基于改进的BP神经网络的大坝蓄水期实时预报模型

蓄水期是大坝安全监测的重点时期.鉴于坝体性态随水位快速升高产生实时变化,蓄水期监测资料平稳性较差等特点,传统的BP神经网络对数据处理本质上属于静态网络,不能满足对实时变动的蓄水期数据样本的准确预测.为了解决这个问题,在传统的BP神经网络模型的基础上,通过在误差计算和模型参数中分别引入遗忘因子,实时更新数据的影响权重,建立了大坝蓄水期资料分析的时变分析模型.最后使用传统的BP神经网络模型和改进的BP神经网络模型进行实例分析,结果表明后者比前者在径向位移的预测上精度提高1mm以上,改进的BP神经网络模型更加适用于大坝蓄水期监测资料分析与预测.     

李家峡拱坝水平位移监测资料统计模型对比分析

为了更准确地分析大坝水平位移的变化规律,在建立坝体水平位移的统计模型时,采用温度周期项和温度实测值对温度分量进行建模,并将模型应用于李家峡拱坝进行对比分析.结果表明,利用温度周期项建立的模型,模型计算值与实测值拟合较好,模型能够很好地反映出大坝水平位移的变化规律.     

黑泉面板坝新型止水结构三维弹塑性分析

利用结构模型试验得到的周边缝止水结构的数值分析模型，对黑泉砂砾石面板坝进行三维弹塑性有限元分析，模拟大坝施工及蓄水过程，预测大坝坝体、面板及各类接缝的应力与位移，并将计算结果与止水结构破坏试验结果以及已建面板坝的接缝观测资源进行了对比，结果表明，坝体、面板的变形和应力符合一般规律，面板缝和周边缝位移在正常范围内，新型止水结构有较好的变形能力。     

HDNN-MC模型在特高拱坝变形预测中的应用

递阶对角神经网络(HDNN)采用动态BP学习算法,可以逼近任意非线性函数且具有收敛速度快、预报精度高的特点,因此本文将其引入到大坝安全监测领域,以水压、温度和时效为输入量,坝体位移为输出量,在此基础上运用马尔科夫链(MC)模型对预测数据进行残差计算和状态划分,确定马尔科夫链状态概率矩阵,通过马尔科夫链状态概率矩阵对HDNN模型进行反馈修正,从而提高精度。基于此建立了HDNN-MC模型并应用于某特高拱坝的变形预测。结果表明,HDNN-MC综合模型相对于单一模型,预测精度得到显著提高,能更高效准确地预测大坝变形。     

三峡非溢流重力坝应力位移模型试验研究

针对三峡水利枢纽工程非溢流重力坝横断面上的应力和位移进行模型试验研究.使用DH3816静态应变测试系统和千分位移计分别测量模型的应变和位移,对测试值进行计算分析和图形绘制.结果表明坝体的上游面出现了显著的拉应力集中现象,最大值出现在坝踵处,同时在下游面出现了较大的竖直压应力,最大值出现在坝趾处,但应力值均小于坝体混凝土和地基的抗拉及抗压强度;坝体位移呈抛物线状,坝体处于弹性状态,大坝运行状态较为正常.     

基于TChart的大坝位移场可视化

为了从整体上了解坝体位移规律,提高监测资料的分析效率,借助Delphi开发环境,提出了一种运用TChart控件来实现大坝三维位移场可视化以及交互操作的有效手段.即将大坝位移测点及监测数据构成的体数据,以等参单元形函数插值生成坝体位移的3D规则数据场,再根据位移值大小赋予相应部分的颜色并设置Chart和Series相关属性,继而调用TChart的相应图件进行图像的绘制与编辑.结合某坝实测数据,将这些方法与技术集成实现,取得了良好效果,说明了TChart控件在大坝位移场可视化技术研究中的有效性.     

改进遗传神经网络对露天矿边坡位移预测

为提高BP神经网络对边坡位移的预测精度,将遗传算法的交叉算子及变异算子改进,用以优化BP神经网络的初始权值和阈值.应用改进的遗传神经网络对安家岭露天矿1270平盘边坡位移进行预测,同时应用未改进的遗传神经网络及BP神经网络作对比分析.结果表明:改进遗传算法为BP神经网络提供了进一步优化的初始权值、阈值,应用改进遗传神经网络对安家岭1270平盘边坡位移进行预测,改进遗传神经网络的预测精度与遗传神经网络及未经优化的BP神经网络相比进一步提高,是一种可行的边坡位移预测方法.     

大坝安全监测的ARIMA-BP组合预测模型

研究大坝安全监测中用于预测坝体变形问题的模型,给出了一种组合模型来预测坝顶位移.单一的ARIMA模型和神经网络预测模型在预测位移问题时精度不高,分析了两种模型的原理和建立方法,利用两种模型单独对时间序列进行拟合与预测,再通过赋予适当的权重,得到新的组合预测模型.通过某水电站工程实例分析表明,该组合预测模型结合了两种模型的优势,提高了模型的预测精度,有广泛的应用前景.     

大坝变形监测的BP网络模型与预报研究

建立有效实用的大坝安全监测模型,对于馆控大坝运行意义重大。针对目前国内外常用统计模型、确定性模型等的不足,提出将基于误差逆传播算法的BP神经网络模型用于大坝变形监测数据的拟合分析及其预测预报研究,最后以福建水口混凝土重力坝变形监测为例,对坝顶垂直位移实测值建立了BP网络模型,并将模型用于坝顶垂直位移预报,结果表明,BP网络模型的拟合和预报精度明显优于相应的统计模型。     

基于遗传算法的带缝重力坝弹性模量反分析

根据混凝土重力坝坝顶水平位移观测资料,采用逐步回归方法分离出了坝顶水平位移的水压分量;以大坝和基岩的弹性模量识别反问题作为优化问题,利用改进的遗传算法,并借助接触单元模拟坝体纵缝进行了有限元反演分析.某带缝重力坝数值计算实例表明,该计算方法能够较好地反映坝体结构的实际状况,参数反演分析计算效率高,计算结果与现场试验值及经验数据吻合较好,具有较高的合理性与可靠性.     

大坝位移BP网络模型影响因子的优选

大坝位移影响因子中最优影响因子的选择,将直接影响到大坝的变形预报,将不同相关系数法引入到大坝位移重要影响因子的选择中,进行对比分析,基于BP神经网络进行预报与分析,得到大坝位移影响因子的优选法。     

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足，提出了一种基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测方法。首先，通过ICEEMDAN将尾矿坝位移监测数据进行分解为趋势项和波动项；其次，一方面采用高斯拟合方法对趋势项进行拟合预测，另一方面通过灰色关联度进行波动项相关影响因子筛选，并将注意力机制与LSTM相结合，建立了基于注意力机制及LSTM的波动项位移预测模型，同时利用SSA对该模型的超参数寻优；最后，将趋势项与波动项叠加得到总的位移预测值。以攀西地区某尾矿库为例对模型性能进行了验证，并与BP、LSTM、LSTM-Attention等模型进行对比，结果表明，该方法得到的均方根误差、平均绝对误差和确定系数分别0.742mm、0.553mm和0.994，所提方法能较大幅度提高尾矿坝位移变形的预测精度。     

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型．通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO—BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高．     

主成分分析与BP网络组合的大坝变形预报

将主成分分析与BP神经网络相结合应用到大坝变形影响因子的优化中,建立大坝变形预测模型.可以有效地降低输入因子的维数,减小因子之间相关性的影响,简化网络结构,降低网络训练难度,提高预测的稳定性及精度,提升BP网络训练的效率,解决由影响因子内部相关性而需引入大量因子的问题.通过实验结果对比表明,主成分分析与BP网络相结合的...     

大坝变形预报的神经网络极限学习方法

针对大坝变形具有强非线性的特点以及在采用传统BP神经网络模型进行预报时存在学习速度慢、易陷入局部极小等问题,提出将极限学习机(ELM)方法用于大坝变形预报。该方法不仅可以简化网络参数选择过程,而且可以明显提高网络的训练速度,并具有良好的泛化性能。工程实例结果分析表明了ELM方法应用于大坝变形预报具有可行性和有效性。     

基于变形资料的拱坝坝肩稳定安全度分析

针对各种可能工况,通过降强有限元法分析拱坝稳定安全储备系数和相应的坝肩变形场,利用人工神经网络强非线性映射的特点,建立稳定安全储备系数和相应坝肩变形场的映射关系,结合坝肩实测变形场,提出基于实测变形资料的稳定安全储备系数分析方法.应用实例表明,该方法有效可行,为利用变形资料评判拱坝的稳定性提供了量化依据.     

BP神经网络预测水泥搅拌桩单桩承载力

利用某工程38根水泥搅拌桩的单桩静载试验资料,采用BP(Back Propagation)神经网络的方法对建立的神经网络进行训练,根据训练好的网络对两个工程的单桩竖向承载力特征值进行预测.结果表明,预测值与采用其他方法的拟合值及实测值相吻合.最后,通过工程实例进行验证.     

基于BP神经网络的桥梁移动荷载识别精度

为了识别作用于桥梁结构上的移动荷载,基于反向传播神经网络方法,开展了输入参数对荷载识别精度影响的分析.首先利用ANSYS模拟移动集中力通过简支T梁桥,得到了主梁跨中位移、速度和加速度时程曲线;其次基于MATLAB建立反向传播神经网络结构,分别将桥梁结构的位移、速度和加速度动态响应数据作为反向传播神经网络的输入参数,移动荷载大小作为输出参数,研究不同输入参数对荷载识别精度的影响;然后分别选取位移和速度、位移和加速度、速度和加速度以及三者组合的工况进行多参数输入的优化设计;最后,以某4跨预应力混凝土连续T梁桥工程为背景,以重车下的竖向加速度实测数据验证了该反向传播神经网络用于识别实桥上简单移动荷载的可行性.结果 表明:利用反向传播神经网络进行移动荷载大小识别时,单输入参数的识别精度由高到低依次为加速度、速度、位移,建议在实际工程中采用较易获取的加速度数据作为输入参数进行荷载识别;多参数组合输入可以提高移动荷载的识别精度,其中速度和加速度组合可以实现较优的识别效果;实测数据证明了该反向传播神经网络用于简单的实桥荷载识别是可行的.相关研究结果可为桥梁载荷识别及桥梁结构的性能评价提供参考.     

基于BP神经网络的Steward平台运动学分析

位置正解是Steward平台机构应用的基础,探讨了人工神经网络在Steward平台机构位置正解求解中的应用.采用BP神经网络,利用位置逆解结果,通过训练学习,从而求得Steward平台机构运动学正解.经过验证,BP网络的求解精度满足精确控制的要求.