建了特高拱坝变形的APSO-TWSVM预测模型。实例验证结果表明,该模型可有效挖掘拱坝变形与影响因子间复杂的非线性关系,模型运算速度和精度均比传统SVM模型有明显提升。     

基于ASWPD-BO-GRU的月径流量预测模型

为提高月径流量预测精度,并针对传统分解集成径流预测模型错误使用未来数据的问题,提出并建立了基于自适应小波包分解（ASWPD）和贝叶斯优化（BO）的门控循环单元（GRU）月径流量预测模型（ASWPD-BO-GRU）。首先,利用ASWPD对原始月径流量时间序列进行分解,在不使用未来数据的前提下得到4个相对规律的分解子序列,以降低预测难度;然后,利用BO优选分解后的子序列对应的GRU模型超参数;最终,对每个子序列进行预测,将预测结果相加重组得出月径流量预测结果。将提出并建立的模型应用于黑河流域莺落峡水文站月径流量预测中,并与GRU、BO-GRU、WPD-BO-GRU模型（基于传统分解思想对原始月径流量时间序列整体进行分解的预测模型）的预测结果进行对比。结果表明：ASWPD-BO-GRU模型的纳什效率系数（NSE）为0.89,在实例应用中预测精度最高,说明ASWPD-BO-GRU模型在正确分解的前提下具有较高的预测精度和更强的泛化能力。     

基于M-ELM的大坝变形安全监控模型

针对大坝变形监测数据存在的非线性强、异常值诊断和剔除工作复杂及传统监控模型抗粗差能力差等问题,结合稳健估计理论抗粗差性强和极限学习机在处理非线性问题方面的优势,建立了基于稳健估计极限学习机的大坝变形安全监控模型。试验确定网络隐含层层数,构建4次方损失函数,采用加权最小二乘法计算输出权值,实现原始监测数据的拟合和预测。以某工程大坝变形监测数据为例进行建模分析,结果表明:以反映模型预测精度的均方误差和平均绝对百分误差及反映模型鲁棒性的中位数绝对偏差作为评价指标,基于稳健估计极限学习机的大坝变形安全监控模型的各项指标明显优于对比模型。     

基于机器学习模型的河道水位预测

结合已有机器学习模型——卷积神经网络(CNN)和门控循环单元(GRU)的优点,构建了并联卷积循环神经网络(PCNN-GRU)模型,并将其用于赣江下游外洲站日尺度水位变化的预测。结果显示:相较于目前流行的长短时记忆(LSTM)模型、GRU模型以及卷积循环神经网络(CNN-GRU)模型,PCNN-GRU模型的均方根误差和平均绝对误差分别降低了18.39%、21.11%、15.48%和21.31%、18.64%、14.28%,纳什-萨特克里夫效率系数和准确率分别提高至0.999 2和88.12%,表明所建模型具有良好的预测性能,可用于河道水位预测。     

考虑多重共线性影响的特高拱坝时空监控模型

为了解决特高拱坝时空监控模型中因子数目众多、因子之间存在多重共线性以及各测点之间存在空间关联性的问题,基于大坝变形原型监测资料,采用核独立分量分析(KICA)方法提取独立分量,将多个测点信息转化为少数几个综合指标;将提取的独立分量代入利用灰狼优化(GWO)算法优化的支持向量机(SVM)模型,对特高拱坝空间测点进行回归预测,构建了KICA-GWO-SVM特高拱坝时空监控模型。工程实例分析结果表明,KICA-GWO-SVM特高拱坝时空监控模型与多元回归模型、BP模型及SVM模型相比,其非线性表达能力强且性能良好,能够降低多重共线性对大坝变形监测的影响,对特高拱坝变形序列的拟合与预测精度高,可以更加准确全面地表征大坝整体的时空变形性态。     

支持向量回归在贮灰坝渗流监测中的应用

鉴于支持向量机在机器学习方面表现出的良好性能，提出了基于支持向量回归（SVR）算法的贮灰坝渗流监测模型。采用基于平行网格搜索的交叉验证法选择模型参数，避免了参数选择的盲目性、随意性，提高了预测精度。实例分析表明，该渗流监测模型与传统的神经网络（反向传播（BP）网络、径向基核函数（RBF）网络）模型相比，具有预测精度高、泛化能力强等优点，能够快速、准确地预测出指定位置的测压管水位，对贮灰坝水头预报和电厂的安全生产具有实用价值。     

基于模糊LS-SVM算法的大坝变形预测模型

在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机(LS-SVM)算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LSSVM模型,且支持向量机(SVM)的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析.