CN109035730A - 一种考虑服役环境影响的混凝土坝损伤动力预警方法 - Google Patents
一种考虑服役环境影响的混凝土坝损伤动力预警方法 Download PDFInfo
- Publication number
- CN109035730A CN109035730A CN201810775494.9A CN201810775494A CN109035730A CN 109035730 A CN109035730 A CN 109035730A CN 201810775494 A CN201810775494 A CN 201810775494A CN 109035730 A CN109035730 A CN 109035730A
- Authority
- CN
- China
- Prior art keywords
- dam
- damage
- concrete dam
- concrete
- modal parameter
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Abstract
本发明公开了一种考虑服役环境影响的混凝土坝损伤动力预警方法,包括如下步骤:在识别混凝土坝在不同服役环境下各阶模态参数的基础上,拟合并构建环境量与模态参数间关系模型;建立大坝损伤动力预警尖点突变模型,并利用灰色理论拟定表示大坝损伤程度的安全度指标,作为混凝土坝实时安全诊断的依据。本发明剔除了服役环境变化对大坝模态参数识别值的影响,以较少的大坝动力监测测点和数据,确定了混凝土坝损伤警戒阈值和表示大坝损伤程度的安全度指标;能够很好地反映混凝土坝损伤状态的突变并有效地评估混凝土坝的安全状态;在混凝土坝出现静力监测资料连续性较差、完整度不高的情况时,可以为大坝的状态评估提供一种新的参考。
Description
技术领域
本发明涉及水工程健康监测方法,尤其涉及一种考虑服役环境影响的混凝土坝损伤动力预警方法。
背景技术
我国已建大坝的数量、规模以及所采用的技术难度均处在世界的前列,近年来由于社会经济发展的需要,促进了对大渡河、澜沧江、金沙江等西南诸河流的水利开发,使得我国大坝建设又进入一次高峰。由于工程多选址于山区,所处的地质条件复杂,其一旦发生事故,将对社会、经济和环境产生十分重大的影响,保证大坝的安全是设计建设运行中的头等大事,亦是坝工相关领域学者关注的重要研究方向。
传统的混凝土坝损伤预警方法基于静力监测资料建立不同监测项目对应的监控指标,如水平位移、垂直位移和裂缝开合度等。但在实际工程中,混凝土坝损伤的出现多具有时空随机性和隐蔽性的特点,给损伤萌生、发展的辨识、监测、预警等带来了极大的困难。而模态参数是结构的固有特性,结构损伤的出现势必导致结构模态参数的变化,其识别可以通过少数几个测点的动力响应数据实现,因此在反映结构整体特征、揭示损伤萌生与发展过程等方面具有优势。
实际大坝工程多不满足环境变量的稳定性假设,不断发生变化的水位、温度等因素会造成大坝动力特性的变化,从而对其模态参数产生比较大的影响。因此,基于动力响应信息对混凝土坝进行损伤预警,首先需要剔除服役环境对模态参数的影响,以期更客观更精确地诊断混凝土坝损伤的情况。混凝土坝的模态参数剔除环境量影响后可用来识别和诊断损伤。但微小或非关键部位损伤对混凝土坝服役安全影响有限,诊断指标变化所反映的损伤,其发展到何种程度可能严重危害大坝安全,这是大坝损伤预警需要回答的核心问题。大坝动力监测的测点和数据一般较少,所以基于传统方法来进行大坝损伤动力预警模型的构建和评估难度较大,需要对传统方法进行改进与创新,构建一种可以真正实用化的混凝土坝损伤动力预警方法。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明的目的是提供一种考虑服役环境影响的混凝土坝损伤动力预警方法,该方法能够很好地反映混凝土坝损伤状态的突变并有效地评估混凝土坝的安全状态,为当前水工混凝土结构动态健康监测探究提供了重要的支撑。
技术方案:为实现上述目的,本发明所述的考虑服役环境影响的混凝土坝损伤动力预警方法,包括以下步骤:
步骤一:当混凝土坝受环境激励作用时,综合运用传感技术、信息处理技术、模态分析技术,提取大坝在不同服役环境下的模态参数;
步骤二:拟合并构建环境量与模态参数间关系模型,剔除环境量改变对模态参数识别的影响,以模型值与实测值的残差绝对值作为大坝的初始损伤信息指标;
步骤三:计算初始损伤信息指标中的主成分作为大坝损伤的综合诊断指标,并将正常运行下的监测资料分为训练组和验证组,验证损伤综合诊断指标中有效信息量的保有情况;
步骤四:使用强降法,模拟混凝土坝不同程度的损伤,以损伤的急剧增大即损伤动力预警尖点突变模型判断综合诊断指标越过临界状态作为大坝因损伤而破坏的判据;
步骤五:计算损伤综合诊断指标与损伤程度的量化关系,拟定表示大坝损伤程度的安全度指标,作为混凝土坝实时安全诊断的依据。
优选的,所述步骤一具体为:
(1.1)提取不同日期(即不同服役环境)环境激励作用下混凝土坝的振动响应,运用随机子空间法(Stochastic Subspace Identification,SSI)进行系统识别;
所述环境激励作用包括地震、脉动水压力、水电站和泵站厂房振源以及交通振动荷载;
(1.2)基于稳态图进行系统定阶,确定混凝土坝的模态参数。
所述步骤二具体为:
(2.1)分别建立环境变量集xi和模态参数集yi,引入非线性核函数将环境变量集xi从原空间映射到高维特征空间,将环境变量与模态参数间的线性不可分问题转化为高维特征空间中的线性问题;
(2.2)采用粒子群优化算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vector Machine,SVM)构建环境量与模态参数的回归模型,引入松弛变量和惩罚因子,得到基于分类的回归问题,该问题的最优解即代表环境变量与模态参数之间的数量关系;以模态参数的模型计算值和实测值的残差平方和的根作为适应值优化SVM参数。粒子群优化算法的支持向量机具体方法为:
(2.2.1)设定粒子群的初始参数,随机赋予各粒子的位置信息,位置信息包含待寻优的惩罚因子C和核函数参数,核函数选取高斯径向基核函数;
(2.2.2)以环境变量为输入量,模态参数为输出量,计算不同粒子表示的参数条件下二者的回归模型,以模态参数的模型计算值和实测值的残差平方和的根为适应值;
(2.2.3)比较每个粒子当前适应值和上一步迭代的个体最优位置的适应值,若发现当前位置的适应值好于最优位置,即将当前位置作为粒子个体的最优位置;将所有粒子计算得到的适应值与全局经历过的最优适应值进行比较,若发现有更好的适应值,则把其对应的位置作为全局最优位置;
(2.2.4)更新各粒子的位置和速度,如满足最大迭代次数,则输出优化的SVM参数,否则更新适应值并循环。
所述步骤三具体为:
(3.1)从实测训练数据中识别出模态参数矩阵Y,从步骤二中提取环境变量对模态参数的影响矩阵两者的残差绝对值作为初始损伤信息指标矩阵X;同时计算测试序列的初始损伤信息指标矩阵
(3.2)对X和进行主成分分析,结果中主成分构成大坝损伤状态的综合诊断指标;
(3.3)对其主元子空间进行统计检验,计算其平方预测误差SPE和Hotelling T2统计量,检验训练所得指标的稳定性。
所述步骤四具体为:
(4.1)采用强降法,模拟不同程度的混凝土坝损伤状况;
(4.2)提取各损伤状况下的综合诊断指标,以强度折减倍数和综合诊断指标构建损伤动力预警尖点突变模型的势函数:
H=V(K)=n0+n1K+n2K2+n3K3+n4K4
式中,K表示不同程度的材料强度折减倍数;n0、n1、n2、n3和n4表示拟合多项式的系数;令K=x-L,x为状态变量;a,b为控制变量;
当损伤动力预警尖点突变模型判断综合诊断指标越过临界状态时,表示大坝损伤急剧加重、混凝土坝面临整体破坏,以临界状态的综合诊断指标作为损伤警戒阈值。
所述步骤4中的损伤动力预警尖点突变模型判断大坝临界状态的具体方法为:
势函数的临界面方程可表示为:
V'(x)=4x3+ax+b=0
其实根的判别式为:
Δ=4a3+27b2
当Δ>0时,有一个实根,表明大坝系统未发生突变;当Δ<0时,有三个互异的实根,表明大坝系统已经发生突变;当Δ=0时,三个实根中有两个根是相等的(a、b均不为零)或者三个根都是相等的(a=b=0),表明大坝系统已经处于临界状态。
进一步优选的,所述步骤五具体为:以各阶损伤警戒阈值作为参考序列,以实测序列计算所得的综合诊断指标作为比较序列,计算参考序列与比较序列之间的灰色综合关联度ρin并计算各损伤状态的安全度Kρ
有益效果:与现有技术相比,本发明具有如下显著进步:1、剔除了服役环境变化对大坝模态参数识别值的影响,同时剔除了随机干扰项对大坝损伤状态综合诊断指标的影响,保证提取的指标能够真实反映混凝土坝的结构状态。2、结合仿真计算,得到大坝不同损伤状态下的损伤考察量,从而能够辨识损伤程度的质变点,确定了以综合诊断指标为参数的损伤警戒阈值。3、在大坝动力监测测点和数据较少的情况下,引入灰色关联分析,弥补了数理统计方法处理不确定系统信息的不足。
附图说明
图1为本发明中PSO-SVM构建环境量与模态参数间回归模型的流程图;
图2为本发明中尖点突变理论势函数和平衡临界方程示意图;
图3为实施例中某坝段一阶频率与水位过程线;
图4为实施例中某坝段一阶频率与气温过程线;
图5为实施例中验证数据组的T2统计量分布;
图6为实施例中验证数据组的SPE统计量分布。
具体实施方式
下面结合具体实施例和附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
实施例:本发明所述的一种考虑服役环境影响的混凝土坝损伤动力预警方法,以某混凝土坝19#坝段加速度计的36次记录为例进行分析,采用SSI-DATA方法识别模态频率,并根据稳态图确定真实的模态频率,通过SSI-DATA方法识别出的频率结果如表1。
表1 SSI-DATA法频率识别结果
由过程线图3、图4可以看出,大坝的自振频率主要受水位变化影响,水位降低时,自振频率一般升高;同时气温对自振频率的影响不可忽略。
基于混凝土重力坝的非线性动力系统特性并考虑气温对坝体影响的延后效应,以水位H、水位的2次方H2、水位的3次方H3和观测日期前5天、20天、60天、90天的气温均值建立环境变量集xi,作为支持向量机的输入向量;以前述大坝自振频率的识别值建立模态参数集yi,作为输出向量。选择高斯径向基核函数将环境变量集进行投影,构建输入向量与输出向量间的SVM模型。
然后随机生成支持向量机中惩罚因子C和核函数参数的初始种群,以SVM模型计算值和实测值的残差平方和的根为适应值。若发现当前位置的适应值好于最优位置,即将当前位置作为粒子个体的最优位置。将所有粒子计算得到的适应值与全局经历过的最优适应值进行比较,若发现有更好的适应值,则把其对应的位置作为全局最优位置。满足最大迭代次数时,输出优化的SVM参数。
计算实测值与最优模型值的残差绝对值,将其作为大坝的初始损伤信息指标,以第一阶自振频率为例,表2为19#坝段第一阶自振频率的拟合结果:
表2第一阶自振频率拟合预测结果
然后检验初始损伤信息指标中有效信息量的保留情况。以实测训练数据1~27组及其模型拟合数据的残差绝对值组成训练数据矩阵X,实测验证数据28~36组及其模型拟合数据的残差绝对值组成验证数据矩阵分别对其进行主成分分析。19#坝段的一阶初始损伤信息指标的主成分分析成果如表3,可见前三主成分即包含了一阶初始损伤信息指标的主要信息。
表3主成分分析特征值贡献率
计算验证数据组前三主成分之和的SPE和T2统计量,并根据训练数据组X前三主成分之和确定相应的控制限UCL,其一阶主成分分析计算结果如图5、图6所示,可知初始损伤信息指标的主成分中关于大坝状态的有效信息得以保留,记录初始损伤信息指标的主成分为综合诊断指标。
采用强降法分析不同强度折减倍数下大坝系统的损伤演化规律,并计算不同工况下的综合诊断指标。取模型计算不再收敛时的强度折减倍数工况作为大坝损伤急剧加重的临界状态,此时综合诊断指标也发生急剧变化。根据损伤动力预警尖点突变模型,大坝处于临界状态时,Δ=0。大坝出现损伤时,通常首先表现为高阶综合诊断指标Δ<0,如表4,这是因为结构的高阶频率对损伤状态的感知更为敏感。
表4不同强度折减系数时判别式的正负情况
临界状态的综合诊断指标即为各阶综合诊断指标的损伤警戒阈值,将其作为参考序列,其他强度折减系数时的综合诊断指标作为比较序列,分析参考序列与比较序列之间的灰色关联性。所得的不同折减系数情况下的灰色关联度ρin可用来定义安全度Kρ:
式中,n代表大坝受损的临界状态,i代表不同的强度折减系数工况。强度折减系数越接近损伤临界工况,序列灰色关联度ρin越大,安全度Kρ越接近1。
因此,当大坝实际运行时采集到新的振动响应信号,通过以上计算可更新其安全度Kρ,达到实时监控大坝损伤状态的目的。
综上,本发明在识别混凝土坝在不同服役环境下各阶模态参数的基础上,将粒子群优化算法(Particle Swarm Optimization,PSO)和支持向量机(Support VectorMachine,SVM)相结合构建环境量与模态参数的回归模型(PSO-SVM模型),从而能够计算大坝初始损伤信息指标并对其有效信息量的保有情况进行校核;剔除了环境量影响因素对大坝损伤诊断的影响,通过仿真计算得到不同强度折减倍数下混凝土坝的损伤状况,然后结合突变理论和灰色理论构建混凝土坝损伤动力预警模型并提出相应的安全评估方法,作为混凝土坝实时安全诊断的依据。以此能够良好地反映混凝土坝损伤状态的突变并有效地评估混凝土坝的安全状态,为当前水工混凝土结构动态健康监测探究提供重要支撑。
Claims (8)
1.一种考虑服役环境影响的混凝土坝损伤动力预警方法,其特征在于,包括以下步骤:
步骤一:当混凝土坝受环境激励作用时,提取大坝在不同服役环境下的模态参数;
步骤二:拟合并构建环境量与模态参数间关系模型,剔除环境量改变对模态参数识别的影响,以模型值与实测值的残差绝对值作为大坝的初始损伤信息指标;
步骤三:计算初始损伤信息指标中的主成分作为大坝损伤的综合诊断指标,并将正常运行下的监测资料分为训练组和验证组,验证损伤综合诊断指标中有效信息量的保有情况;
步骤四:使用强降法,模拟混凝土坝不同程度的损伤,以损伤动力预警尖点突变模型判断综合诊断指标越过临界状态作为大坝因损伤而破坏的判据;
步骤五:计算损伤综合诊断指标与损伤程度的量化关系,拟定表示大坝损伤程度的安全度指标,作为混凝土坝实时安全诊断的依据。
2.根据权利要求1所述的考虑服役环境影响的混凝土坝损伤动力预警方法,其特征在于,所述步骤一具体为:
(1.1)提取不同日期环境激励作用下混凝土坝的振动响应,运用随机子空间法进行系统识别;
所述环境激励作用包括地震、脉动水压力、水电站和泵站厂房振源以及交通振动荷载;
(1.2)基于稳态图进行系统定阶,确定混凝土坝的模态参数。
3.根据权利要求1所述的考虑服役环境影响的混凝土坝损伤动力预警方法,其特征在于,所述步骤二具体为:
(2.1)分别建立环境变量集xi和模态参数集yi,引入非线性核函数将环境变量集xi从原空间映射到高维特征空间,将环境变量与模态参数间的线性不可分问题转化为高维特征空间中的线性问题;
(2.2)采用粒子群优化算法和支持向量机构建环境量与模态参数的回归模型,引入松弛变量和惩罚因子,得到基于分类的回归问题。
4.根据权利要求3所述的考虑服役环境影响的混凝土坝损伤动力预警方法,其特征在于,所述步骤二中的粒子群优化算法的支持向量机具体方法为:
(2.2.1)设定粒子群的初始参数,随机赋予各粒子的位置信息,位置信息包含待寻优的惩罚因子C和核函数参数,核函数选取高斯径向基核函数;
(2.2.2)以环境变量为输入量,模态参数为输出量,计算不同粒子表示的参数条件下二者的回归模型,以模态参数的模型计算值和实测值的残差平方和的根为适应值;
(2.2.3)比较每个粒子当前适应值和上一步迭代的个体最优位置的适应值,若发现当前位置的适应值好于最优位置,即将当前位置作为粒子个体的最优位置;将所有粒子计算得到的适应值与全局经历过的最优适应值进行比较,若发现有更好的适应值,则把其对应的位置作为全局最优位置;
(2.2.4)更新各粒子的位置和速度,如满足最大迭代次数,则输出优化的SVM参数,否则更新适应值并循环。
5.根据权利要求1所述的考虑服役环境影响的混凝土坝损伤动力预警方法,其特征在于,所述步骤三具体为:
(3.1)从实测训练数据中识别出模态参数矩阵Y,从步骤二中提取环境变量对模态参数的影响矩阵两者的残差绝对值作为初始损伤信息指标矩阵X;同时计算测试序列的初始损伤信息指标矩阵
(3.2)对X和进行主成分分析,结果中主成分构成大坝损伤状态的综合诊断指标;
(3.3)对其主元子空间进行统计检验,计算其平方预测误差SPE和Hotelling T2统计量,检验训练所得指标的稳定性。
6.根据权利要求1所述的考虑服役环境影响的混凝土坝损伤动力预警方法,其特征在于,所述步骤四具体为:
(4.1)采用强降法,模拟不同程度的混凝土坝损伤状况;
(4.2)提取各损伤状况下的综合诊断指标,以强度折减倍数和综合诊断指标构建损伤动力预警尖点突变模型的势函数:
H=V(K)=n0+n1K+n2K2+n3K3+n4K4
式中,K表示不同程度的材料强度折减倍数;n0、n1、n2、n3和n4表示拟合多项式的系数;令K=x-L,x为状态变量;a,b为控制变量;
当损伤动力预警尖点突变模型判断综合诊断指标越过临界状态时,表示大坝损伤急剧加重、混凝土坝面临整体破坏,以临界状态的综合诊断指标作为损伤警戒阈值。
7.根据权利要求6所述的考虑服役环境影响的混凝土坝损伤动力预警方法,其特征在于,所述步骤4中的损伤动力预警尖点突变模型判断大坝临界状态的具体方法为:
势函数的临界面方程表示为:
V'(x)=4x3+ax+b=0
其实根的判别式为:
Δ=4a3+27b2
当Δ>0时,有一个实根,表明大坝系统未发生突变;当Δ<0时,有三个互异的实根,表明大坝系统已经发生突变;当Δ=0时,三个实根中有两个根是相等的或者三个根都是相等的,表明大坝系统已经处于临界状态。
8.根据权利要求6所述的考虑服役环境影响的混凝土坝损伤动力预警方法,其特征在于,所述步骤五具体为:以各阶损伤警戒阈值作为参考序列,以实测序列计算所得的综合诊断指标作为比较序列,计算参考序列与比较序列之间的灰色综合关联度ρin并计算各损伤状态的安全度Kρ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810775494.9A CN109035730A (zh) | 2018-07-16 | 2018-07-16 | 一种考虑服役环境影响的混凝土坝损伤动力预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810775494.9A CN109035730A (zh) | 2018-07-16 | 2018-07-16 | 一种考虑服役环境影响的混凝土坝损伤动力预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109035730A true CN109035730A (zh) | 2018-12-18 |
Family
ID=64642494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810775494.9A Pending CN109035730A (zh) | 2018-07-16 | 2018-07-16 | 一种考虑服役环境影响的混凝土坝损伤动力预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035730A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110375A (zh) * | 2019-04-09 | 2019-08-09 | 天津大学 | 预测系统状态变量突变的判别方法 |
CN110321653A (zh) * | 2019-07-11 | 2019-10-11 | 东北林业大学 | 一种考虑初始损伤状态的地震序列下结构易损性分析方法 |
CN110457853A (zh) * | 2019-08-20 | 2019-11-15 | 沙洲职业工学院 | 一种含结构面的拱坝坝肩岩体失稳判断方法 |
CN110532694A (zh) * | 2019-08-29 | 2019-12-03 | 四川大学 | 一种基于地质力学模型综合法试验的拱坝安全评价方法 |
CN110990916A (zh) * | 2019-11-20 | 2020-04-10 | 天津大学 | 考虑滞后效应的大坝长期运行安全度评价及预测集成方法 |
CN111191191A (zh) * | 2019-12-26 | 2020-05-22 | 南昌大学 | 一种精准预测混凝土坝变形效应的组合模型的构建方法 |
CN112070352A (zh) * | 2020-08-04 | 2020-12-11 | 国家电网有限公司 | 基于改进主成分-灰色关联的大用户落户因素分析方法 |
CN112199891A (zh) * | 2020-10-14 | 2021-01-08 | 水利部南京水利水文自动化研究所 | 一种重力坝安全变形预警指标拟定方法及系统 |
CN112200398A (zh) * | 2020-07-06 | 2021-01-08 | 水利部南京水利水文自动化研究所 | 一种重力坝安全表面变形预警方法和装置 |
CN112749457A (zh) * | 2021-01-22 | 2021-05-04 | 天津大学 | 一种导管架式海洋平台损伤智能识别方法 |
CN112833852A (zh) * | 2021-02-26 | 2021-05-25 | 西安热工研究院有限公司 | 一种用于拟定水电站混凝土大坝变形安全监控指标的方法 |
CN114331160A (zh) * | 2021-12-30 | 2022-04-12 | 四川大学 | 一种基于滑坡堵江形态的堰塞坝溃决灾害链模式识别方法 |
CN115983062A (zh) * | 2022-12-08 | 2023-04-18 | 武汉大学 | 一种基于有限元模型修正的高拱坝地震损伤评估方法及系统 |
CN112070352B (zh) * | 2020-08-04 | 2024-05-10 | 国家电网有限公司 | 基于改进主成分-灰色关联的大用户落户因素分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120062384A1 (en) * | 2010-09-14 | 2012-03-15 | Jay R. Smith Manufacturing Company | Roof drain overflow sensor |
CN102436722A (zh) * | 2011-12-05 | 2012-05-02 | 中国水利水电科学研究院 | 一种混凝土坝的温控防裂监测方法 |
CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
CN104933490A (zh) * | 2015-07-03 | 2015-09-23 | 浙江大学 | 一种考虑社会车辆的土石坝工程的土石方调配优化方法 |
CN204680159U (zh) * | 2015-04-17 | 2015-09-30 | 北京交通大学长三角研究院 | 光纤分布式水库大坝监测系统 |
-
2018
- 2018-07-16 CN CN201810775494.9A patent/CN109035730A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120062384A1 (en) * | 2010-09-14 | 2012-03-15 | Jay R. Smith Manufacturing Company | Roof drain overflow sensor |
CN102436722A (zh) * | 2011-12-05 | 2012-05-02 | 中国水利水电科学研究院 | 一种混凝土坝的温控防裂监测方法 |
CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
CN204680159U (zh) * | 2015-04-17 | 2015-09-30 | 北京交通大学长三角研究院 | 光纤分布式水库大坝监测系统 |
CN104933490A (zh) * | 2015-07-03 | 2015-09-23 | 浙江大学 | 一种考虑社会车辆的土石坝工程的土石方调配优化方法 |
Non-Patent Citations (2)
Title |
---|
刘敬洋等: "基于PSO-SVM模型的拱坝坝变形预测研究", 《三峡大学学报(自然科学版)》 * |
陈浙新等: "重力坝稳定性尖点监控模型及软件模块研发", 《长江科学院院报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110375A (zh) * | 2019-04-09 | 2019-08-09 | 天津大学 | 预测系统状态变量突变的判别方法 |
CN110321653A (zh) * | 2019-07-11 | 2019-10-11 | 东北林业大学 | 一种考虑初始损伤状态的地震序列下结构易损性分析方法 |
CN110457853A (zh) * | 2019-08-20 | 2019-11-15 | 沙洲职业工学院 | 一种含结构面的拱坝坝肩岩体失稳判断方法 |
CN110457853B (zh) * | 2019-08-20 | 2023-04-18 | 沙洲职业工学院 | 一种含结构面的拱坝坝肩岩体失稳判断方法 |
CN110532694B (zh) * | 2019-08-29 | 2023-02-28 | 四川大学 | 一种基于地质力学模型综合法试验的拱坝安全评价方法 |
CN110532694A (zh) * | 2019-08-29 | 2019-12-03 | 四川大学 | 一种基于地质力学模型综合法试验的拱坝安全评价方法 |
CN110990916A (zh) * | 2019-11-20 | 2020-04-10 | 天津大学 | 考虑滞后效应的大坝长期运行安全度评价及预测集成方法 |
CN110990916B (zh) * | 2019-11-20 | 2024-02-23 | 天津大学 | 考虑滞后效应的大坝长期运行安全度评价及预测集成方法 |
CN111191191A (zh) * | 2019-12-26 | 2020-05-22 | 南昌大学 | 一种精准预测混凝土坝变形效应的组合模型的构建方法 |
CN111191191B (zh) * | 2019-12-26 | 2022-07-12 | 南昌大学 | 一种精准预测混凝土坝变形效应的组合模型的构建方法 |
CN112200398A (zh) * | 2020-07-06 | 2021-01-08 | 水利部南京水利水文自动化研究所 | 一种重力坝安全表面变形预警方法和装置 |
CN112200398B (zh) * | 2020-07-06 | 2024-02-02 | 水利部南京水利水文自动化研究所 | 一种重力坝安全表面变形预警方法和装置 |
CN112070352A (zh) * | 2020-08-04 | 2020-12-11 | 国家电网有限公司 | 基于改进主成分-灰色关联的大用户落户因素分析方法 |
CN112070352B (zh) * | 2020-08-04 | 2024-05-10 | 国家电网有限公司 | 基于改进主成分-灰色关联的大用户落户因素分析方法 |
CN112199891A (zh) * | 2020-10-14 | 2021-01-08 | 水利部南京水利水文自动化研究所 | 一种重力坝安全变形预警指标拟定方法及系统 |
CN112749457A (zh) * | 2021-01-22 | 2021-05-04 | 天津大学 | 一种导管架式海洋平台损伤智能识别方法 |
CN112833852A (zh) * | 2021-02-26 | 2021-05-25 | 西安热工研究院有限公司 | 一种用于拟定水电站混凝土大坝变形安全监控指标的方法 |
CN114331160A (zh) * | 2021-12-30 | 2022-04-12 | 四川大学 | 一种基于滑坡堵江形态的堰塞坝溃决灾害链模式识别方法 |
CN114331160B (zh) * | 2021-12-30 | 2023-04-28 | 四川大学 | 一种基于滑坡堵江形态的堰塞坝溃决灾害链模式识别方法 |
CN115983062A (zh) * | 2022-12-08 | 2023-04-18 | 武汉大学 | 一种基于有限元模型修正的高拱坝地震损伤评估方法及系统 |
CN115983062B (zh) * | 2022-12-08 | 2023-09-12 | 武汉大学 | 一种基于有限元模型修正的高拱坝地震损伤评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035730A (zh) | 一种考虑服役环境影响的混凝土坝损伤动力预警方法 | |
CN106407493B (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
CN110516907A (zh) | 一种基于ahp-熵权云模型的岩爆等级评价方法 | |
CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
Chencho et al. | Development and application of random forest technique for element level structural damage quantification | |
CN110362886A (zh) | 一种基于不确定性分析的城镇砌体住宅安全评估方法 | |
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
Liu et al. | Explicit polynomial regression models of wind characteristics and structural effects on a long‐span bridge utilizing onsite monitoring data | |
Chen et al. | A combination model for evaluating deformation regional characteristics of arch dams using time series clustering and residual correction | |
Song et al. | Outlier detection based on multivariable panel data and K-means clustering for dam deformation monitoring data | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
CN104535346A (zh) | 一种混凝土重力危坝的抗滑稳定性检测方法 | |
CN103134433A (zh) | 一种利用位移监测鉴别边坡失稳致滑因子的方法 | |
CN117313506B (zh) | 一种隧道围岩拓扑安全系数及稳定性计算方法 | |
Liu et al. | Dynamic material parameter inversion of high arch dam under discharge excitation based on the modal parameters and Bayesian optimised deep learning | |
Ma et al. | Two-stage damage identification based on modal strain energy and revised particle swarm optimization | |
CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
Chen et al. | A Mahalanobis distance cumulant-based structural damage identification method with IMFs and fitting residual of SHM measurements | |
Xiang et al. | Pattern Matching-Based Structural Damage Identification Using Mode Shape Difference Ratio with Limited Sensors | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
CN105824785A (zh) | 基于惩罚回归的快速异常点检测方法 | |
Zhang | Data-driven and model-based methods with physics-guided machine learning for damage identification | |
CN105528657A (zh) | 基于北斗和向量机的建筑物震害预测方法 | |
de Almeida Cardoso et al. | An enhanced approach for automatic modal identification of structures | |
Yang et al. | Hydraulic metal structure health diagnosis based on data mining technology |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |