CN111275255A - 一种混凝土坝变形监测预报模型的构建方法 - Google Patents
一种混凝土坝变形监测预报模型的构建方法 Download PDFInfo
- Publication number
- CN111275255A CN111275255A CN202010053247.5A CN202010053247A CN111275255A CN 111275255 A CN111275255 A CN 111275255A CN 202010053247 A CN202010053247 A CN 202010053247A CN 111275255 A CN111275255 A CN 111275255A
- Authority
- CN
- China
- Prior art keywords
- model
- residual
- forecasting
- sequence
- arima
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 239000004567 concrete Substances 0.000 title claims abstract description 26
- 238000010276 construction Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 16
- 238000005311 autocorrelation function Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 241001123248 Arma Species 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000000528 statistical test Methods 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract 1
- 238000006073 displacement reaction Methods 0.000 description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000002864 sequence alignment Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000011382 roller-compacted concrete Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
Abstract
本发明公开了一种混凝土坝变形监测预报模型的构建方法,具体是一种基于误差反向传播算法(BackPropagation,BP)的多层前馈型神经网络和差分整合移动平均自回归模型(ARIMA)的混凝土坝多尺度变形组合预报模型的构建方法;本发明方法利用大坝变形的历史数据,在建立逐步回归模型的基础上,利用多尺度小波分析技术对其残差序列进行分解与重构,通过BP神经网络与ARIMA模型对其所蕴含的随机信号与系统信号进行训练与预报,将残差预报项与回归模型预报值相叠加,得到一种考虑残差修正的混凝土坝变形组合预报模型,与常规预报模型相比,其预报精度有明显提高。
Description
技术领域
本发明涉及大坝运行安全监测与管理技术领域,具体的说,是一种精准预测混凝土坝变形的组合预报模型。
背景技术
大坝安全监控的主要目的是掌握大坝的实际服役性态,为保障大坝的安全运行提供必要的信息。大坝安全监控常主要利用变形、渗流、裂缝等观测量,因影响大坝渗流的主要因素间多重相关性的存在影响了渗流模型的稳健性和解释性,裂缝成因的复杂性及检测技术的局限性限制了渗流与裂缝监测的应用。变形是大坝结构在内外环境双重作用驱动下最能直观可靠反映其服役性能的重要观测量之一,对变形原型观测资料进行处理分析并建立实时预报模型是大坝安全监控领域中的前沿性研究内容。由于大坝变形受多种随机性与不确定性因素的影响及监测技术与分析理论的限制,其变形预报一般较为困难。
伴随对大坝变形复杂性认识的加深,国内外学者在大坝变形分析及安全评价领域做了大量的研究,将模糊数学、BP神经网络、统计学习理论、时间序列分析、灰色系统理论、D-S证据理论以及小样本方法、系统优化模型、人工免疫算法等方法理论应用于大坝变形分析预报。上述所建模型从本质上看均属于经验模型,且预报方法单一,在大坝变形与其影响因子之间的复杂非线性关系及不确定信息因素影响等方面考虑欠佳,同时此类模型多仅考虑其主要影响因素而未考虑其残差序列内蕴混沌效应的影响,进而限制了拟合精度与预报结果可靠性的提升。因此,如何有效提取残差序列混沌成分以修正常规变形预报精度,对提高模型预报能力具有重要意义。
组合预报模型因综合了多个模型的优点、在信息挖掘方面功能更强大而被应用于多个研究领域。考虑到残差序列的复杂非线性,其演化与内外环境影响因素之间蕴含的某种依存关系亟待挖掘,受小波分析在信号处理及BP模型和AIRMA模型在水文、医学、经济学等诸多领域复杂非线性分析中应用的启发,本发明在基于大坝变形原型观测资料建立统计回归模型的基础上,利用多尺度小波分析技术对其残差序列进行分解与重构,分别采用BP神经网络与ARIMA模型对其所蕴含的随机信号与系统信号进行训练与预报,并将残差预报项与回归模型预报值相叠加,据此构建了一种考虑残差修正的混凝土坝变形组合预报模型。以某碾压混凝土坝变形监测为研究对象分析表明,本发明所建组合预报模型较常规模型的预报精度有明显提高,此亦为其他水工建筑物变形预报提供了一种便捷高效的新方法。
发明内容
本发明的目的在于克服现有技术中的缺陷,提供一种精准预测混凝土坝变形效应的组合模型的构建方法,具体通过以下技术方案实现:
一种混凝土坝变形监测预报模型的构建方法,其特征在于,包括如下步骤:
S1.采取搜集大量监测数据的办法,基于对多元化大坝变形监测数据统计分析去建立回归模;
S2.构建残差修正的混凝土坝变形组合预报模型。
所述S2中构建残差修正的混凝土坝变形组合预报模型的具体步骤为:
S11.分析将监测原始信号中不同频率分量,其具有不同时变特性,根据系统信号和随机信号的频率特征实现二者分离,大坝变形残差信号包含了系统信号与随机信号,前者频率较低,后者频率较高:
设残差信号δ0满足δ0∈L2(R),以3层分解为例对δ0进行小波分解,将其分解为低频部分a1和高频部分d1,以此类推对低频部分进而分解;
S12.残差序列随机信号的BP神经网络预报:利用BP神经网络将组合各阶高频信号序列进行拟合预报;
S13.ARIMA(p,d,q)大坝变形残差序列的线性低频系统信号处理:ARIMA(p,d,q)预报模型的建立;
S14.构建基于BP-ARIMA修正残差的一种混凝土坝变形监测预报模型。
所述S12中的残差序列随机信号的BP神经网络预报,其网络学习的过程具体如下:
a.给定训练样本集,网络的输入与输出分别为
Inputj=∑WjiOutputj ①
Outputj=f(inputj) ②
b.计算各层节点误差信号
c.权值修正
式中,α为学习率;
d.网络收敛判别
所述ARIMA(p,d,q)大坝变形残差序列的线性低频系统信号处理:ARIMA(p,d,q)预报模型的建立过程如下
1)平稳性检验与平稳化处理:采用时间序列的散点图、自相关函数(ACF)、偏自相关函数图(PACF)和单位根ADF检验时间序列的平稳性,如果数据序列是非平稳的,并存在一定的增长或下降趋势,则需要对数据进行d阶差分处理,
2)模型识别与定阶:检验平稳性和确定差分阶数d之后,根据自相关函数(ACF)和偏自相关函数(PACF)分析确定适合该序列的ARIMA(p,d,q)模型形式,即判断模型形式为AR(p)、MA(q)或ARMA(p,q)模型。在确定模型形式后,一般采用AIC标准定阶对其阶数进行定阶,AIC标准的定阶方法为:
4)诊断与检验:模型诊断与检验的目的是根据拟合时段的残差,分析模型精度以检验其的适用性;自相关函数法对模型进行统计检验的基本思路是训练值与ARIMA模型估计值的残差序列为白噪声序列则所建模型可行;故假设H0:{εt}为白噪声序列,构造统计量:
所述构建基于BP-ARIMA修正残差的一种混凝土坝变形监测预报模型的过程中采用了在统计领域中预测准确性的衡量指标来评估模型的拟合精度,所述衡量指标包括平均绝对误MAE、平均平方差MSE、平均绝对百分误差MAPE以及决定系数R2。
本发明的有益效果在于:
本发明在基于大坝变形原型观测资料统计回归模型的基础上,利用多尺度小波分析技术对其残差序列进行分解与重构,分别采用BP神经网络与ARIMA模型对其所蕴含的随机信号与系统信号进行训练与预报,并将残差预报项与回归模型预报值相叠加,据此构建了一种考虑残差修正的混凝土坝变形的预报模型,该预报模型与常规预报模型相比,其预报精度有明显提高,同时为其他水工建筑物变形预报模型的构建提供了一种便捷高效的新方法。
附图说明
图1为本发明一种基于BP-ARIMA修正残差的混凝土坝变形组合预报模型流程图;
图2为小波分解示意图;
图3为大坝变形监测布置方案图;
图4为PL2测点位移实测过程线与上游水位过程线图;
图5为PL2测点水平位移拟合过程线与残差序列过程线;
图6为PL2测点残差序列的db4小波3层分解结果;
图7为PL2测点残差序列重构结果;
图8为PL2测点变形拟合及预报结果;
图9为PL2测点残差序列对比图;
图10为PL5测点变形拟合及预报结果;
图11为PL5测点残差序列对比图。
具体实施方式
下面结合附图对本发明优选的实施例进一步说明:
实施例:参见图1,图3。
图1为本发明一种基于BP-ARIMA修正残差的混凝土坝变形组合预报模型流程图,本实施例为:某混凝土重力坝最大坝高113.0m,坝顶高程179.0m,正常蓄水位与校核洪水位高程分别为173.0m和177.8m,调节库容与总库容分别为11.22亿m3和20.35亿m3。该坝布置了包括变形、渗流、温度以及应力应变等较为全面的监测项目,用以监测大坝变位的项目主要有正、倒垂线、引张线和视准线等,其中水平顺河向、垂直水流向位移量利用正、倒垂线监测,布置方案见图3。
选取2#坝段2014年6月1日至2016年5月31日正垂线测点PL2(140m)水平位移自动化监测序列进行分析,剔除异常干扰值,并经等时间间隔处理后,得到一个包含689组数据的位移实测序列,以前670组监测数据作为模型训练样本,利用后18组数据进行预报。监测时段内上游水位过程线与测点实测位移过程线如图4所示。
由图4可知,测点PL2位移实测序列与水深序列变化趋势完全一致,当水深减小时,坝体向上游的位移增大,当水深增大时,坝体向下游的位移增大。对建模序列初始日位移进行归零化处理,后续监测值均为建模序列初始日的相对位移。根据公式①建立该测点变形监测的回归模型,获得该测点水平位移拟合过程线和残差序列过程线如图5所示。其中,因该坝已运行多年,其混凝土水化热已散发,故温度分量仅考虑边界温度变化,即气温和水温,因缺少水温监测资料,故其温度分量选用多周期的谐波作为因子;同时,δθ过渡为线性变化,故δθ可用线性函数表示。故其回归模型可具体表示为:
式中:ai、b1i、b2i、c1、c2为回归系数;H、H0分别为监测日与起始监测日上游水深;当坝型为重力坝时,n=3,拱坝时,n=4(5);t为建模资料系列到始测日的时间,t0为建模资料系列第一天距离始测日的天数,以天计;q=t/100,q0=t0/100。
对图5中残差序列进行小波分解如图2所示,为尽量减少监测信号的损失,根据工程经验,选取MATLAB小波分析工具箱中dbN小波系的db4小波对其残差信号进行3层分解,共获得1组系统信号序列a3,3组随机信号序列d1,d2,d3,分解结果如图6所示。
由图6可知,系统信号序列a3平滑度较好,变化趋势与残差序列一致,随机信号序列d1,d2,d3较为离散,但表现出一定的周期性,初步分析应是受水位、温度等周期性因素影响,为简化对各频段信号分别建模计算,将上述分解所得随机信号序列进行重构,合成结果如图7所示。
由图7可知,残差序列系统信号序列与回归模型残差序列变化趋势总体一致,但较回归模型残差序列更平滑、稳定性更好,采用ARIMA模型对残差序列系统信号建模预报,将其残差预报值记作而其随机信号序列表现出明显的离散性,为非稳定性数据,适合采用BP神经网络建模预报获取将残差预报项{δ0},即叠加到回归模型预报值中,形成考虑残差修正的变形组合预报模型;为检验组合模型的有效性,同时建立该测点的BP神经网络模型,将回归模型、BP模型与本文所建组合预报模型的拟合与预报结果和其残差序列分别绘制于图8和图9。
为进一步验证所建模型的预报结果,运用本发明所述模型构建方法,以PL5(170.0m)测点为参照点预报其2014年6月1日~2016年5月31日的大坝变位,并将其拟合与预报结果及残差序列分别绘制于图10和图11;同时,为深入对三种模型的预报精度进行比较,分别量化计算了PL2与PL5测点的统计指标,如均方误差(mean square error,MSE)、平均误差(mean error,ME)和平均绝对百分误差(meanabsolute percentage error,MAPE),统计结果如下表所示。
表1两种预报模型的统计指标比较
由表1可知,组合模型与传统模型相比,MAE、MSE、MAPE更接近于0,即更接近于完美模型,说明该发明组合模型较常规监测模型的预报精度更优,由此验证了发明的合理性和科学性。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解,依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种混凝土坝变形监测预报模型的构建方法,其特征在于,包括如下步骤:
S1.采取搜集大量监测数据的办法,基于对多元化大坝变形监测数据统计分析去建立回归模;
S2.构建残差修正的混凝土坝变形组合预报模型。
2.根据权利要求1中所述的一种混凝土坝变形监测预报模型的构建方法,其特征在于,所述S2中构建残差修正的混凝土坝变形组合预报模型的具体步骤为:
S11.分析将监测原始信号中不同频率分量,其具有不同时变特性,根据系统信号和随机信号的频率特征实现二者分离,大坝变形残差信号包含了系统信号与随机信号,前者频率较低,后者频率较高:
设残差信号δ0满足δ0∈L2(R),以3层分解为例对δ0进行小波分解,将其分解为低频部分a1和高频部分d1,以此类推对低频部分进而分解;
S12.残差序列随机信号的BP神经网络预报:利用BP神经网络将组合各阶高频信号序列进行拟合预报;
S13.ARIMA(p,d,q)大坝变形残差序列的线性低频系统信号处理:ARIMA(p,d,q)预报模型的建立;
S14.构建基于BP-ARIMA修正残差的一种混凝土坝变形监测预报模型。
3.根据权利要求2中所述的一种混凝土坝变形监测预报模型的构建方法,其特征在于,所述S12中的残差序列随机信号的BP神经网络预报,其网络学习的过程具体如下:
a.对于给定的训练样本集,BP神经网络的输入与输出分别为
Inputj=∑WjiOutputj
Outputj=f(inputj)
b.计算各层节点误差信号
c.权值修正
式中,α为BP神经网络自学学习率;
d.网络收敛判别
4.根据权利要求2中所述的一种混凝土坝变形监测预报模型的构建方法,其特征在于,所述ARIMA(p,d,q)大坝变形残差序列的线性低频系统信号处理:ARIMA(p,d,q)预报模型的建立过程如下:
1)平稳性检验与平稳化处理:采用时间序列的散点图、自相关函数(ACF)、偏自相关函数图(PACF)和单位根ADF检验时间序列的平稳性,如果数据序列是非平稳的,并存在一定的增长或下降趋势,则需要对数据进行d阶差分处理,
2)模型识别与定阶:检验平稳性和确定差分阶数d之后,根据自相关函数(ACF)和偏自相关函数(PACF)分析确定适合该序列的ARIMA(p,d,q)模型形式,即判断模型形式为AR(p)、MA(q)或ARMA(p,q)模型。在确定模型形式后,一般采用AIC标准定阶对其阶数进行定阶,AIC标准的定阶方法为:
4)诊断与检验:模型诊断与检验的目的是根据拟合时段的残差,分析模型精度以检验其的适用性;自相关函数法对模型进行统计检验的基本思路是训练值与ARIMA模型估计值的残差序列为白噪声序列则所建模型可行;故假设H0:{εt}为白噪声序列,构造统计量:
5.根据权利要求2中所述的一种混凝土坝变形监测预报模型的构建方法,其特征在于,所述构建基于BP-ARIMA修正残差的一种混凝土坝变形监测预报模型的过程中采用了在统计领域中预测准确性的衡量指标来评估模型的拟合精度,所述衡量指标包括平均绝对误MAE、平均平方差MSE、平均绝对百分误差MAPE以及决定系数R2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010053247.5A CN111275255A (zh) | 2020-01-17 | 2020-01-17 | 一种混凝土坝变形监测预报模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010053247.5A CN111275255A (zh) | 2020-01-17 | 2020-01-17 | 一种混凝土坝变形监测预报模型的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111275255A true CN111275255A (zh) | 2020-06-12 |
Family
ID=71003513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010053247.5A Pending CN111275255A (zh) | 2020-01-17 | 2020-01-17 | 一种混凝土坝变形监测预报模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275255A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111691358A (zh) * | 2020-06-18 | 2020-09-22 | 河海大学 | 一种重力坝表观裂缝危险性预测方法及系统 |
CN111881800A (zh) * | 2020-07-22 | 2020-11-03 | 福建农林大学 | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 |
CN112100711A (zh) * | 2020-08-10 | 2020-12-18 | 南昌大学 | 一种基于arima和pso-elm的混凝土坝变形组合预报模型构建方法 |
CN112270334A (zh) * | 2020-08-07 | 2021-01-26 | 武汉理工大学 | 一种基于异常点暴露的少样本图像分类方法及系统 |
CN112504934A (zh) * | 2020-11-23 | 2021-03-16 | 中国水利水电科学研究院 | 一种混凝土坝渗流渗压预测和监控阈值确定方法 |
CN113364813A (zh) * | 2021-08-09 | 2021-09-07 | 新风光电子科技股份有限公司 | 一种轨道交通能量回馈数据的压缩传输方法及系统 |
CN113642812A (zh) * | 2021-10-15 | 2021-11-12 | 西南交通大学 | 基于北斗的微形变预测方法、装置、设备及可读存储介质 |
CN114595498A (zh) * | 2022-02-17 | 2022-06-07 | 南昌大学 | 一种拱坝变形性态监控方法 |
CN116561563A (zh) * | 2023-07-11 | 2023-08-08 | 电子科技大学 | 一种基于残差预测模型的边坡位移预测方法及相关装置 |
CN117553938A (zh) * | 2024-01-11 | 2024-02-13 | 南京市计量监督检测院 | 一种高低温环境下温度二次仪表的误差修正方法 |
Citations (2)
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 |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
-
2020
- 2020-01-17 CN CN202010053247.5A patent/CN111275255A/zh active Pending
Patent Citations (2)
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 |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
Non-Patent Citations (2)
Title |
---|
邓效忠等: "《机械优化设计》", 31 May 2015, 武汉:华中科技大学出版社 * |
魏博文等: "基于BP-ARIMA的混凝土坝多尺度变形组合预报模型", 《水利水运工程学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111691358A (zh) * | 2020-06-18 | 2020-09-22 | 河海大学 | 一种重力坝表观裂缝危险性预测方法及系统 |
CN111881800A (zh) * | 2020-07-22 | 2020-11-03 | 福建农林大学 | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 |
CN112270334A (zh) * | 2020-08-07 | 2021-01-26 | 武汉理工大学 | 一种基于异常点暴露的少样本图像分类方法及系统 |
CN112270334B (zh) * | 2020-08-07 | 2023-02-03 | 武汉理工大学 | 一种基于异常点暴露的少样本图像分类方法及系统 |
CN112100711A (zh) * | 2020-08-10 | 2020-12-18 | 南昌大学 | 一种基于arima和pso-elm的混凝土坝变形组合预报模型构建方法 |
CN112504934A (zh) * | 2020-11-23 | 2021-03-16 | 中国水利水电科学研究院 | 一种混凝土坝渗流渗压预测和监控阈值确定方法 |
CN112504934B (zh) * | 2020-11-23 | 2021-09-21 | 中国水利水电科学研究院 | 一种混凝土坝渗流渗压预测和监控阈值确定方法 |
CN113364813A (zh) * | 2021-08-09 | 2021-09-07 | 新风光电子科技股份有限公司 | 一种轨道交通能量回馈数据的压缩传输方法及系统 |
CN113642812B (zh) * | 2021-10-15 | 2022-02-08 | 西南交通大学 | 基于北斗的微形变预测方法、装置、设备及可读存储介质 |
CN113642812A (zh) * | 2021-10-15 | 2021-11-12 | 西南交通大学 | 基于北斗的微形变预测方法、装置、设备及可读存储介质 |
CN114595498A (zh) * | 2022-02-17 | 2022-06-07 | 南昌大学 | 一种拱坝变形性态监控方法 |
CN114595498B (zh) * | 2022-02-17 | 2024-05-03 | 南昌大学 | 一种拱坝变形性态监控方法 |
CN116561563A (zh) * | 2023-07-11 | 2023-08-08 | 电子科技大学 | 一种基于残差预测模型的边坡位移预测方法及相关装置 |
CN116561563B (zh) * | 2023-07-11 | 2023-09-29 | 电子科技大学 | 一种基于残差预测模型的边坡位移预测方法及相关装置 |
CN117553938A (zh) * | 2024-01-11 | 2024-02-13 | 南京市计量监督检测院 | 一种高低温环境下温度二次仪表的误差修正方法 |
CN117553938B (zh) * | 2024-01-11 | 2024-03-19 | 南京市计量监督检测院 | 一种高低温环境下温度二次仪表的误差修正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275255A (zh) | 一种混凝土坝变形监测预报模型的构建方法 | |
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
CN107153874B (zh) | 水质预测方法及系统 | |
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN104408913B (zh) | 一种考虑时空相关性的交通流三参数实时预测方法 | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
US20230015731A1 (en) | Real-time abnormity-diagnosing and interpolation method for water regime-monitoring data | |
CN106529145A (zh) | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 | |
CN111310981B (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN112116149B (zh) | 一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法 | |
CN111191191A (zh) | 一种精准预测混凝土坝变形效应的组合模型的构建方法 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN105956788A (zh) | 一种输变电工程造价的动态管理控制方法 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN115659609A (zh) | 一种基于dtw-dcrnn的化工园区噪声预测方法 | |
CN115421216A (zh) | 一种基于stl-arima-nar混合模型的中长期月降雨预报方法 | |
CN115221793A (zh) | 一种隧道围岩变形预测方法及装置 | |
CN114580260B (zh) | 一种基于机器学习和概率理论的滑坡区间预测方法 | |
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 | |
KR101585545B1 (ko) | 조류 대증식을 예측하기 위한 웨이블릿 기반 자동회귀 퍼지 모델링 방법 | |
CN110740063B (zh) | 基于信号分解和周期特性的网络流量特征指标预测方法 | |
CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统 | |
CN115423263A (zh) | 一种基于Prophet-LSTM的边坡风险预警及滑动体积预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200612 |
|
RJ01 | Rejection of invention patent application after publication |