海堤渗压多测点径向基函数监测模型的建立

为综合多测点监测信息建立海堤渗压预测模型，揭示其受海洋潮位等因素影响的复杂而特殊的变化规律，以径向基函数(RBF)神经网络为建模工具，采用前期潮位因子、积分型降雨因子、时效因子构建模型输入层，对符合条件的多个渗压测点进行综合训练、预测.同时根据海堤渗压特点，对建模中RBF网络的计算中心选取方法加以探讨，进而结合模糊C均值聚类算法确定计算中心.以浦东海堤实测资料实现了该模型建立的具体过程，取得理想效果，并给出了应用建议.     

海堤渗压监测因果模型基本结构和因子选择

为揭示海堤渗压规律以及与主要影响因素间的关系，并建立安全监测因果模型、实现对海堤状态的实时监控，以监测数据为基础，对海堤实测渗压、潮位和降雨记录以及存在的因果关系加以分析，确定了海堤渗压因果监测模型的基本结构；采用统计距离比较方法选取合理的初选前期潮位因子，提出反映降雨量和降雨持续作用时间的降雨因子形式，并加入时效因子，以实测数据建立了海堤渗压监控因果模型.结果表明，该因果模型具有良好的拟合、预测效果.     

海堤渗压神经网络分布模型的建立及规律分析

为有效揭示海堤渗压的分布特征,掌握其在临海工作环境下的特殊规律,在利用神经网络建模优点的同时,采用多测点渗压监控信息,并将测点坐标因素加入到输入层,综合前期潮位因子、积分型降雨因子、时效因子,形成海堤渗压神经网络安全监控分布模型结构,以实测信息进行建模训练计算;在获得合理训练结果基础上,根据输入层因子补充插入坐标样本,获得不同位置的渗压模型值及渗压分布曲线.文中以广义回归神经网络为例,结合浦东海堤实测资料,以实例说明以上述方法在神经网络不提供显式的情况下,建立可获得分布曲线的监控模型,并以此对海堤渗压分布规律特色加以分析.     

海堤渗压周期特征分析及其在神经网络监测模型中的应用

海堤渗压监测序列是反映堤身状况与规律的重要信息,为把握海堤渗压序列变化特点、进行有效分析预测,对浦东海堤实测渗压曲线进行了广泛分析,归纳出其多周期变化的特征,并从谐量分析角度给出针对周期特征变化的渗压监测模型因子,结合神经网络特点,提出相应的神经网络监测模型输入层单元形式,以广义回归神经网络为例建立监测模型,以监测资料和实例说明多周期特征对监测分析的作用,以及与神经网络模型相结合的具体应用．     

基于水循环神经网络模型的海堤渗压预测研究

为提高海堤渗压的预测效果,在充分分析渗压影响因素的基础上,提出一种新型预测模型.将具有强大寻优能力的新型算法——水循环算法与神经网络相结合,以相关系数法筛选出的渗压主要影响因子作为模型输入,渗压作为模型输出,利用水循环算法搜索神经网络的最佳权值,建立海堤渗压水循环神经网络模型.通过上海浦东海堤实测信息对该模型进行验证,结果表明,水循环神经网络模型较BP模型具有更快的收敛速度和更高的预测精度.同时,基于等维新息思想,实现模型信息不断更新、渗压实时预测的效果.     

基于RST-LSTM模型的堤坝渗压动态预测分析

渗透是关乎堤坝安全的重要因素之一.渗压数据分析是研究堤坝运行期渗流安全问题最直接的途径之一.根据堤坝渗压监测值的基本特征,基于粗糙集理论(RST)和长短时记忆网络模型(LSTM),建立RST-LSTM模型结构并编制python程序,实现了渗流影响因素重要性定量化排序、冗余因素的消除以及多因素影响下堤坝渗压值的预测分析.以某面板堆石坝工程渗流监测数据分析为例,进行工程实例验证分析,研究结果表明:(1)该工程渗压值按重要性顺序依次受水位、降雨、温度及时效等因素的影响;(2)本文提出的RST-LSTM模型平均相对误差仅为4. 43%,相比循环神经网络模型(RNN)与BP神经网络模型,RSTLSTM模型具有预测精度高、运算速度快等优点.     

不同类型降雨条件下的基坑边坡渗流特性研究

针对基坑边坡在不同类型降雨条件下的渗流特性研究较少这一不足,以江苏某经济开发区某基坑边坡为例,研究了不同类型降雨条件下基坑边坡不同位置的渗流特性进行了数值模拟,得到了不同监测面的孔压与体积含水量变化规律,结果表明:上部监测面孔压变幅较大区域深度大于中部监测面同时大于下部监测面,孔压随着降雨的进行迅速增大,而后逐渐消散;含水率变化规律与孔压类似;不同降雨类型体表层孔压与体积含水率达到最大的速度大小排序分别为前锋型降雨≥平均型降雨≥中锋型降雨≥后锋型降雨,对整体体积含水率变化的影响较小。     

清江隔河岩水利枢纽坝体内部监测研究

根据清江隔河岩水电站近几年的大坝内部监测资料，对大坝接缝与裂缝、坝内钢筋应力、拱座基岩与拱端坝体应力进行了监测研究，并应用物理推断法和统计相关法分析了压应力计的相关因子及变化规律，通过逐步回归分析得出了压应力计统计模型，应用所设的统计模型分析实测资料，其分析结果与实测值拟合较好。     

闸坝渗流量监测分析数学模型及工程应用

在对影响混凝土闸坝渗流量的主要因素进行分析基础上,建立了闸坝渗流量监测资料分析的数学统计模型,分析了某实际工程闸坝的实测渗流量变化规律,为评价大坝运行性态提供了依据。     

开挖作用下的深基坑变形神经网络监测模型

为使监测模型深入揭示深基坑在开挖期间的变形规律,从土体遗传蠕变机理出发,提出等效开挖深度概念,将变形影响因子构造为考虑开挖深度的瞬时变形影响因子和考虑蠕变效应的历史变形影响因子.利用径向基函数神经网络的强大的非线性映射能力,以已有的实测数据为训练样本,构造相应的输入因子,建立了深基坑变形的监测模型,可实现对后期开挖的深基坑变形的非线性预测.实例验证表明,该模型效果好、有利于对开挖作用下的深基坑变形进行监测分析和预测,为保障深基坑变形安全提供了有力工具.     

基于门控循环单元-支持向量回归组合模型的湖泊水位预测方法探索

为改善传统循环神经网络预测梯度消失的问题,并探讨组合模型在水位预测中的应用,提出了一种基于门控循环单元(Gated Recurrent Unit,GRU)和支持向量回归(Support Vector Regression,SVR)的组合预测模型,对猎德涌流域源头西湖水位进行预测。对GRU-SVR(多项式核、RBF核、Sigmoid核)模型进行了比选。组合模型通过GRU提取雨量与水位间时空特征,SVR增强整体的非线性预测能力。结果表明,与CNN-GRU及SVR相比,GRU-SVR(多项式核)模型在湖泊的降雨时期拥有较好的预测精度。     

堆载预压作用下路基沉降的多测点监测模型

从力学作用机理出发探讨堆载预压效应下路基沉降与堆载的关系,以径向基函数神经网络为建模工具,以现场监测的沉降资料及堆载记录为基础,构建堆载沉降的神经网络监测模型的输入层影响因子和包含多个测点沉降的输出层.同时,针对堆载沉降特点,对网络的计算中心采用专门预选方案,进而以模糊C均值聚类算法确定最终计算中心,并以实测资料建立该监测模型实例.结果表明,所得模型对堆载作用的揭示以及多测点的沉降预测取得了满意效果.     

混沌参数优化RBF算法的震前ENPEMF信号强度趋势预测

提出了一种基于混沌参数优化径向基函数(radial basis function,RBF)神经网络的预测模型.通过混沌理论获得了ENPEMF信号的有效嵌入维数和最优时延,然后利用所获得的参数优化RBF神经网络.采用训练好的参数优化RBF神经网络预测ENPEMF.数值仿真结果表明,改进的RBF算法可以较为准确地预测Rossler混沌时间序列且误差较小.将优化的RBF模型应用于芦山Ms7.0级地震前ENPEMF数据,可以有效预测震前14d的ENPEMF数据强度趋势,且预测效果及精度优于传统RBF神经网络算法,期望为地质灾害及强震前的电磁监测分析提供支持.     

考虑时滞因素的RBF神经网络模型在高炉铁水硅预报中的应用

在高炉炼铁生产过程中,铁水硅含量反映高炉炉温,预测和控制炉温对高炉生产的节能、降耗、顺行至关重要.基于包钢6号高炉生产数据,建立了RBF神经网络铁水硅含量预测模型.研究表明:考虑时滞因素的RBF神经网络模型,当误差范围＜±0.10时,预报准确率达到了85％,其准确度高于不考虑时滞因素的RBF神经网络模型,对在线预测高炉铁水硅含量具有实用价值.     

执行阀黏滞过程的控制性能评估

控制性能评估是衡量工业过程控制回路性能和质量的重要技术,常见性能评估方法一般针对线性过程,而忽视了执行阀黏滞等造成的非线性特征.为此研究了一类存在执行阀黏滞现象的非线性系统,并提出了一种基于改进的径向基函数神经网络时间序列建模的控制性能基准估计方法.将Hinich检验算法引入网络评价函数,利用改进的网络评价指标训练径向基网络,以去除过程输出的非线性,进而采用时序分析技术准确估计出系统的控制性能基准.通过仿真分析,验证了方法的有效性.     

RBF网络在电喷发动机故障诊断中的应用

阐述了神经网络的模型、算法和分类,利用电喷发动机实测数据作为学习样本,采用径向基函数神经网络建立发动机的故障诊断模型,通过该模型对电喷发动机的参数进行了辨识,表明RBF网络学习速度很快,适于在线实时监测与诊断.     

基于滑模PID神经网络控制的混沌同步

对于多输入多输出(multiple inputs multiple outputs,简称MIMO)混沌系统的同步问题,设计了基于误差比例-积分-微分(proportional integral derivative,简称PID)改进下的滑模径向基函数神经网络(radial basis function,简称RBF)控制方法,实现了主从统一混沌系统的同步.设计自适应RBF滑模控制器,将其用于初值不同的不确定主从统一混沌系统的同步控制中,证明了控制的Lyapunov稳定性.最后结合MATLAB仿真实验验证了所提方法的可行性与有效性.     

基于改进典型相关分析的混沌时间序列预测

典型相关分析是目前常用的研究两个变量集间相关性的统计方法.针对线性典型相关分析法不能揭示变量间非线性关系,因而不适用于混沌系统等问题,将核典型相关分析与径向基函数神经网络相结合,提出了一种改进的核典型相关分析方法以解决映射空间样本未知及逆矩阵求解困难等问题.首先利用两个径向基函数神经网络,通过训练使两个网络输出之间的相关系数达到最大,可同时得到两组典型相关变量.然后建立预测模型,对Lorenz混沌方程及大连月气温与降雨二变量混沌时间序列进行仿真,并与传统的线性回归预测方法进行比较,多组仿真结果证明了所述方法的有效性.