周洪波[1]2004年在《基于人工神经网络的大坝变形监测正反分析研究》文中进行了进一步梳理近年来,人工神经网络在大坝安全监控领域的应用不断被推广和深入。人工神经网络不具备统计回归模型的显式表达形式,是一种隐式模型,因而有它的缺陷性。但由于人工神经网络具有高度的非线性全局作用、良好的容错性与联想记忆功能、很强的自适应自学习能力,因此较传统的回归分析法有更好的拟合和预报精度;如果将有限元计算的结果作为网络输入,对应的物理力学参数作为输出,经过学习训练后,将实测结果作为输入,则可反演得到实际物理力学参数。因此,本文将人工神经网络应用于大坝变形监测正反分析的研究中。 本文通过对BP网络模型结构及学习规则的研究,针对经典BP算法只能对每一个样本分别进行正反向计算而导致收敛速度慢及精度低等缺点,提出了基于传统数值优化算法——L-M算法的L-M BP神经网络,并将其应用于大坝变形监测正反分析的研究中。通过将L-M BP网络与经典BP网络比较,结果显示:对应于相同的网络收敛精度,L-M BP网络比经典BP网络的预测精度高,且训练次数少得多。对比传统的参数反分析方法,应用神经网络进行参数反分析的优点就是不需要建立显式的辨识格式,且适用于多变量系统。 本文以大坝变形监测中常用的统计模型和混合模型作为应用人工神经网络进行大坝变形监测正反分析研究的基础,应用L-M BP网络建立紧水滩大坝变形监测模型实例,并与统计模型相比较,结果显示对大坝变形进行预测时,L-M BP网络模型受测值系列长短的影响更小;应用L-M BP网络反分析紧水滩大坝的坝体、坝基平均弹性模量,并用混合模型进行验证,说明了应用L-M BP网络进行大坝变形参数反分析是可行和可靠的。
宋志宇[2]2007年在《基于智能计算的大坝安全监测方法研究》文中研究说明以大坝的安全监测为背景,根据智能计算在各学科领域内的广泛应用和大坝安全监测分析方法的发展特点,进行了安全监测中正反分析智能化分析的新方法以及安全监测点位置优化选择的研究。主要内容如下:引入基于统计学习理论的机器学习方法—支持向量机(SVM)到大坝安全监测领域,建立了大坝安全监测的SVM模型,经对实际数据的建模分析并和以往方法的比较表明,支持向量机在预测精度、泛化性能等方面明显好于以往方法。针对经典SVM在处理大规模数据问题时效率慢的不足,引入最小二乘支持向量机(LSSVM),大大改善了其学习效率,同时结合和声搜索(HS)算法,建立了和声搜索最小二乘支持向量机(HSLSSVM)的大坝安全监测自适应建模方法,实测数据分析表明该模型同时具有建模简单、自适应、学习效率高、预测精度高和泛化能力强等特点。应用大坝材料参数反演的两种新方法:微粒群算法(PSO)和人工鱼群算法(AFSA)并对其进行改进。对PSO重新构建了惯性权重的非线性衰减函数,能够更好地协调算法的全局和局部收敛能力;同时还将模拟退火算法(SA)引入到微粒群算法中,增强了算法跳出局部极小的能力,提高了搜索效率。对AFSA,首先应用具有完全混沌特性的Logistic映射系统构造了AFSA的随机数发生系统,同时构建了感知距离的动态调整策略,不仅使算法能较快地到达全局极值附近,同时还加强了算法后期的局部搜索能力。计算表明,改进后建立的ISAPSO和ICAFSA反演算法是两个整体性能较优的新方法,丰富了大坝材料参数反演的智能化方法集。分析了大坝效应量、参数灵敏度和监测点位置优选的关系,提出了大坝安全监测中测点位置优选度的概念并建立了测点位置优选度定量计算的方法,以此可以指导在建大坝安全监测点的布设和已建大坝进行正反分析时监测资料的选取。然后通过对神经网络和支持向量机结构的分析和公式推导,得到网络输出对网络输入的灵敏度计算的一般公式。在使用正交实验定性地分析了对大坝应力应变起主要作用的控制性参数之后,分别通过重力坝和土石坝算例,应用有限元-神经网络方法计算了大坝控制性参数的灵敏度在坝体内的分布,然后进行了大坝位移监测点的位置优选度计算,最后通过算例对本文计算方法的正确性进行了验证。
蒋存仁[3]2013年在《混凝土重力坝变形监测资料分析研究》文中研究指明我国是世界筑坝大国,建国以来,我国水利事业取得了举世瞩目的重大成就。这些大坝给国家带来了显着的社会效益和经济效益。然而随着时间的推移,病坝及老坝的数量不断增加,一旦产生溃坝,将会给下游带来巨大的灾难和经济损失。大坝安全问题日益突出,现已成为很多人关注和研究的焦点。实际上绝大部分大坝的破坏并非突然事件,而是存在着一个很难察觉的由量变到质变的缓慢积累过程。如果通过有效的变形监测手段及时分析了解大坝的运行状态,一定能够提早发现隐患而将事故消灭于未然。大坝变形监测的资料分析是掌握大坝运行状态的主要手段,是判断大坝安危程度的重要依据。实际影响大坝变形的因素错综复杂,各因素对大坝位移的影响无法用确切的定量的关系式来描述,且每座大坝都有其各自的特点。因此,如何根据实际情况及时、准确、合理的对变形资料进行分析,是大坝安全监测领域急需解决的问题。本文首先阐述了大坝变形监测工作中,用统计模型、确定性模型和混合模型进行资料分析的基本理论和基本方法;然后对乌金峡混凝土重力坝的引张线监测资料、垂直位移监测资料、正倒垂线监测资料以及上下游水位、库区气温、水温等环境量的监测资料进行了全面的分析和研究,对各监测量出现极值的原因进行了深入的探讨;最后根据实测资料,建立了变形监测的统计模型、确定性模型和BP神经网络模型。叁大模型的主要研究内容分述如下:1.研究分析了用实测资料建立混凝土重力坝变形监测统计模型的基本原理和方法。并结合该模型对乌金峡混凝土重力坝变形的成因及变化规律进行了分析。2.探讨了用有限元分析软件ANSYS计算大坝水压位移分量和温度位移分量的基本理论,分析了对大坝坝体结构及坝基地质模型进行概化的基本方法。3.结合坝体和坝基的结构性态,利用有限元分析软件ANSYS的计算成果,得到了水压位移分量和温度位移分量的表达式,最终建立了乌金峡混凝土重力坝的变形监测确定性模型。4.根据统计模型和确定性模型的表达式,分析了乌金峡混凝土重力坝水平位移发生变化的主要原因以及水压、温度、时效性这叁部分位移分量的变化规律。5.探讨了BP神经网络的结构,数学描述以及具体的分析步骤等内容,总结了BP算法存在的一些问题,并提出了相应的改进办法。6.以统计模型和确定性模型为基础,应用改进的BP神经网络建立了乌金峡混凝土重力坝水平位移变形监测的BP神经网络模型。7.利用有限元分析软件ANSYS计算得到了神经网络的训练样本,然后运用改进的BP神经网络反演了坝体和坝基的弹性模量,并评价了该方法在实际应用中的可行性。
彭圣军[4]2014年在《混凝土坝安全监控模型数值优化及变位预警指标研究》文中提出大坝原型观测数据处理是其安全监控的重要研究内容,本文针对大坝安全监控模型的拟合残差、分量提取及指标拟定等内容,综合运用统计学方法、遗传算法、人工神经网络、混沌理论、最小二乘支持向量机算法与有限元法等方法,以混凝土坝为研究对象,结合大坝位移原型观测资料,在建立混凝土坝安全监控模型的基础上,研究了监控模型的数值优化方法,探究了大坝主要物理力学参数的反演方法,并给出了大坝变位预警指标的拟定方法。主要研究内容如下:(1)研究了混凝土坝安全监控模型的构建方法,利用遗传算法优化神经网络算法,融合混沌理论,运用相空间重构等技术,对大坝位移拟合残差进行预测,并将残差预测项作为位移监控模型的混沌因子,据此构建了考虑残差混沌因子的混凝土坝位移混沌混合监控模型,并验证了所建模型的有效性。(2)探讨了混凝土坝综合弹性模量的反演方法,在此基础上,提出了一种能够反映大坝位移和坝体弹性模量间非线性映射关系的最小二乘支持向量机(LS-SVM)反演算法,并利用MATLAB平台,研制了基于LS-SVM算法的反分析程序。(3)分析了服役期混凝土重力坝和拱坝的变形过程和转异特征,并在对大坝正反分析的基础上,进一步研究了混凝土坝变位预警指标的拟定方法。(4)以某在役混凝土重力坝为例,在分析其水平位移变化规律的基础上,基于上述理论与方法,构建了该坝位移统计模型、混合模型及考虑残差混沌因子的混沌混合模型;并结合其典型坝段位移监测资料及正反分析成果,拟定了该坝变位预警指标,为评判大坝安全状态提供了理论依据。
杨超[5]2016年在《改进的粒子群优化BP神经网络在大坝变形预测中的应用》文中研究表明大坝建造工程根据其建造的水文、地理、地址条件及其自身的建筑特性,可知大坝工程是一项非常复杂的工程,并且容易受到外界环境因素的影响,这就使得大坝工程在服务于社会的同时就存在着一定的安全隐患。所以对于大坝工程这样的水工建筑来说,安全防范和安全监测工作越来越受到大家的重视。目前,大坝安全监测的方法众多,主要都是对大坝进行实时监测,通过大量的监测变形数据,来分析和判定大坝的安全运行状况。其中在大坝变形预测方面的研究方法通常都只是单一的预测模型,经过大量试验研究表明单一的大坝形变预测模型有着很大的缺陷和不足,而且预测的结果存在很大的差异,所以可靠性和稳定性都不高。本文通过对BP神经网络模型在大坝变形中的应用进行发散式研究,并通过大量试验研究论证出了单一BP神经网络模型在大坝变形预测时存在许多的不足和缺陷。针对其在预测过程中的这些缺陷和不足,提出了一种新的思路,就是将有着很强寻优特性的智能粒子群算法用来优化单一的BP神经网络模型。其设计路线就是采用粒子群算法来优化BP神经网络的权值和阈值,从而不仅可以优化神经网络的结构,也可以提高神经网络的学习效率。然后,再从粒子群算法的基本理论出发,改进粒子群的寻优性能。针对前人提出的的粒子群算法在寻优过程中存在早熟收敛的问题,因此本文在经典粒子群算法中引入一个自适应变异操作,来避免粒子出现早熟收敛而陷入局部极小值的问题。而且在粒子的初始位置和速度加入一个随机性,这样可以提高粒子在搜索前期全局性,也可以提高粒子的全局搜索能力。经过以上改进操作后可以大大提高粒子群优化算法的优化效率。最后,将这种改进后的粒子群优化BP神经网络的模型应用到工程实践中,通过试验研究表明该模型在大坝的变形预测中起到了不错的效果,并且可以将该模型应用在大坝工程的监测数据分析和预报中。
齐银峰[6]2017年在《BP神经网络在大坝变形分析中的应用及改进》文中进行了进一步梳理水库作为当今社会不可或缺的水利工程枢纽,一直以来发都挥着巨大的工程效益。同时也作为防汛抗洪调度的核心工程,为确保一方平安做出了巨大贡献。水力发电不断为经济社会发展以及工业生产提供着所需能源,为人们的日常饮水灌溉提供了稳定的动力和来源。大坝是水库建设与运营的核心建筑物,大坝在设计时需要考虑结构和高度,而大坝的结构和高度是根据洪水淹没范围来考虑,有时也需要考虑上下游的梯级水电站。建筑环境的复杂多变使得坝体通常承受着巨大的荷载,易发生各种类型的偏移及形变,因此安全监测对水库大坝来说至关重要。在定期进行监测的基础上,也需要结合往期数据对大坝的形变进行分析预测,以便在险情来临之前可以做到提早预防。大坝坝体变形的产生与诸多因素有关,如上下游库水位差,气压,温度,时效等,同时由于这些因素一般具有较强的随机性,各因素之间的关系较为复杂,使得这些因素对坝体的变形量产生的影响无法用确切的定量关系式描述。现阶段,大坝变形监测数据分析的方法多种多样,其中大都是结合长期的变形监测数据并利用统计模型对大坝的安全状况进行分析判断,试验研究表明统计模型在处理类似大坝变形这种非线性模糊系统时存在缺陷和不足,分析预测的结果存在较大的误差,可靠性和稳定性不能达到要求。由于BP网络模型可以处理非线性映射问题,而且在处理该问题上具有相当明显的优势。本课题选用BP神经网络模型来对大坝变形的预警进行分析研究。同时对传统的BP网络模型存在的缺陷进行改进,在传统BP网络模型的基础上加入遗传算法和改进粒子群优化算法,使用这两种优化算法实现了对传统BP网络模型的优化,并将其应用于工程实例。结果表明,基于遗传算法和改进粒子群优化算法的BP模型相较于传统的数值分析方法和单一 BP模型分析方法具有预测精度高,容错能力和泛化能力强等优点。
王琳[7]2016年在《基于支持向量机的新安江重力坝变形监测模型》文中提出大坝在建成以后会随着时间慢慢老化,给大坝带来各种潜在的安全隐患,影响到大坝的“健康”状况。因此,大坝的安全监测逐渐被重视,深入研究大坝及坝基的安全监测理论与方法对监控大坝安全状况具有重要意义。近年来,遗传算法、灰色理论、突变理论、人工神经网络等各种新理论和方法逐渐被应用到大坝安全监测资料分析中,这些相关理论的研究与应用,极大地丰富了大坝安全分析的数值模型理论方法,同时促使我国监测资料分析的深入发展。支持向量机(SVM)是一类在统计学习理论基础上发展起来的通用有效的新型机器学习方法,其具有较好的泛化能力,能有效的克服维数灾难,其学习训练过程能避免局部最优解。本文以新安江重力坝的监测数据为例,将SVM的原理应用于大坝变形监测分析中,建立大坝变形监测SVM模型。本文研究的主要内容如下:1.分析新安江重力坝的基本监测数据,确定出新安江重力坝变形监测SVM模型的输入因子。2.基于Libsvm工具箱利用交叉检验K-CV的方法优化SVM模型参数c、g,然后选择RBF与多项式两种不同核函数建立16#坝段的变形监测SVM模型,通过对比分析可知基于RBF核函数的SVM模型预测效果更好。3.建立新安江重力坝16#坝段的BP神经网络模型,通过对SVM模型与BP神经网络模型对比分析可知,SVM变形监测模型的复相关系数、剩余标准差、残差平方和、残差绝对值最大值、最小值、平均绝对误差、平均相对误差分别为0.894、1.116、26.141、2.994、0.003、80.184%、0.989%;BP神经网络模型的的复相关系数、剩余标准差、残差平方和、残差绝对值最大值、最小值、平均绝对误差、平均相对误差分别为0.891、1.315、36.306、3.688、0.064、94.471%、3.161%,SVM模型在建模与预测性能方面优于BP神经网络模型。4.再以新安江重力坝18#坝段为例建立SVM模型与BP网络模型,并将两种模型对比分析得出,SVM模型的预测精度仍优于BP神经网络模型,进一步验证了SVM方法的正确性与优越性。
郄志红[8]2005年在《大坝安全监测资料正反分析的智能软计算方法及其应用》文中认为大坝安全监测资料分析是判断大坝运行状况、馈控坝工结构内部机制的重要手段。其中,监测资料正分析可以通过建立监测模型和监控指标对大坝的运行起到预测和控制作用;而监测资料的反分析(亦称坝工结构反分析)是坝工设计、施工和运行管理中必不可少的重要环节,对优化设计、施工过程中的信息反馈以及反馈设计、诊断坝工安全状况等具有十分重要的意义。本文将智能软计算方法与大坝安全监测资料的正反分析相结合,在以下几个方面进行了研究。(1)提出了“改进的层次型神经网络+均匀设计+结构有限元分析”的叁位一体的以及以Hopfield网络与模拟退火(SA)为基础的坝工结构反分析新方法。(2)将基于最大熵原理的赤池信息量准则(AIC)及赤池贝叶斯信息量准则(ABIC)引入坝工结构反分析领域,提出了模型优选准则和先验信息的采用准则,推导了先验信息比重系数β的计算公式。(3)提出了刻画反演量对观测量影响程度大小的“敏度”概念,以弹性平面问题为例推导了敏度计算公式。进而给出了基于“敏度”的测点优化目标函数并提出了基于遗传算法的观测优化方法。(4)利用大型商业化结构分析软件ANSYS内部的优化工具,编写了重力坝弹性模量反分析程序。并不失一般性地示出了基于此类工具的坝工结构反分析方法。此外,还开发了基于外部调用的智能反分析程序。(5)提出了基于AIC准则和遗传算法的且综合考虑拟合误差与预测误差的环境量因子优选新方法。(6)针对观测数据中存在异常值及反分析中常遇到的不稳定的问题,应用鲁棒控制理论,给出了能自动去除或削弱异常值影响的坝工结构反分析的鲁棒控制方法,特别是提出了基于人工神经网络模型的智能鲁棒控制方法。(7)分别采用遗传算法+径向基神经网络以及分层GA解决了测压管滞后时间及初始漏测量的计算问题。
张帆[9]2016年在《基于神经网络的大坝安全监控模型研究》文中研究说明大坝安全监控是掌握大坝运行性态的重要手段,是判断大坝安全与否的科学依据。大坝安全监控理论及方法的研究与应用已经取得了很大的进展,为保证大坝安全运行发挥了巨大的作用,但是仍然存在一些问题和不足。本文在分析现有的大坝安全监控和大坝安全评价模型的基础上,针对传统方法存在的缺陷,结合一些其它领域的研究理论和方法,对BP神经网络模型进行了优化,并将其应用于大坝安全监控和大坝安全评价中。本文的主要研究工作如下:(1)介绍了BP神经网络的基本特点、网络原理及实现步骤,并针对BP神经网络所存在的不足之处提出了改进措施。(2)介绍了统计模型的建立过程及多元线性回归分析理论,建立了大坝安全监控的BP神经网络模型,并在此基础上创新地提出了一种BP神经网络融合模型。某一实例分析结果表明,统计模型和BP神经网络模型的检验样本中误差为±0.494mm和±0.414mm,而融合模型的中误差为±0.325mm,其模型精度优于统计模型和BP神经网络模型。(3)针对BP神经网络稳定性差、计算结果受初值影响大、易陷入局部极小等缺陷,将遗传算法与BP神经网络相结合建立了遗传神经网络模型,并在此基础上结合融合模型,建立了大坝安全监控的遗传神经网络融合模型。某一实例分析结果表明,遗传神经网络模型的精度相对于BP神经网络有所提高,遗传神经网络融合模型较优。(4)在传统大坝安全评价模型的基础上,提出了安全度值的概念及计算公式,并结合遗传神经网络建立了大坝安全评价的遗传神经网络模型。某一实例分析结果表明,该模型精度较高,大坝整体安全度值的拟合结果与实际计算结果相差较小,最大差值的绝对值仅为0.0403,且该模型可以直接利用原始大坝观测数据进行大坝安全评价。
康飞[10]2008年在《大坝安全监测与损伤识别的新型计算智能方法》文中提出随着经济的高速发展,我国兴建了大批的重大土木工程项目,这些重大工程项目的使用期较长,影响力较大,一旦失事,会造成严重的生命财产损失。因此为了保障结构的安全性、完整性、适用性和耐久性,已经建成的许多重大工程结构和基础设施急需采用有效的手段检测和评定其安全状况、修复和控制损伤。许多新建的大型结构和基础设施,如大坝、桥梁、海洋平台等,增设了长期的安全/健康监测系统,以监测结构的服役安全状况,并为研究结构服役期间的损伤演化规律提供有效的、直接的方法。监测系统中数据采集与传感的一个基本假设是这些系统不是直接测量结构异常,而是测量系统在它的运作或环境载荷下的响应,或者是对嵌入传感系统中作动器输入的响应。传感器的读数或多或少的与结构异常的存在及其位置相关。数据处理程序对于结构健康监测系统来说是必须的,它们将传感器采集到的数据转化为结构状况的信息。计算智能是大坝等结构安全监测建立预报模型和进行反演分析的有力工具,已经取得了一些成果,但仍存在一些不足。计算智能目前仍处于快速发展阶段,将几种新型的计算智能方法引入大坝等结构的安全监测预报建模与反演分析领域,开展了一些有意义的工作。差分进化算法、微粒群优化算法和人工蜂群算法是几种具有较大发展潜力的新型智能优化方法,和传统的遗传算法相比具有实现简单、收敛性能好等优点。差分进化算法和微粒群优化算法在处理多维优化问题时具有较好的收敛性能,将他们用于损伤识别问题,并将几种人工免疫特性引入微粒群算法,提出了一种结构损伤识别的免疫加强微粒群算法。对人工蜂群算法进行了改进,针对其由搜索模式的单一性导致的参数较少时的“趋同”问题,将单纯形算子引入算法中,提出一种混合单纯形人工蜂群算法,改进算法不仅收敛速度明显加快,且由于搜索方式的增多,也很少陷入停滞现象。静动态反演分析算例表明,所提出的算法是高效的优化反演方法,为大坝参数的识别,进而进行结构响应预报建模与损伤评估提供了新的途径。径向基网络与BP网络相比,不仅具有生物学基础和数学基础,而且结构简单,学习速度快,隐节点具有局部特性,逼近能力更强。提出了一种处理复杂反演分析问题的蚁群聚类径向基网络模型。该模型避免了智能优化反演方法需要循环迭代,计算效率不高的问题;以及传统神经网络模型训练时间长、易陷入局部最优以及反演精度不高的问题。它可以直接用于叁维土石坝双屈服面模型参数反演这样计算量巨大的大型非线性多参数反演问题。采用蚁群聚类选择径向基函数中心,克服了传统K-means聚类易陷入局部最优,和对初始聚类中心依赖强的缺点,能够获得更合理的聚类中心,得到满意的径向基网络模型。支持向量机是数据挖掘中的一项新技术,是借助于最优化方法解决机器学习问题的新工具。模型参数选择是采用支持向量机进行建模的关键影响因素,采用叁种方法进行模型参数选择,分别是:基于网格平行搜索的交互验证法、遗传算法和粒子群算法。将所建立的模型用于金竹山电厂贮灰坝渗流测压管预测,表明支持向量机模型预测精度高,泛化能力强,是一种高效的系统建模方法。优化的传感器网络结构可以最小化所需要的传感器数量,节约投资,同时能够提高精度并提供一个鲁棒性的系统。在研究大坝安全监测中静动态传感器优化配置模型和准则的基础上,将单亲遗传算法用于求解该问题。传统遗传算法在求解组合优化问题时,交叉操作可能产生不可行解,需要借助一些复杂的操作算子,不仅效率不高且缺乏理论基础;单亲遗传算法遗传操作在一条染色体上进行,避免了该问题。同时为了进一步提高单亲遗传算法的性能,提出了两种改进算法,即自适应模拟退火单亲遗传算法和病毒协同进化单亲遗传算法。通过算例验证了所提出模型和算法的有效性。
参考文献:
[1]. 基于人工神经网络的大坝变形监测正反分析研究[D]. 周洪波. 武汉大学. 2004
[2]. 基于智能计算的大坝安全监测方法研究[D]. 宋志宇. 大连理工大学. 2007
[3]. 混凝土重力坝变形监测资料分析研究[D]. 蒋存仁. 兰州交通大学. 2013
[4]. 混凝土坝安全监控模型数值优化及变位预警指标研究[D]. 彭圣军. 南昌大学. 2014
[5]. 改进的粒子群优化BP神经网络在大坝变形预测中的应用[D]. 杨超. 东华理工大学. 2016
[6]. BP神经网络在大坝变形分析中的应用及改进[D]. 齐银峰. 昆明理工大学. 2017
[7]. 基于支持向量机的新安江重力坝变形监测模型[D]. 王琳. 昆明理工大学. 2016
[8]. 大坝安全监测资料正反分析的智能软计算方法及其应用[D]. 郄志红. 天津大学. 2005
[9]. 基于神经网络的大坝安全监控模型研究[D]. 张帆. 东南大学. 2016
[10]. 大坝安全监测与损伤识别的新型计算智能方法[D]. 康飞. 大连理工大学. 2008