CN110909413A - 一种混凝土面板堆石坝水平位移预测精确方法及系统 - Google Patents
一种混凝土面板堆石坝水平位移预测精确方法及系统 Download PDFInfo
- Publication number
- CN110909413A CN110909413A CN201911251655.5A CN201911251655A CN110909413A CN 110909413 A CN110909413 A CN 110909413A CN 201911251655 A CN201911251655 A CN 201911251655A CN 110909413 A CN110909413 A CN 110909413A
- Authority
- CN
- China
- Prior art keywords
- horizontal displacement
- concrete panel
- dam
- rock
- panel rock
- 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
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种混凝土面板堆石坝水平位移预测精确方法及系统,包括:获取待测混凝土面板堆石坝的历史实测数据并进行预处理;将影响混凝土面板堆石坝水平位移的环境因素进行分类,根据各影响因素与水平位移的相关性,选取多元线性回归模型的输入变量;建立考虑堆石料延时响应及循环加卸载的变形特性的混凝土面板堆石坝水平位移预测多元线性回归模型,得到水平位移的初步预测值;建立统计优化神经网络模型并进行优化训练,将多元线性回归模型的因变量以及初步预测值作为统计优化神经网络模型输入,得到混凝土面板堆石坝的水平位移预测值。本发明能够精确预测混凝土面板堆石坝的水平位移,保障大坝及其附属结构的安全运行。
Description
技术领域
本发明涉及土石坝安全监控技术领域,尤其涉及一种基于统计优化神经网络技术的混凝土面板堆石坝水平位移预测精确方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
混凝土面板堆石坝作为一种非常重要的水工建筑物,在世界各地水利工程领域有着广泛的应用。混凝土面板堆石坝的安全运行,关乎人们的生命财产安全。因此为了国民经济平稳发展和人民生命财产安全,应该对混凝土面板堆石坝的健康状况进行监测。作为国内外大坝监测中应用最广泛的监测变量,大坝变形数据反映了大坝在复杂荷载作用和环境影响下的动态响应,蕴含着丰富的大坝健康状态的信息。建立可靠的大坝变形预测模型是大坝安全监测的基础。提出精确预测混凝土面板堆石坝的水平位移的技术,对混凝土面板堆石坝的水平位移进行精确预测,能够监控坝体结构运行状态,对于保障大坝及其附属工程安全运行、保护下游生命财产安全至关重要。
发明人发现,现有混凝土面板堆石坝水平位移预测方法主要有两大类:传统数理统计方法和新兴深度学习方法。但是这些方法由于固有的缺陷,在预测水平上存在一定的不足,无法快速、精确的预测混凝土面板堆石坝的水平位移。传统数理统计方法在对实测数据进行数理统计分析的基础上建立起来的一种方法,使用各种回归方法(多元线性回归、逐步回归、偏最小二乘回归、核函数偏最小二乘回归)对混凝土面板堆石坝的水平位移进行预测。混凝土面板堆石坝由于其特殊的结构和材料,以及荷载和地质条件等复杂的运行环境,其行为表现出明显的非线性特征,即混凝土面板堆石坝环境变量与响应变量(如水平位移)之间存在复杂的非线性关系。传统数理统计方法无法精确地解释混凝土面板堆石坝水平位移与环境变量之间的强非线性关系,因此无法精确预测混凝土面板堆石坝的水平位移。近年来,随着机器学习的发展,以神经网络为代表的新兴深度学习方法在大坝水平位移中开展了广泛的应用。这类方法能够解释混凝土面板堆石坝的水平位移与环境变量之间的强非线性关系,但是这类方法仍然存在固有缺陷—容易陷入局部极小值和出现过度拟合的情况。
发明内容
本发明目的是为了解决现有技术的不足,提出了一种混凝土面板堆石坝水平位移预测精确方法及系统,融合了数理统计方法和神经网络方法,既解决了传统数理统计模型非线性能力不足的问题,又克服了神经网络方法容易陷入局部极小值和出现过度拟合情况的缺陷,能够精确预测混凝土面板堆石坝的水平位移,保障大坝及其附属结构的安全运行。
在一些实施方式中,采用如下技术方案:
一种混凝土面板堆石坝水平位移预测精确方法,包括:
获取待测混凝土面板堆石坝的历史实测数据,并对获取的数据进行预处理;
将影响混凝土面板堆石坝水平位移的环境因素进行分类,根据各影响因素与水平位移的相关性,选取多元线性回归模型的输入变量;
建立考虑堆石料延时响应及循环加卸载的变形特性的混凝土面板堆石坝水平位移预测多元线性回归模型,得到水平位移的初步预测值;
建立统计优化神经网络模型并进行优化训练,将多元线性回归模型的因变量以及初步预测值作为统计优化神经网络模型输入,得到混凝土面板堆石坝的水平位移预测值。
在另一些实施方式中,采用如下技术方案:
一种混凝土面板堆石坝水平位移预测精确系统,包括:
用于获取待测混凝土面板堆石坝的历史实测数据,并对获取的数据进行预处理的模块;
用于将影响混凝土面板堆石坝水平位移的环境因素进行分类,根据各影响因素与水平位移的相关性,选取多元线性回归模型的输入变量的模块;
用于建立考虑堆石料延时响应及循环加卸载的变形特性的混凝土面板堆石坝水平位移预测多元线性回归模型,得到水平位移的初步预测值的模块;
用于建立统计优化神经网络模型并进行优化训练,将多元线性回归模型的因变量以及初步预测值作为统计优化神经网络模型输入,得到混凝土面板堆石坝的水平位移预测值的模块。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行上述的混凝土面板堆石坝水平位移预测精确方法。
与现有技术相比,本发明的有益效果是:
(1)本发明融合预测模型所利用的数据来自于对混凝土面板堆石坝的实测数据进行整编后的资料,数据量大,数据可靠性高。
(2)本发明多元线性回归模型考虑了堆石料延时响应及循环加卸载的变形特性,克服了传统HST模型应用于预测混凝土面板堆石坝水平位移时的不足,模型计算结果精度高。
(3)本发明统计优化神经网络模型将神经网络技术与多元回归理论相结合,兼备了神经网络的非线性映射能力和多元回归模型的经验,计算精度高。
(4)本发明神经网络技术具有强大的自学习能力,当有新数据更新时,可以直接输入计算,操作简单,无需重复建模。且数据越多,该模型预测精度越高。
附图说明
图1为本发明实施例中的水平位移预测方法的流程示意图;
图2为本发明实施例中的预测方法所涉及神经网络结构框架图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
在一个或多个实施方式中,公开了一种基于统计优化神经网络技术的混凝土面板堆石坝水平位移精确预测方法。
为了更清楚的阐述本实施例,参照图1,该方法实现过程可具体描述如下:
(1)实测资料获取。选择某混凝土面板堆石坝作为应用对象,通过对目标大坝长时间现场监测的方式(若该大坝已经积累了包括大量的实测资料,可以直接调用),持续监测并积累包括坝体水平位移、坝体温度、库水位等要素的时间序列,要求以上各监测要素的实测资料时间序列持续一年以上。若该大坝已经积累了大量(时间序列超过一年)包括坝体水平位移、坝体温度、库水位等要素的实测资料,且已经积累的实测资料中各监测要素的监测数据为同一时间段监测数据,则可以直接提取所需实测资料。
发明人选择云南省牛栏江-滇池调水工程的枢纽工程—德泽水库大坝作为实施例应用对象,该坝为典型混凝土面板堆石坝,建设期间安装了大量的传感器,发明人从传感器存储设备中调用并提取了所需实测资料。
(2)数据预处理。数据预处理包括位移实测值计算、时效因子计算、频率一致化处理和数据去噪处理等步骤。
工程中使用钢丝水平位移计监测混凝土面板堆石坝的水平位移,钢丝水平位移计的读数需要使用水平位移实测值计算公式转换为测点的实际位移值。水平位移实测值计算公式为:
Lm=Δd-bhΔT+ΔD (1)
ΔD=D-D0 (2)
式中,Lm为测点的实际水平位移,mm;
ΔD为观测房内固定标点相对于基准值的变化量,mm;
D为观测房内固定标点的实施测量值,mm;
D0为观测房内固定标点的基准值(初始测量值),mm。
混凝土面板堆石坝在长期复杂荷载环境下运行,由于坝体的塑性形变、徐变、裂缝等,大坝安全监测中使用时效因子θ解释这类变形(具体解释公式见下一步),时效因子θ的计算公式为:
式中,θ为时效因子;N为监测数据获取时间;N0为起始监测时间;N-N0需要转化为天数。
由于使用的监测仪器不同、监测方法不同,各监测项目的数据采集频率不一致,需要对各监测项目进行频率一致化处理,具体为统计所有实测资料的基础上,筛选出监测频率最低的监测项目,其他各监测项目按照最低频率筛选实测数据,若某一监测项目在最低频率的某一对应时刻无相关实测数据,则取其前后邻近两次数据的平均值。
由于传感器安装、运行过程中存在不可控因素导致传感器失效,或由于认为原因出现读数错误,所有实测资料都会存在极少数噪声数据,需要对完成上述各步骤之后的各项实测资料进行去噪处理,去噪处理采用统计学中的“3σ准则”,公式如下:
完成上述各步骤处理的实测资料作为整编资料待用。
(3)输入变量选取。水压分量为与库水位H相关的表达式,表达式的具体形式在下一步中表述;时效分量的因子总共选取两个,分别为θ和lnθ;温度分量的因子依据各温度计整编数据与水平位移的相关性进行选择。
完成步骤(1)-(3)后,建立起多元回归模型的样本集,样本集的部分数据见表1。
表1部分整编数据
序号 | 位移y | H | T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | θ | lnθ |
1 | 0.34 | 92.32 | 12.9 | 18.9 | 19.6 | 1.09 | 0.086178 |
2 | 1.84 | 95.37 | 12 | 18.8 | 19.5 | 1.24 | 0.215111 |
3 | 5.35 | 100.04 | 11.7 | 18.4 | 19.4 | 1.55 | 0.438255 |
4 | 8.58 | 99.93 | 11.3 | 18.2 | 19.4 | 1.68 | 0.518794 |
5 | 11.72 | 100.84 | 11.6 | 18 | 19.4 | 1.83 | 0.604316 |
6 | 11.94 | 102.86 | 11.7 | 17.6 | 19.4 | 2.14 | 0.760806 |
7 | 12.17 | 98.29 | 11.8 | 17.3 | 19.3 | 2.44 | 0.891998 |
8 | 11.47 | 90.94 | 11.9 | 17 | 19.2 | 2.75 | 1.011601 |
9 | 12.47 | 99.93 | 11.9 | 16.8 | 19.2 | 3.05 | 1.115142 |
10 | 13.47 | 109.43 | 12 | 16.6 | 19.1 | 3.36 | 1.211941 |
(4)多元线性回归模型建立。现有关于大坝位移的多元线性回归模型用于预测混凝土面板堆石坝水平位移时存在一定的缺陷:传统HST模型(吴中如等人提出)广泛应用于混凝土大坝的位移预测,但是模型中只考虑了瞬时形变,没有考虑土石料在增加荷载时的延时响应特性和循环加卸载环境下变形特性的不同,因此不适合用于建立混凝土面板堆石坝水平位移预测模型;Sigtryggsdóttir Fjóla G等人提出适用于混凝土面板堆石坝沉降预测的改进模型,该模型考虑堆石料延时响应及循环加卸载的变形特性,但是该模型并没有考虑坝体温度的影响。因此,发明人发现了现有大坝位移多元线性回归模型应用于预测混凝土面板堆石坝水平位移的缺陷和不适用性,在此基础上提出了考虑堆石料延时响应及循环加卸载的变形特性的混凝土面板堆石坝水平位移预测多元线性回归模型如下:
式中,y为坝体水平位移;a0为常数;下标为ff的部分表示初次蓄水引起的变形;下标为u/r的部分表示卸载(u)/再加载(r)即泄洪和在蓄水期间引起的变形;a1和a2i,u/r表示水压分量回归系数;a3-a5表示温度分量的回归系数;a6和a7表示时效分量的回归系数;回归系数a2i,u/r的下标u/r表示根据卸载(u)/再加载(r)条件下的变形计算出来的不同的系数;Href表示死水位;表示在大坝水位观测时间序列中大坝蓄水完成前的nd到(nd-na+1)天时间段库水位的平均值,na为包含在平均值中的测值数量,nd为位移测点对坝体蓄水加载的延迟反应时长;表示库水位观测序列最前na天库水位的平均,要求库水位观测时间序列的开始时间为大坝初次蓄水开始的时间;表示某一卸载或再加载阶段库水位平均值;为在初次蓄水完成前的相同时长内库水位的平均值;k表示初次蓄水之后卸载(u)/再加载(r)的周期数,即泄洪和再次蓄水循环周期数;其他参数含义与前述相同。
将选取的输入变量实测值作为多元线性回归模型的自变量,混凝土面板堆石坝的水平位移实测值作为因变量,所有自变量与因变量按照时间序列排序,共同构成多元线性回归模型的样本集;
将所述样本集按照4:1的比例分为训练集和验证集,将训练集中的自变量和对应的因变量带入公式(5),利用多元回归理论可求出各回归系数,最终完成建立考虑堆石料延时响应及循环加卸载的变形特性的混凝土面板堆石坝水平位移预测多元线性回归模型。将样本集中所有的自变量依次带入建立的多元线性回归模型,经过模型计算得到混凝土面板堆石坝水平位移的初步预测值。
(5)统计优化神经网络模型建立。完成上述各步骤后,可以使用多元线性回归模型计算混凝土面板堆石坝的水平位移的初步预测值yr,多元线性回归模型的预测值yr与实际位移y存在误差Δ,本步骤使用统计优化神经网络模型拟合并补偿误差Δ。
参照图2,使用影响混凝土面板堆石坝水平位移的环境因素(库水位、温度、时间)和多元线性回归模型的拟合值yr作为神经网络的是输入层,多元线性回归模型的预测值yr与实际位移之间存在的误差Δ作为输出层,隐含层采用单隐含层,隐含层节点数以及神经网络学习速率等参数通过试算确定。至此,建立完成适用于学习混凝土面板土石坝水平位移与环境变量之间的关系并根据环境变量准确预测混凝土面板堆石坝水平位移的统计优化神经网络模型。
(6)统计优化神经网络训练。整编后的实测数据、多元线性回归模型预测值yr、及其与实际位移y之间存在的误差Δ共同组成统计优化神经网络模型的样本数据,样本数据中各分量量纲不同,数据量级也存在较大差异,这些差异对神经网络的训练精度有很大的影响。按照公式(7)对样本数据进行归一化处理,将样本数据归一化至[-1,1]区间内,以避免不同类型数据量纲和数量级队训练精度的影响。
式中,x(i)表示样本中原始数据;x(i)′是归一化后数据,xmax是原始数据中的最大值,xmin是原始数据中的最小值。
将归一化后的样本数据按照4:1的比例划分为训练集和验证集,使用训练集数据多次训练步骤(5)建立的神经网络,最终获得训练后的神经网络。
(7)混凝土面板堆石坝水平位移预测。使用公式(7)对神经网络的输出结果进行反归一化处理,得到Δ的神经网络预测值Δn。
式中,y(i)是神经网络原始输出值,Δn是反归一化后数据,ymax是整个样本数据中Δ的最大值,ymin是全部样本数据中Δ的最小值。
将使用神经网络得到的误差值Δp使用公式(7)补偿给多选线性回归模型的预测结果,便得到基于统计优化神经网络模型的混凝土面板堆石坝水平位移预测值yp。
yp=yr+Δn (7)
式中,yp表示基于统计优化神经网络模型的混凝土面板堆石坝水平位移预测值;其他参数含义与前文一致。
将训练好的模型应用于检验集,通过对比yp与水平位移实测值y的残差,检验模型的预测精度,满足精度要求的模型可用于实际工程中预测混凝土面板堆石坝的水平位移。
实施例二
在一个或多个实施方式中,公开了一种混凝土面板堆石坝水平位移预测精确系统,包括:
用于获取待测混凝土面板堆石坝的历史实测数据,并对获取的数据进行预处理的模块;
用于将影响混凝土面板堆石坝水平位移的环境因素进行分类,根据各影响因素与水平位移的相关性,选取多元线性回归模型的输入变量的模块;
用于建立考虑堆石料延时响应及循环加卸载的变形特性的混凝土面板堆石坝水平位移预测多元线性回归模型,得到水平位移的初步预测值的模块;
用于建立统计优化神经网络模型并进行优化训练,将多元线性回归模型的因变量以及初步预测值作为统计优化神经网络模型输入,得到混凝土面板堆石坝的水平位移预测值的模块。
在一些实施方式中,本实施例的模型可以编写成matlab程序,可直接接入混凝土面板堆石坝传感器集成终端,自动完成实施例一中的各步骤,实现自动读取传感器数据,完成数据资料获取、处理,自动快速调用优化统计神经网络模型并进行混凝土面板堆石坝水平位移预测。
在另一些实施方式中,实施例一中的各步骤可以在终端设备中实现,所述的终端设备包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行实施例一中的混凝土面板堆石坝水平位移预测精确方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种混凝土面板堆石坝水平位移预测精确方法,其特征在于,包括:
获取待测混凝土面板堆石坝的历史实测数据,并对获取的数据进行预处理;
将影响混凝土面板堆石坝水平位移的环境因素进行分类,根据各影响因素与水平位移的相关性,选取多元线性回归模型的输入变量;
建立考虑堆石料延时响应及循环加卸载的变形特性的混凝土面板堆石坝水平位移预测多元线性回归模型,得到水平位移的初步预测值;
建立统计优化神经网络模型并进行优化训练,将多元线性回归模型的因变量以及初步预测值作为统计优化神经网络模型输入,得到混凝土面板堆石坝的水平位移预测值。
2.如权利要求1所述的一种混凝土面板堆石坝水平位移预测精确方法,其特征在于,获取待测混凝土面板堆石坝的历史实测数据,具体包括:累积设定时间序列的水平位移、坝体温度以及库水位数据。
3.如权利要求1所述的一种混凝土面板堆石坝水平位移预测精确方法,其特征在于,对获取的数据进行预处理,具体包括:位移实测值计算、时效因子计算、频率一致化处理以及数据去噪处理过程。
4.如权利要求1所述的一种混凝土面板堆石坝水平位移预测精确方法,其特征在于,将影响混凝土面板堆石坝水平位移的环境因素进行分类,根据各影响因素与水平位移的相关性,选取多元线性回归模型的输入变量,具体包括:水压分量、时效分量和温度分量。
5.如权利要求1所述的一种混凝土面板堆石坝水平位移预测精确方法,其特征在于,建立考虑堆石料延时响应及循环加卸载的变形特性的混凝土面板堆石坝水平位移预测多元线性回归模型,具体为:
其中,y为坝体水平位移;a0为常数;下标为ff的部分表示初次蓄水引起的变形;下标为u/r的部分表示卸载(u)/再加载(r)即泄洪和在蓄水期间引起的变形;a1和a2i,u/r表示水压分量回归系数;a3-a5表示温度分量的回归系数;a6和a7表示时效分量的回归系数;回归系数a2i,u/r的下标u/r表示根据卸载(u)/再加载(r)条件下的变形计算出来的不同的系数;Href表示死水位;表示在大坝水位观测时间序列中大坝蓄水完成前的nd到(nd-na+1)天时间段库水位的平均值,na为包含在平均值中的测值数量,nd为位移测点对坝体蓄水加载的延迟反应时长;表示库水位观测序列最前na天库水位的平均,要求库水位观测时间序列的开始时间为大坝初次蓄水开始的时间;表示某一卸载或再加载阶段库水位平均值;为在初次蓄水完成前的相同时长内库水位的平均值;k表示初次蓄水之后卸载(u)/再加载(r)的周期数,即泄洪和再次蓄水循环周期数。
6.如权利要求5所述的一种混凝土面板堆石坝水平位移预测精确方法,其特征在于,将选取的输入变量实测值作为多元线性回归模型的自变量,混凝土面板堆石坝的水平位移实测值作为因变量,所有自变量与因变量按照时间序列排序,共同构成多元线性回归模型的样本集;
将所述样本集按照设定比例分为训练集和验证集,根据训练集中的自变量和对应的因变量求出各回归系数,建立考虑堆石料延时响应及循环加卸载的变形特性的混凝土面板堆石坝水平位移预测多元线性回归模型;将样本集中所有的自变量依次带入建立的多元线性回归模型,经过模型计算得到混凝土面板堆石坝水平位移的初步预测值。
7.如权利要求1所述的一种混凝土面板堆石坝水平位移预测精确方法,其特征在于,所述统计优化神经网络模型将多元线性回归模型的因变量以及初步预测值作为统计优化神经网络模型输入层,多元线性回归模型的预测值与实际位移之间存在的误差作为输出层,隐含层采用单隐含层,隐含层节点数以及神经网络学习速率参数通过试算确定。
8.如权利要求7所述的一种混凝土面板堆石坝水平位移预测精确方法,其特征在于,将历史实测数据、多元线性回归模型预测值以及所述预测值与实际位移之间的误差,组成统计优化神经网络模型的样本数据;
对样本数据进行归一化处理;将归一化后的样本数据按照设定比例划分为训练集和验证集,使用训练集数据对神经网络进行训练,得到训练后的统计优化神经网络模型。
9.一种混凝土面板堆石坝水平位移预测精确系统,其特征在于,包括:
用于获取待测混凝土面板堆石坝的历史实测数据,并对获取的数据进行预处理的模块;
用于将影响混凝土面板堆石坝水平位移的环境因素进行分类,根据各影响因素与水平位移的相关性,选取多元线性回归模型的输入变量的模块;
用于建立考虑堆石料延时响应及循环加卸载的变形特性的混凝土面板堆石坝水平位移预测多元线性回归模型,得到水平位移的初步预测值的模块;
用于建立统计优化神经网络模型并进行优化训练,将多元线性回归模型的因变量以及初步预测值作为统计优化神经网络模型输入,得到混凝土面板堆石坝的水平位移预测值的模块。
10.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-8任一项所述的混凝土面板堆石坝水平位移预测精确方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251655.5A CN110909413A (zh) | 2019-12-09 | 2019-12-09 | 一种混凝土面板堆石坝水平位移预测精确方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251655.5A CN110909413A (zh) | 2019-12-09 | 2019-12-09 | 一种混凝土面板堆石坝水平位移预测精确方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110909413A true CN110909413A (zh) | 2020-03-24 |
Family
ID=69823524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911251655.5A Pending CN110909413A (zh) | 2019-12-09 | 2019-12-09 | 一种混凝土面板堆石坝水平位移预测精确方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909413A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111694916A (zh) * | 2020-06-09 | 2020-09-22 | 福州大学 | 浆砌石拱坝自动化监测系统 |
CN112650056A (zh) * | 2020-10-14 | 2021-04-13 | 中国海洋大学 | 海洋平台的减振控制律确定方法、装置、设备及存储介质 |
CN113359573A (zh) * | 2021-06-30 | 2021-09-07 | 华能澜沧江水电股份有限公司 | 一种大坝安全智能预测方法及其装置 |
CN114725449A (zh) * | 2022-04-22 | 2022-07-08 | 湖北工业大学 | 一种燃料电池发动机出堆温度传感器故障信号重构及预测方法 |
CN115271186A (zh) * | 2022-07-18 | 2022-11-01 | 福建中锐网络股份有限公司 | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 |
CN115630558A (zh) * | 2022-12-21 | 2023-01-20 | 南京航空航天大学 | 一种复合材料构件装配变形预测方法 |
CN117272872A (zh) * | 2023-11-21 | 2023-12-22 | 四川大学 | 一种基于分量分离的面板堆石坝变形监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699477A (zh) * | 2009-10-21 | 2010-04-28 | 东南大学 | 精确预测大坝变形的神经网络方法 |
KR20110036391A (ko) * | 2009-10-01 | 2011-04-07 | 주식회사 포스코 | 에지댐 진동 제어방법 및 제어장치 |
CN105740607A (zh) * | 2016-01-25 | 2016-07-06 | 河海大学 | 一种溃坝洪水致生命损失的计算方法 |
CN108153989A (zh) * | 2018-01-09 | 2018-06-12 | 天津大学 | 考虑参数不确定性影响的混凝土坝压实质量快速预测方法 |
CN108805343A (zh) * | 2018-05-29 | 2018-11-13 | 祝恩元 | 一种基于多元线性回归的科技服务业发展水平预测方法 |
CN109409568A (zh) * | 2018-09-19 | 2019-03-01 | 安徽农业大学 | 一种基于遗传算法优化bp神经网络地下水埋深的预测方法 |
-
2019
- 2019-12-09 CN CN201911251655.5A patent/CN110909413A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110036391A (ko) * | 2009-10-01 | 2011-04-07 | 주식회사 포스코 | 에지댐 진동 제어방법 및 제어장치 |
CN101699477A (zh) * | 2009-10-21 | 2010-04-28 | 东南大学 | 精确预测大坝变形的神经网络方法 |
CN105740607A (zh) * | 2016-01-25 | 2016-07-06 | 河海大学 | 一种溃坝洪水致生命损失的计算方法 |
CN108153989A (zh) * | 2018-01-09 | 2018-06-12 | 天津大学 | 考虑参数不确定性影响的混凝土坝压实质量快速预测方法 |
CN108805343A (zh) * | 2018-05-29 | 2018-11-13 | 祝恩元 | 一种基于多元线性回归的科技服务业发展水平预测方法 |
CN109409568A (zh) * | 2018-09-19 | 2019-03-01 | 安徽农业大学 | 一种基于遗传算法优化bp神经网络地下水埋深的预测方法 |
Non-Patent Citations (3)
Title |
---|
FJÓLA G SIGTRYGGSDÓTTIR 等: "Statistical Model for Dam-Settlement Prediction and Structural-Health Assessment", 《JOURNAL OF GEOTECHNICAL AND GEOENVIRONMENTAL ENGINEERING》 * |
吴中如 等: "大坝原型观测资料分析方法和模型", 《河海大学科技情报》 * |
张晓龙: "混凝土重力坝变形与渗流异常情形分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111694916A (zh) * | 2020-06-09 | 2020-09-22 | 福州大学 | 浆砌石拱坝自动化监测系统 |
CN111694916B (zh) * | 2020-06-09 | 2022-12-13 | 福州大学 | 浆砌石拱坝自动化监测系统 |
CN112650056A (zh) * | 2020-10-14 | 2021-04-13 | 中国海洋大学 | 海洋平台的减振控制律确定方法、装置、设备及存储介质 |
CN112650056B (zh) * | 2020-10-14 | 2022-04-01 | 中国海洋大学 | 海洋平台的减振控制律确定方法、装置、设备及存储介质 |
CN113359573A (zh) * | 2021-06-30 | 2021-09-07 | 华能澜沧江水电股份有限公司 | 一种大坝安全智能预测方法及其装置 |
CN114725449A (zh) * | 2022-04-22 | 2022-07-08 | 湖北工业大学 | 一种燃料电池发动机出堆温度传感器故障信号重构及预测方法 |
CN115271186A (zh) * | 2022-07-18 | 2022-11-01 | 福建中锐网络股份有限公司 | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 |
CN115271186B (zh) * | 2022-07-18 | 2024-03-15 | 福建中锐网络股份有限公司 | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 |
CN115630558A (zh) * | 2022-12-21 | 2023-01-20 | 南京航空航天大学 | 一种复合材料构件装配变形预测方法 |
CN117272872A (zh) * | 2023-11-21 | 2023-12-22 | 四川大学 | 一种基于分量分离的面板堆石坝变形监测方法 |
CN117272872B (zh) * | 2023-11-21 | 2024-01-30 | 四川大学 | 一种基于分量分离的面板堆石坝变形监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909413A (zh) | 一种混凝土面板堆石坝水平位移预测精确方法及系统 | |
CN107436983B (zh) | 一种基于多元样本差异的o型橡胶密封圈寿命预测方法 | |
CN108399277B (zh) | 一种基于温度与应变关联性的桥梁损伤识别方法 | |
CN110569566B (zh) | 一种板带力学性能预测方法 | |
CN113236228B (zh) | 一种单井产量快速预测方法及系统 | |
CN111143934B (zh) | 一种基于时间卷积网络的结构变形预测方法 | |
CN112504851B (zh) | 一种考虑谷幅变形作用的拱坝变形监控方法 | |
CN114279842B (zh) | 一种确定岩石裂纹起裂应力和损伤应力的方法及系统 | |
CN111209695A (zh) | 一种基于lstm的结构动力响应预测方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN111047476A (zh) | 基于rbf神经网络的大坝结构安全监控精确预测方法及系统 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN110991079A (zh) | 基于神经网络的油气藏参数解释方法、装置及电子设备 | |
CN114462688A (zh) | 一种基于lstm模型和动态阈值确定算法的爆管检测方法 | |
CN117556366A (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN115713312A (zh) | 一种水利水电工程环境量不利工况组合识别方法及装置 | |
Qu et al. | Outlier Detection and Forecasting for Bridge Health Monitoring Based on Time Series Intervention Analysis. | |
CN115310258A (zh) | 一种基于lstm的地下管道寿命预测方法 | |
CN113569324A (zh) | 边坡形变监测异常数据分析与优化方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN109974873B (zh) | 一种移动平均的温度监测方法 | |
CN112926774A (zh) | 基于长短时记忆神经网络的地热产能预测方法及系统 | |
CN117709488B (zh) | 基于RUN-XGBoost的大坝渗流预测方法 | |
CN110750756A (zh) | 通过最优支持向量机算法即时在线仪表校验和诊断方法 | |
CN104008280A (zh) | 用于预测塑料管道老化趋势的数学模型的建模方法 |
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 |