大坝监测位移的改进灰色因果模型

大坝监测位移通常受到水压、温度、时效等因素的影响,为了考虑各因素之间相互影响和制约关系,并且能较好地反映其整体的变形规律,文章建立了灰色因果模型;同时,为提高监测位移的建模拟合精度,更好地进行位移预测,将基于Simpson公式改进的GM(1,N)模型运用到大坝位移监测中,以某大坝监测资料进行计算和比较;结果显示,改进GM(1,N)模型具有较高的拟合和预测精度。     

基于三维数值模拟的高边坡开挖安全预测

通过对广乐高速K102路堑高边坡进行开挖实况数值模拟,利用ABAQUS三维数值模拟对高路堑边坡开挖施工过程中的边坡表面水平位移和深层水平位移的拟合,根据现场监测结果对边坡安全预测.研究表明:利用ABAQUS有限元程序能够有效模拟高路堑边坡的开挖加固过程,与现场监测结果相对应;三维数值模拟能够模拟非规则边坡的开挖,反映边坡的变形及内部塑性应变区,对现场边坡开挖加固具有指导意义;三维数值模拟所得的表面位移与深层位移结果与实测结果取得较好的拟合,计算结果合理可靠,根据位移变化突变点进行安全预测具有可行性.     

改进最小二乘法对基坑支护结构竖向位移预测

为提高支护结构竖向沉降预测精度的问题,采用改进最小二乘法模型.在前期沉降值的基础上,引入一个修正后的最小二乘法预测曲线,得到新的预测模型,建立既保证原来的维数,而又不影响整个沉降发展趋势的改进最小二乘法模型.以SMW工法基坑支护为工程实例,利用改进最小二乘法对采集的监测数据进行研究,求出支护结构竖向位移拟合曲线,进而得到拟合值.结果表明:该方法所得的实测值和预测值进行比较,与实测值误差很小且满足规范规定的数值,证明该方法在SMW工法支护结构竖向位移预测中应用的有效性及预测所提高的精度;既保证了传统最小二乘法位移曲线的维数,又不影响整个预测沉降变形曲线的发展趋势,更适用于周边环境复杂的基坑支护结构竖向位移预测.     

基于分形插值的ARIMA大坝预警模型

针对ARIMA模型对含有缺失值的时间序列进行拟合预测会产生较大的误差,将分形插值与ARIMA模型相结合运用在大坝安全监测中.首先利用分形插值能通过分形物体的部分信息得出其整体形态的特点,对原始数据进行插值计算,然后建立ARIMA时间序列模型并进行预测.以小湾坝顶某监测点径向位移为例,建立基于分形插值的ARIMA模型,并与实测值比较.计算结果表明,插值后的ARIMA模型较原始模型的拟合和预测精度更高.     

软土基坑SMW工法墙墙顶位移与嵌固比关系模拟试验研究

基于相似理论设计了SMW工法支护的软土深基坑支护开挖试验模型,由模型试验测得了各级开挖稳定后的SMW工法墙墙顶位移;在模型试验基础上,采用大型非线性有限元软件ABAQUS建立了特征墙段的三维有限元数值分析模型,由数值分析也获得了各级开挖工况下墙顶位移.比较了基坑模型试验及其数值模拟分析结果,并采用指数模型拟合了SMW工法墙墙顶位移与嵌固比关系曲线.结果表明:采用指数模型拟合SMW工法墙墙顶位移与嵌固比关系可取得良好的拟合效果.工程施工中,可采用指数模型预测预报SMW工法墙随基坑开挖产生的墙顶水平位移.施工过程中,加强墙顶位移监测,绘制墙顶位移与嵌固比关系曲线,将预测位移值与实测值进行分析对比,可以了解支护结构实际所处的工作状态及变形阶段,从而可以预防工程事故发生.     

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。     

PSO-GM模型在拱坝变形预报中的应用

用PSO-GM模型来预测了拱坝变形情况.该模型通过粒子群算法优化灰色模型中背景值的权重系数r和指数灰元N,既保留了灰色模型要求样本数据少、短期预测精度高、可检验等优点,又弱化了线性GM(1,1)模型对累加生成的数据序列须成一定指数规律变化的要求,从而更具普遍性.通过工程实例计算验证可知,PSO-GM模型无论拟合精度还是预测精度都较一般线性灰色GM(1,1)模型好,可以为坝体位移监测提供参考.     

空间自回归模型在水库边坡位移预测中的应用

针对传统位移监测很少考虑不同测点之间相互作用的问题,基于经济学领域空间计量学基本理论,研究了空间自回归模型在边坡位移预测中的应用。以某工程高边坡外观位移数据为例,对边坡的位移状况进行预测,并与传统的自回归积分滑动平均模型相比较。结果表明:(a)在空间自相关系数较为显著的条件下,运用空间自回归模型可以较为精确地预测边坡变形状况,且优于传统模型;(b)空间自回归模型相较于传统模型参数更加简洁、考虑的影响因素更全面,可以同时对空间所有测点位移进行估计。     

基于时间加权的改进灰色预测模型及其应用

本文就GM（1,1）传统模型及其辨识值求解模型做了一定探讨。GM（1,1）传统模型的本质是曲线拟合,然而此曲线对于各历史点的拟合是最优的,但对于预测未来值不一定最优;传统灰色预测辨识值求解模型采用等权最小二乘法,认为各已知历史点的一次累加值与实测值累加值的误差对辨识值模型的权值均为1,未考虑时间因素,在理论上存在一定缺陷。本文提出一种时间加权辨识值求解模型,用加权最小二乘求解辨识值,进而求出系统预测方程,并用MATLAB语言编写了改进的灰色预测模型程序。将本文提出的模型应用到超高层建筑物的变形预测中,将改进预测模型预测结果与传统方法得到的预测结果进行比较,证明本文提出的改进模型具有较好的实用性和参考价值。     

基于修正GM(1,1)模型的岩体边坡预测分析

岩体边坡是一个复杂的未知系统,灰色系统理论能较好地阐释其中某些规律.岩体边坡的监测和应力变形预测分析是一项意义重大的工作.针对强随机性的边坡监测时间序列,提出了考虑斜率修正的灰色GM(1,1)预测模型,提高了灰色模型的建模精度.同时,将该模型应用于锦屏一级水电站左岸高边坡中某部位岩体的应力发展趋势预测,发现该改进GM(1,1)模型适合于短期趋势预测,并揭示了该部位岩体的应力发展模式,为后续研究工作提供参考和研究基础.     

不等时距灰色模型的边坡位移预测及软件化

针对灰色理论传统的等时距GM(1,1)模型存在不能应用于工程实际中常常存在的非等时距的监测时序问题,建立了不等时距的灰色GM(1,1)边坡位移预测模型。鉴于模型建立及应用中的计算比较烦琐,将模型编制成应用软件,支持输入少量历史监测数据预测指定时间的边坡位移。通过实例利用应用软件对边坡位移进行了预测,实际证明其拟合精度较好,预测结果正确可靠,能够反映边坡位移的客观存在与发展态势,且提高了效率,便于实际工程应用。     

基于时序分析的边坡变形预报与变形行为特征

把数理统计软件Eviews引入岩土工程领域,对东明矿J2边坡监测点高程监测数据分别建立双对数模型、指数模型、线性模型、三阶多项式模型进行回归分析,找出物理量随时间变化的规律,然后通过相关统计学及力学假设,依托现有实测工程数据,建立时序模型并优化之,将经典ARMA模型推广到ARIMA模型,提高了拟合和预测精度;依据所建模型给出位移预报曲线,并探讨了边坡变形行为特征,对揭示边坡系统变形规律,选取最优防护体系具有指导意义,为工程数据分析和数值模拟提供了新思路.     

基于三维激光扫描技术的边坡表面变形监测

为克服传统边坡监测方法中监测点数少的弊端,基于三维激光扫描技术展开的张承高速某边坡表面位移监测,建立了点与面结合的监测系统;同时利用扫描点云生成的网格及等高线,可获取整个边坡的三维模型及位移云图,进而进行整体位移场的动态分析和特征点的重点监测。试验结果表明,三维激光扫描技术应用于大规模边坡位移长期、高精度监测,突破了传统方法中点对点监测的限制。相比于传统边坡监测方法,三维激光扫描技术具有大范围、高精度、高效率和高速等特点,可以获取三维空间内边坡的详细信息,尤其对区域性预警拥有独特的优势。     

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麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism, SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先,通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise, 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。以攀西地区尾矿库为例对模型性能进行了验证,并与反向传播(back propagation, BP)、LSTM、LSTM-Atte...     

Dynamic prediction of building subsidence deformation with data-based mechanistic self-memory model

This paper describes a building subsidence deformation prediction model with the self-memorization principle.According to the non-linear specificity and monotonic growth characteristics of the time series of building subsidence deformation,a data-based mechanistic self-memory model considering randomness and dynamic features of building subsidence deformation is established based on the dynamic data retrieved method and the self-memorization equation.This model first deduces the differential equation of the building subsidence deformation system using the dynamic retrieved method,which treats the monitored time series data as particular solutions of the nonlinear dynamic system.Then,the differential equation is evolved into a difference-integral equation by the self-memory function to establish the self-memory model of dynamic system for predicting nonlinear building subsidence deformation.As the memory coefficients of the proposed model are calculated with historical data,which contain useful information for the prediction and overcome the shortcomings of the average prediction,the model can predict extreme values of a system and provide higher fitting precision and prediction accuracy than deterministic or random statistical prediction methods.The model was applied to subsidence deformation prediction of a building in Xi’an.It was shown that the model is valid and feasible in predicting building subsidence deformation with good accuracy.     

Settlement Prediction of Dredger Fill with the Optimal Combination Model

Post-construction settlement has gained increasing attention because it frequently causes engineering problems. A combined model is a commonly used prediction model that overcomes the difficulty of a single model（ i. e., cannot reflect various regulations of settlement at some stages or the entire process）. In this study,the correlation coefficient,maximum error values,and other values were obtained according to the fitting and predicted results of a single model. The coefficient of variation was then introduced to determine the weight of each model forming the combination. The proposed model was used to fit and predict for settlement and overcome the issue of utilizing a single model while determining the weight. The fitting predictive effect was also analyzed using the settlement fitting precision results. The fitting precision of optimizing the combination model is high. The predicted data of the post-construction settlement are closer to the calculated value of the settlement monitoring data. Moreover,the proposed model has good practicability,does not require the interval data of settlement,and restricts the model number. Thus,this model can be applied in the engineering field.     

边坡变形的GPS-ANN综合分析方法

基于边坡变形破坏的演化规律,通过对GPS变形监测数据的分析,评价了边坡的稳定现状;构建了基于GPS监测数据的位移-时间神经网络识别模型,并对未来某段时间内边坡的变形趋势进行预测;利用Matlab神经网络工具箱,实现了基于GPS监测的神经网络位移预测模型;通过实例研究,对基于GPS监测数据的边坡变形ANN预测结果进行了分析。     

相关向量机模型在边坡稳定性预测中的应用

近年来,边坡稳定性预测得到了广泛的研究,及时、准确的预测可以有效的预防边坡破坏灾害的发生。本文提出了一种基于相关向量机(RVM)的边坡稳定性预测模型,结合京-新高速公路高堑边坡工程实例,通过对比支持向量机（RVM）模型、RBF神经网络模型和支持向量机(SVM)模型的拟合及预测结果来分析其可行性。结果表明:相较于SVM模型和RBF神经网络模型,RVM模型的三种预测指标值均是最小的。其中,平均绝对误差（MAE）分别降低了86.02%和22.11%,均方根误差（RMSE）分别降低了72.05%和1.09%,相对均方误差（RRMSE）也分别降低了75.89%和21.13%,表明RVM是一种预测边坡稳定性的稳健工具,该方法能较为准确地预测出不同指标下的边坡安全系数。     

基于微气象微地形的北京地区输电线路覆冰预测技术

实现输电线路覆冰预测是保障北京地区输电线路在覆冰季正常运行的关键技术。针对北京地区输电线路覆冰预测技术研究,采用皮尔逊相关系数和灰色系统关联度分析方法,利用历史数据研究覆冰厚度与微气象微地形的相关性,得出湿度、坡向、风向和高程对覆冰厚度影响程度较高;通过多种环境特征要素组合构建基于极限随机树模型和灰色系统预测模型的覆冰预测模型,对比不同模型的预测结果的均方根误差(root mean square error, RMSE),得出由湿度和风向组合构建的灰色系统覆冰预测模型效果最佳。研究结果表明,与同类预测方法相比考虑了微地形对覆冰厚度预测的影响,得到北京地区输电线路覆冰厚度相关性较高的环境因素为湿度、坡向、风向和高程;对比多种环境要素构建的覆冰预测模型,湿度和风向组合的灰色系统预测模型的均方根误差明显优于其他组合,可以有效实现北京地区输电线路覆冰预测。