CN109033509A - 一种基于大坝变形分析的融合模型构建方法 - Google Patents
一种基于大坝变形分析的融合模型构建方法 Download PDFInfo
- Publication number
- CN109033509A CN109033509A CN201810612498.5A CN201810612498A CN109033509A CN 109033509 A CN109033509 A CN 109033509A CN 201810612498 A CN201810612498 A CN 201810612498A CN 109033509 A CN109033509 A CN 109033509A
- Authority
- CN
- China
- Prior art keywords
- model
- dam
- vertical displacement
- hydraulic pressure
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于大坝变形分析的融合模型构建方法,包括以下步骤:S1:对大坝上观测点连续监测得到的垂直位移观测数据进行预处理,得到重力拱坝上点的垂直位移与水压H、温度T和时效θ这三个因素的对应关系,从而得到重力拱坝上点的垂直位移与水压H、温度T和时效θ这三个因素之间的统计模型;S2:利用统计模型得到拟合的垂直位移计算值YS;S3:引入模型误差补偿技术,在统计模型的基础上,利用思维进化算法和BP神经网络建立非线性拟合,确定最终的融合模型并验证其精度。本发明能够有效提高所构建模型的精度。
Description
技术领域
本发明涉及大坝变形与安全监测领域,特别是涉及一种基于大坝变形分析的融合模型构建方法。
背景技术
修建大坝是对水资源进行综合利用的一项极具意义的工程措施,在防洪、供水、旅游、发电、航运等方面发挥着不可替代的作用,可以给人们的生产和生活提供便利,带来了巨大的综合经济效益。但是,也存在着一定的风险,一旦出现险情,就会造成严重的经济损失或人员伤亡。因此,大坝的安全极其重要,为确保大坝的安全运营,大坝的变形监测以及大坝变形监测数据的处理与分析意义重大。在大坝变形监测数据处理与分析的过程中,建立良好的大坝变形分析模型是至关重要的。
然而,现有技术中的大坝变形分析模型构建方法构建出的模型往往精度较低。
发明内容
发明目的:本发明的目的是提供一种能够有效提高模型精度的基于大坝变形分析的融合模型构建方法。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的基于大坝变形分析的融合模型构建方法,包括以下步骤:
S1:对大坝上观测点连续监测得到的垂直位移观测数据进行预处理,得到重力拱坝上点的垂直位移与水压H、温度T和时效θ这三个因素的对应关系,从而得到重力拱坝上点的垂直位移与水压H、温度T和时效θ这三个因素之间的统计模型;
S2:利用统计模型得到拟合的垂直位移计算值YS;
S3:引入模型误差补偿技术,在统计模型的基础上,利用思维进化算法和BP神经网络建立非线性拟合,确定最终的融合模型并验证其精度。
进一步,所述步骤S2中,通过式(1)得到统计模型拟合的垂直位移计算值YS:
式(1)中,YH为水压分量,YT为温度分量,Yθ为时效分量;H是坝前水深,也就是库水位;a0是常数项;ai是水压因子回归系数,i=1~4;t是累计进行观测的天数;b1j、b2j是温度因子回归系数,j=1~2;θ是累计进行观测的天数除以100;c1、c2是时效因子回归系数。
进一步,所述步骤S3包括以下过程:
S3.1:训练数据集,确定BP神经网络拓扑结构;
S3.2:设置思维进化算法的参数;
S3.3:产生初始种群、优胜子种群和临时子种群;
S3.4:进行子种群趋同操作;
S3.5:进行子种群异化操作;
S3.6:判断是否满足结束条件:如果满足,进行步骤S3.7;否则,回到步骤S3.4;
S3.7:输出最优个体;
S3.8:获取最优权值;
S3.9:训练BP神经网络;
S3.10:测试。
有益效果:本发明公开了一种基于大坝变形分析的融合模型构建方法,与现有技术中的模型构建方法相比,能够有效提高所构建模型的精度。
附图说明
图1为本发明具体实施方式中步骤S3的流程图;
图2为本发明具体实施方式中三种模型的偏差分布情况;
图2(a)为对于5#104观测点进行检验时三种模型的偏差分布情况;
图2(b)为对于11#110观测点进行检验时三种模型的偏差分布情况;
图2(c)为对于12#112观测点进行检验时三种模型的偏差分布情况;
图2(d)为对于14#114观测点进行检验时三种模型的偏差分布情况;
图2(e)为对于16#116观测点进行检验时三种模型的偏差分布情况;
图2(f)为对于18#118观测点进行检验时三种模型的偏差分布情况。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于大坝变形分析的融合模型构建方法,包括以下步骤:
S1:对大坝上观测点连续监测得到的垂直位移观测数据进行预处理,得到重力拱坝上点的垂直位移与水压H、温度T和时效θ这三个因素的对应关系,从而得到重力拱坝上点的垂直位移与水压H、温度T和时效θ这三个因素之间的统计模型;经过定性分析可知,重力拱坝任一点的垂直位移的主要受水压、温度和时效这三个因素影响。为进一步分析重力拱坝任一点的垂直位移与水压、温度和时效的定量关系,利用某大坝上6个观测点1999年1月到2006年12月连续监测得到的数据,剔除其中含粗差的数据,得到相应的6个观测点的垂直位移与这三个因素的对应关系。
S2:利用统计模型得到拟合的垂直位移计算值YS。
S3:引入模型误差补偿技术,在统计模型的基础上,利用思维进化算法和BP神经网络建立非线性拟合,确定最终的融合模型并验证其精度。
步骤S2中,通过式(1)得到统计模型拟合的垂直位移计算值YS:
式(1)中,YH为水压分量,YT为温度分量,Yθ为时效分量;H是坝前水深,也就是库水位;a0是常数项;ai是水压因子回归系数,i=1~4;t是累计进行观测的天数;b1j、b2j是温度因子回归系数,j=1~2;θ是累计进行观测的天数除以100;c1、c2是时效因子回归系数。针对大坝上观测点的监测数据,分别计算H、H2、H3、H4、θ、lnθ的值,利用最小二乘法针对各个监测点分别建立统计模型,其中的60个样本用于建立统计模型,利用相应的统计模型拟合得到的垂直位移计算值,余下的36个样本作为检验样本,通过检验样本去检测建立的统计模型的精度。
步骤S3中,思维进化算法优化的BP神经网络,就是利用思维进化算法对BP神经网络的初始权值和阈值进行优化。首先,根据BP神经网络的拓扑结构,将解空间映射到编码空间,每个编码对应问题的一个解(即个体)。这里,选择BP神经网络拓扑结构为11-5-1,编码长度为21.然后,选取训练集的均方误差的倒数作为各个个体与种群的得分函数,利用思维进化算法,经过不断迭代,输出最优个体,并以此作为初始权值和阈值,训练BP神经网络。
基于S2中构建统计模型使用的数据,使用思维进化算法优化的BP神经网络建立非线性拟合模型,并在此基础上引入误差补偿技术。使用模型误差补偿的技术,使建立非线性拟合模型的拟合能力得到改进:
①输入层有11个参数,为10个影响大坝变形的因子和通过统计模型拟合得到的值YS,即:H、H2、H3、H4、θ、lnθ和统计模型拟合值YS。
②输出层为实测得到的垂直位移值y0与统计模型的拟合值YS之差Δy=YS-y0。MEA+BP神经网络融合模型的最终的拟合值为该神经网络模型得到的模拟值与统计模型拟合值之和。
如图1所示,步骤S3包括以下过程:
S3.1:训练数据集,确定BP神经网络拓扑结构;
S3.2:设置思维进化算法的参数;
S3.3:产生初始种群、优胜子种群和临时子种群;
S3.4:进行子种群趋同操作;
S3.5:进行子种群异化操作;
S3.6:判断是否满足结束条件:如果满足,进行步骤S3.7;否则,回到步骤S3.4;
S3.7:输出最优个体;
S3.8:获取最优权值;
S3.9:训练BP神经网络;
S3.10:测试。
将本方法所构建的模型命名为融合模型,为了分析该模型的精度,本专利利用了平均绝对偏差(MAD)和均方根误差(RMSE)作为评价模型的精度指标,其中MAD表示准确度,即模型与真值的偏离程度;RMSE表示精度,用于衡量模型的可靠性和稳定性。
它们的计算式分别为:
式中y0为实测得到的垂直位移值,y′为模型的拟合值。
采用某大坝上6个观测点1999年1月到2006年12月连续观测得到的垂直位移观测数据。剔除每个观测点中含粗差的数据,平均每年取12个样本,最终每个观测点可以得到96个样本,以其中的60个作为学习样本,余下的36个作为检验样本。
表1不同模型检验样本MAD和RMSE汇总表(mm)
使用统计模型、思维进化算法优化的BP神经网络模型(MEA+BP)以及基于误差补偿技术的MEA+BP神经网络融合模型(即本具体实施方式提出的融合模型)进行检验时,三种模型的残差分布情况如下图2所示。
从表1和图2可以看出:
(1)相比思维进化算法优化的神经网络(MEA+BP)模型以及基于误差补偿技术的MEA+BP神经网络融合模型,统计模型的平均绝对偏差最大,而均方根误差的平均值也是统计模型最大,两种基于神经网络的模型精度均优于统计模型,说明神经网络具有强大的非线性拟合能力。
(2)基于误差补偿技术的MEA+BP神经网络融合模型精度相对于MEA+BP神经网络模型有所提高。思维进化算法优化的BP神经网络模型均方根误差平均值为0.4289,比统计模型稍小(0.5220),而基于误差补偿技术的MEA+BP神经网络融合模型的均方根误差值是最小的,平均为0.3753,相对于统计模型精度提高约28%。
(3)图2(a)-图2(f)中,统计模型的预测残差整体波动幅度最大,因此其检验样本的平均绝对偏差和均方根误差都较大;思维进化算法优化的BP神经网络模型的预测残差波动幅度也较大,其检验样本的平均绝对偏差和均方根误差与统计模型相差不大;基于误差补偿技术的MEA+BP神经网络融合模型的预测残差波动相对比较稳定,而且都较小,故该融合模型拟合的精度最高。
Claims (3)
1.一种基于大坝变形分析的融合模型构建方法,其特征在于:包括以下步骤:
S1:对大坝上观测点连续监测得到的垂直位移观测数据进行预处理,得到重力拱坝上点的垂直位移与水压H、温度T和时效θ这三个因素的对应关系,从而得到重力拱坝上点的垂直位移与水压H、温度T和时效θ这三个因素之间的统计模型;
S2:利用统计模型得到拟合的垂直位移计算值YS;
S3:引入模型误差补偿技术,在统计模型的基础上,利用思维进化算法和BP神经网络建立非线性拟合,确定最终的融合模型并验证其精度。
2.根据权利要求1所述的基于大坝变形分析的融合模型构建方法,其特征在于:所述步骤S2中,通过式(1)得到统计模型拟合的垂直位移计算值YS:
式(1)中,YH为水压分量,YT为温度分量,Yθ为时效分量;H是坝前水深,也就是库水位;a0是常数项;ai是水压因子回归系数,i=1~4;t是累计进行观测的天数;b1j、b2j是温度因子回归系数,j=1~2;θ是累计进行观测的天数除以100;c1、c2是时效因子回归系数。
3.根据权利要求1所述的基于大坝变形分析的融合模型构建方法,其特征在于:所述步骤S3包括以下过程:
S3.1:训练数据集,确定BP神经网络拓扑结构;
S3.2:设置思维进化算法的参数;
S3.3:产生初始种群、优胜子种群和临时子种群;
S3.4:进行子种群趋同操作;
S3.5:进行子种群异化操作;
S3.6:判断是否满足结束条件:如果满足,进行步骤S3.7;否则,回到步骤S3.4;
S3.7:输出最优个体;
S3.8:获取最优权值;
S3.9:训练BP神经网络;
S3.10:测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810612498.5A CN109033509A (zh) | 2018-06-14 | 2018-06-14 | 一种基于大坝变形分析的融合模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810612498.5A CN109033509A (zh) | 2018-06-14 | 2018-06-14 | 一种基于大坝变形分析的融合模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109033509A true CN109033509A (zh) | 2018-12-18 |
Family
ID=64609667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810612498.5A Pending CN109033509A (zh) | 2018-06-14 | 2018-06-14 | 一种基于大坝变形分析的融合模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033509A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111508216A (zh) * | 2020-04-28 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
CN112417720A (zh) * | 2020-11-10 | 2021-02-26 | 中国水利水电科学研究院 | 一种谷幅收缩变形作用下拱坝长期安全度的评价方法 |
CN113723010A (zh) * | 2021-09-08 | 2021-11-30 | 福建中锐网络股份有限公司 | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 |
CN114154686A (zh) * | 2021-11-16 | 2022-03-08 | 东南大学 | 一种基于集成学习的大坝变形预测方法 |
CN114372393A (zh) * | 2021-12-15 | 2022-04-19 | 中国水利水电科学研究院 | 一种谷幅变形影响下拱坝安全预警方法 |
-
2018
- 2018-06-14 CN CN201810612498.5A patent/CN109033509A/zh active Pending
Non-Patent Citations (4)
Title |
---|
何金平 等: "大坝结构性态多测点数学模型研究", 《武汉水利水电大学学报》 * |
吴中如 等: "混凝土坝的位移确定性模型研究", 《大坝观测与土工测试》 * |
张帆 等: "神经网络融合模型在大坝安全监控中的应用", 《测绘工程》 * |
朱毅 等: "MEA-BP神经网络在大坝变形预测应用", 《万方数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111508216A (zh) * | 2020-04-28 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
CN111508216B (zh) * | 2020-04-28 | 2021-12-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
CN112417720A (zh) * | 2020-11-10 | 2021-02-26 | 中国水利水电科学研究院 | 一种谷幅收缩变形作用下拱坝长期安全度的评价方法 |
CN112417720B (zh) * | 2020-11-10 | 2021-08-10 | 中国水利水电科学研究院 | 一种谷幅收缩变形作用下拱坝长期安全度的评价方法 |
CN113723010A (zh) * | 2021-09-08 | 2021-11-30 | 福建中锐网络股份有限公司 | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 |
CN113723010B (zh) * | 2021-09-08 | 2024-01-26 | 福建中锐网络股份有限公司 | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 |
CN114154686A (zh) * | 2021-11-16 | 2022-03-08 | 东南大学 | 一种基于集成学习的大坝变形预测方法 |
CN114372393A (zh) * | 2021-12-15 | 2022-04-19 | 中国水利水电科学研究院 | 一种谷幅变形影响下拱坝安全预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033509A (zh) | 一种基于大坝变形分析的融合模型构建方法 | |
CN105139585B (zh) | 一种土质边坡险情智能预警预报方法 | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
CN103617371A (zh) | 一种基于灰色理论的电能质量综合评估方法 | |
CN102867110A (zh) | 一种输电线路杆塔基础边坡暴雨灾害风险评估方法 | |
CN111291514A (zh) | 一种风电机组疲劳寿命的快速预测的方法 | |
CN103838931A (zh) | 一种工程机械臂架类结构再制造准入期评估方法 | |
CN109376933A (zh) | 基于神经网络的锂离子电池负极材料能量密度预测方法 | |
CN108872508A (zh) | 一种ga-bp优化tsfnn的富营养水质评价方法 | |
CN112347537B (zh) | 工程结构数值模型的校准方法、装置、电子设备及介质 | |
CN109858112B (zh) | 基于结构应力监测结果的数值反演分析方法 | |
CN107545110A (zh) | 一种动态应力加速寿命试验剖面编制方法 | |
CN115659729B (zh) | 一种基于结构仿真计算的大坝安全监测分析方法及系统 | |
CN114580940A (zh) | 基于灰色关联度分析法的注浆效果模糊综合评价方法 | |
CN111582634B (zh) | 一种地下大空间施工多因素安全分级方法及系统 | |
CN112565593B (zh) | 一种针对空间调焦机构的动态可靠性分析方法 | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN116842841A (zh) | 基于人工智能的沉管隧道服役状态预测方法 | |
CN116805220A (zh) | 一种基于熵理论的标准效能分析模型与评估方法 | |
CN107688702B (zh) | 一种基于狼群算法的河道洪水流量演进规律模拟方法 | |
CN115392715A (zh) | 一种用电数据风险评估方法、装置、设备及存储介质 | |
CN105488734A (zh) | 基于全生命周期的电能计量装置质量评估方法及系统 | |
CN111339679B (zh) | 一种预测自然环境下ldpe老化等级的模糊识别模型建立方法 | |
CN109284478B (zh) | 一种估计对数正态型单元可靠性参数的方法 | |
CN112581311A (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |
|
RJ01 | Rejection of invention patent application after publication |