CN112199765A - 混凝土大坝的分区方法、装置、电子设备及可读介质 - Google Patents
混凝土大坝的分区方法、装置、电子设备及可读介质 Download PDFInfo
- Publication number
- CN112199765A CN112199765A CN202011217215.0A CN202011217215A CN112199765A CN 112199765 A CN112199765 A CN 112199765A CN 202011217215 A CN202011217215 A CN 202011217215A CN 112199765 A CN112199765 A CN 112199765A
- Authority
- CN
- China
- Prior art keywords
- concrete dam
- safety monitoring
- dam
- data
- displacement model
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种混凝土大坝的分区方法、装置、电子设备及计算机可读介质。该方法包括:生成混凝土大坝的监测效应仿真数据;基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型;通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,其中,每个相似性集合中包括至少一个单元节点;基于所述多个相似性集合对所述混凝土大坝进行分区。本发明涉及的混凝土大坝的分区方法、装置、电子设备及计算机可读介质,能够对混凝土大坝进行准确合理的分区,进而能在大坝的任何区域运用合理的单点变形预测模型进行分析,提高分析效率和准确度。
Description
技术领域
本发明涉及大坝运行监测与管理技术领域,具体而言,涉及一种混凝土大坝的分区方法、装置、电子设备及计算机可读介质。
背景技术
大坝作为重要的基础设施,在满足粮食生产和生活用水以及发电和洪水控制方面起到了重要作用,所以一旦大坝失事将会对社会造成巨大的损失。因此,大坝安全监控模型研究一直是大坝安全监控领域中的热点。由于大坝复杂的结构使得安全监测成为一项复杂的任务。大坝变形监测值直观可靠,包含着大坝演变的重要信息,是国内外广泛使用的主要监测变量。在对坝体进行结构性态(变形、应力等)的过程中,考虑坝体不同的部位的变化机理是不一样的,因此,需要进行分区建模,而后,根据不同的模型实现对整个坝体的性态进行分析预测。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本发明提供一种混凝土大坝的分区方法、装置、电子设备及计算机可读介质,能够对混凝土大坝进行准确合理的分区,进而能在大坝的任何区域运用合理的单点变形预测模型进行分析,提高分析效率和准确度。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的一方面,提出一种混凝土大坝的分区方法,该方法包括:生成混凝土大坝的监测效应仿真数据;基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型;通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,其中,每个相似性集合中包括至少一个单元节点;基于所述多个相似性集合对所述混凝土大坝进行分区。
在本发明的一种示例性实施例中,基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型之后,还包括:剔除所述安全监测位移模型中的过拟合数据。
在本发明的一种示例性实施例中,生成混凝土大坝的监测效应仿真数据,包括:基于非线性有限元法生成混凝土大坝的监测效应仿真数据。
在本发明的一种示例性实施例中,基于非线性有限元法生成混凝土大坝的监测效应仿真数据,包括:生成标准的所述混凝土大坝的网格;将监测点作为所述网格的单元节点;确定所述混凝土大坝的网格的多个参数;基于非线性有限元法和所述网格、所述单元节点、所述多个参数生成所述混凝土大坝的变形仿真数据。
在本发明的一种示例性实施例中,基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型,包括:基于所述变形仿真数据生成自变量集合和因变量集合;基于偏最小二乘法对所述自变量集合和所述因变量集合进行主成分提取;基于所述主成分提取结果生成安全监控位移模型。
在本发明的一种示例性实施例中,通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,包括:通过不确定性分析法对所述自变量集合中各个自变量进行分析;通过具有相似性的自变量生成相似性集合。
在本发明的一种示例性实施例中,通过不确定性分析法对所述自变量集合中各个自变量进行分析,包括:通过聚类分析法对所述自变量集合中各个自变量进行分析。
在本发明的一种示例性实施例中,剔除所述安全监测位移模型中的过拟合数据,包括:通过交叉验证法剔除所述安全监测位移模型中的过拟合数据。
在本发明的一种示例性实施例中,通过交叉验证法剔除所述安全监测位移模型中的过拟合数据,包括:将所述安全监测位移模型中的数据分为训练集和测试集;基于所述训练集和所述测试集通过所述交叉验证法进行多次验证以剔除所述过拟合数据。
根据本发明的一方面,提出一种混凝土大坝的分区装置,该装置包括:仿真数据模块,用于生成混凝土大坝的监测效应仿真数据;监控模型模块,用于基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型;相似性集合模块,用于通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,其中,每个相似性集合中包括至少一个单元节点;分区模块,用于基于所述多个相似性集合对所述混凝土大坝进行分区。
在本发明的一种示例性实施例中,还包括:过拟合模块,用于剔除所述安全监测位移模型中的过拟合数据。
根据本发明的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本发明的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本发明的混凝土大坝的分区方法、装置、电子设备及计算机可读介质,生成混凝土大坝的监测效应仿真数据;基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型;通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,其中,每个相似性集合中包括至少一个单元节点;基于所述多个相似性集合对所述混凝土大坝进行分区的方式,能够对混凝土大坝进行准确合理的分区,进而能在大坝的任何区域运用合理的单点变形预测模型进行分析,提高分析效率和准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种混凝土大坝的分区方法的流程图。
图2是根据另一示例性实施例示出的一种混凝土大坝的分区方法的流程图。
图3是根据另一示例性实施例示出的一种混凝土大坝的分区方法的示意图。
图4是根据另一示例性实施例示出的一种混凝土大坝的分区方法的示意图。
图5是根据另一示例性实施例示出的一种混凝土大坝的分区方法的示意图。
图6是根据一示例性实施例示出的一种混凝土大坝的分区装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本发明概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的,因此不能用于限制本发明的保护范围。
本发明的发明人发现,随着对大坝变形复杂性的认识不断加深,国内外学者将多元回归模型、模糊数学、灰色理论、神经网络、滤波法、小波分析、混沌力学等各种理论和方法引入大坝安全监测分析,陈久宇首先应用统计回归分析大坝安全监测资料,并对分析成果加以物理成因解释;吴中如从徐变理论出发推导了坝体顶部时效位移的表达式、坝顶水平位移的时间序列分析法以及连拱坝位移确定性模型的原理和方法;杨杰在一阶单变量灰色线性预测模型基础上,建立了土石坝变形非线性模型;以上研究体现了数学模型和人工智能模型在建立混凝土坝位移模型时的优势,然而,应用现有预测模型进行大坝变形预报时,模型中加入了环境的组合信息,模型中因子数众多,且受因子间相关性的影响,模型可能存在一种过拟合的现象,当过拟合发生时,模型开始捕捉随机误差或噪声,而不是自变量和因变量之间的潜在关系,因此,模型过于复杂既没有必要也不可靠,所以,找到大坝变形与恒常的显著性因素之间的关联关系,即一个能从经历到的过去、特殊、局部,推论到没有经历到的未来、一般、整体的模型,且此模型独立于研究者、独立于样本,具有超越特定时间和空间的某种程度的必然性和普遍性具有重要意义。
另外,在以上混凝土坝安全监控模型研究中,研究环境因素与位移变量之间的因果关系及数学模型时,主要以单个测点为对象进行分析,认为由部分测点得到的数据可以反映大坝的安全状况。然而,在空间维度上向我们展开的世界永远是博大的世界中一个小的可以忽略不计的点,所以,将单点变形预测模型推广至整个大坝,才能更好的评价大坝结构性态和服役健康状况,但是,任何模型只有在相对条件下才具有绝对意义,因此,只有在受到相同或相似外界因素影响下的大坝的区域才会存在必然的相关性,所以,如何从变形数据挖掘出其潜在相似性规律将是大坝分区的重点。
本发明目的在于克服现有技术中的变形预测模型存在过度拟合现象,无法找到变形和恒常的显著性因素之间关系,且难以在相对条件下将单点变形预测模型推广至整个大坝,本发明提供一种变形预测模型,以及一种面向大坝变形监测数据的相似性数据聚类方法,通过此方法可以对大坝进行分区,进而能在大坝的任何区域运用合理的单点变形预测模型。下面结合具体的实施例对本发明的内容进行详细描述。
图1是根据一示例性实施例示出的一种混凝土大坝的分区方法的流程图。混凝土大坝的分区方法10至少包括步骤S102至S108。
如图1所示,在S102中,生成混凝土大坝的监测效应仿真数据。可例如,基于非线性有限元法生成混凝土大坝的监测效应仿真数据。
其中,基于非线性有限元法生成混凝土大坝的监测效应仿真数据,包括:生成标准的所述混凝土大坝的网格;将监测点作为所述网格的单元节点;确定所述混凝土大坝的网格的多个参数;基于非线性有限元法和所述网格、所述单元节点、所述多个参数生成所述混凝土大坝的变形仿真数据。
更具体的,可设计一个假想的规则混凝土重力坝,划分一定数量和形式的计算单元网格,将相应测点作为单元节点,给定坝体和坝基的弹模、线膨胀系数等物理参数,拟定上下游水位、温度等边界条件,进而利用有限元分析计算大坝的位移值。
在S104中,基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型。可包括:基于所述变形仿真数据生成自变量集合和因变量集合;基于偏最小二乘法对所述自变量集合和所述因变量集合进行主成分提取;基于所述主成分提取结果生成安全监控位移模型。、
具体步骤可包括:
将自变量集和因变量集进行标准化处理,标准化处理的目的是使样本点的集合重心与坐标原点重合。
成分提取,偏最小二乘分别从自变量和因变量的标准化矩阵中提取成分t1和u1。提取第一个自变量成分t1和因变量成分u1后,偏最小二乘回归分别实施自变量对t1的回归以及因变量对t1的回归,如果回归精度已达到满意程度,则算法停止,否则进行第二轮的成分提取,一般不需要选用全部成分t1,t2,…,tn进行回归建模,而是选用前m个成分t1,t2,…,tm就可以得到预报性良好的模型。m采用交叉有效性法选取。
本文实验数据是以整个坝体为对象,划分一定数量和形式的计算单元网格,将相应测点作为单元节点,给定坝体和坝基的弹模、线膨胀系数等物理参数,拟定上下游水位、温度等边界条件,进而利用有限元分析计算大坝的位移值。由于未给定时效条件,所以本发明仅讨论上游水位(H)、下游水位(h)、温度(T)3个解释变量对坝体位移的影响。本发明坝体位移的数学模型可选用如下三种形式:
其中,δ为位移值,i为阶次,a、b、c、d为回归系数。
偏最小二乘是一种多元统计数据分析方法,研究多因变量(包括单因变量)对多自变量的回归建模,在本发明的实施例中,通过偏最小二乘进行主成分的提取,确保模型精度不受因子多重相关性的影响,从而使得偏最小二乘模型分离出的因子有效地对实测变量作出合理解释。
在S106中,通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,其中,每个相似性集合中包括至少一个单元节点。可包括:通过不确定性分析法对所述自变量集合中各个自变量进行分析;通过具有相似性的自变量生成相似性集合。
其中,通过不确定性分析法对所述自变量集合中各个自变量进行分析,包括:通过聚类分析法对所述自变量集合中各个自变量进行分析。
更具体的,可例如,针对大坝的每一个节点,构建基于偏最小二乘的混凝土坝安全监测位移模型,通过交叉验证获得关于自变量的最佳拟合阶数,通过分析自变量的复杂性挖掘其潜在的相似性规律。
在本发明的实施例中,应用不确定性分析是因为不确定性是数据的本质特征。人类的任何知识都必须依赖从特殊到一般,从局部到整体,从过去到未来完成构建。由于特殊、局部、过去总是在持续的变动之中,人类据以构建的知识也必然处于持续的演进之中,人类对世界进行观察、描述、分析的知识是向不确定性敞开的。大坝位移数据也是如此,大坝位移数据是对大坝客观表象和演化规律的抽象表达,其动态性和增量性是对大坝状态的持续反映。
在S108中,基于所述多个相似性集合对所述混凝土大坝进行分区。可将具有相似性的节点作为一个区域。
根据本发明的混凝土大坝的分区方法,生成混凝土大坝的监测效应仿真数据;基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型;通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,其中,每个相似性集合中包括至少一个单元节点;基于所述多个相似性集合对所述混凝土大坝进行分区的方式,能够对混凝土大坝进行准确合理的分区,进而能在大坝的任何区域运用合理的单点变形预测模型进行分析,提高分析效率和准确度。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。
图2是根据另一示例性实施例示出的一种混凝土大坝的分区方法的流程图。图2所示的流程20是对图1所示的流程的补充描述。
如图2所示,在S202中,将所述安全监测位移模型中的数据分为训练集和测试集。可通过交叉验证法剔除所述安全监测位移模型中的过拟合数据。
在S204中,提取一个测试集和多个训练集。
在S206中,基于一个训练集和多个测试集通过交叉验证法进行验证。
在S208中,基于验证结果剔除多个安全监测位移模型中的过拟合数据。交叉验证是机器学习中的一种选择模型、优化模型的方法,常用于数据量对于拟合模型不是很充足的时候,其思想是重复的使用数据,把给定的数据进行切分,将切分的数据集分为训练集和测试集,在这个基础上反复进行训练、测试以及模型选择。
在本发明的实施例中,可采用交叉验证方法包括简单交叉验证、K折交叉验证和留一交叉验证等等方式基于测试集和训练集进行验证。在给定的建模样本中,拿出大部分样本进行建模型,留小部分样本用刚建立的模型进行预报,并求这小部分样本的预报误差,记录它们的平方加和。
下面结合一个具体的实施例和附图3,4,5来对本发明中的一种混凝土大坝的分区方法进行详细说明。
图3为坝体网格图,包含单元2768个,节点2849个,混凝土重力坝坝顶高程269.50m,坝顶长1068.0m。相应的荷载有:上游和下游静水压力、坝体重力、地基重力、坝基与坝基界面上的扬压力、基础内的扬压力、环境温度、上游和下游水温、地基初始地应力。获得的位移数据如表一所示:
表一坝位移数据表
统计模型一般认为是由水压分量、温度分量、时效分量三部分组成,它们是根据线性叠加原理组合起来的。这里用模型的可加性和交互性表示复杂性,变量越多,模型越复杂。本发明不考虑时效因素的情况下,分析大坝位移与上游水位、下游水位和温度之间的关系。自变量与因变量如表二所示。
表二自变量与因变量的选取
偏最小二乘回归的成分、残差矩阵有许多优良特性,其中之一是成分之间的相互正交性,这一定程度消除了多重线性相关性。偏最小二乘回归算法的实质是按照协方差极大化准则,在分解自变量数据矩阵的同时,也分解因变量数据矩阵,并且建立相互对应的解释隐变量与反应隐变量之间的回归关系方程。此处调用Matlab偏最小二乘回归命令。
通过偏最小二乘可以得到的是确定自变量复杂程度时的最优大坝位移监控模型,然而真正的最优大坝位移监控模型可能完全取决于我们认为我们知道多少。因此判断模型的复杂性,进行模型选择、模型简化对认识大坝位移监控模型起重要作用。此处采用10折交叉验证对样本进行复杂性判断。将全部训练数据随机分成10个不相交的子集,每次从分好的10个子集中拿出1个作为测试集,其他9个作为训练集,重复上述步骤10次使得每个子集都作为一次测试集分别得到10个模型指标,取10个模型指标的平均值作为10折交叉验证最终的模型指标,次训练集依据本发明的三种位移监控模型,通过偏最小二乘得到三种模型的具体表达式,把这些模型应用到测试集,即可发现三种模型对测试集的拟合优劣。依据拟合优劣获得相似性数据,通过此方法可以对大坝进行分区,进而将单点变形预测模型推广至整个大坝。最终根据水平位移的大坝分区如图4所示,根据竖向位移的大坝分区如图5所示。
本发明的混凝土大坝的分区装置有益效果在于:
1.充分认识到过度拟合会捕捉随机误差或噪声,而不是自变量和因变量之间的潜在关系。认识到位移监控模型的复杂性,也考虑了模型选择、模型简化对认识大坝位移监控模型起重要作用。
2.通过大坝变形监测数据的相似性数据聚类方法,挖掘出其潜在相似性规律,对大坝进行相似性分区,为单点变形预测模型推广至整个大坝提供依据。
3.通过此变形监测数据模型可知用少量的监测数据获得丰富、可靠的信息是可以实现的。
4.人们依据历史数据构建的知识处于持续演进之中,人们对任何事物的观察、描述、分析是向不确定性敞开的。所以每一位作者提出的观点可能是有吸引力的,也可能是无趣的,但对不同的读者可能会产生不确定的影响。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图6是根据另一示例性实施例示出的一种混凝土大坝的分区装置的框图。如图6所示,混凝土大坝的分区装置60包括:仿真数据模块602,监控模型模块604,相似性集合模块606,分区模块608,混凝土大坝的分区装置60还可包括:过拟合模块610。
仿真数据模块602用于生成混凝土大坝的监测效应仿真数据;
监控模型模块604用于基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型;
相似性集合模块606用于通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,其中,每个相似性集合中包括至少一个单元节点;
分区模块608用于基于所述多个相似性集合对所述混凝土大坝进行分区。
过拟合模块610用于剔除所述安全监测位移模型中的过拟合数据。
根据本发明的混凝土大坝的分区装置,生成混凝土大坝的监测效应仿真数据;基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型;通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,其中,每个相似性集合中包括至少一个单元节点;基于所述多个相似性集合对所述混凝土大坝进行分区的方式,能够对混凝土大坝进行准确合理的分区,进而能在大坝的任何区域运用合理的单点变形预测模型进行分析,提高分析效率和准确度。
图7是根据一示例性实施例示出的一种电子设备的框图。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元710可以执行如图1,图2,中所示的步骤。
所述存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备700’(例如键盘、指向设备、蓝牙设备等)通信,使得用户能与该电子设备700交互的设备通信,和/或该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,如图8所示,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:生成混凝土大坝的监测效应仿真数据;基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型;通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,其中,每个相似性集合中包括至少一个单元节点;基于所述多个相似性集合对所述混凝土大坝进行分区。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (13)
1.一种混凝土大坝的分区方法,其特征在于,包括:
生成混凝土大坝的监测效应仿真数据;
基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型,所述安全监测位移模型中包括多个单元节点;
通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,其中,每个相似性集合中包括至少一个单元节点;
基于所述多个相似性集合对所述混凝土大坝进行分区。
2.根据权利要求1所述的分区方法,其特征在于,基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型之后,还包括:
剔除所述安全监测位移模型中的过拟合数据。
3.根据权利要求1所述的分区方法,其特征在于,生成混凝土大坝的监测效应仿真数据,包括:
基于非线性有限元法生成混凝土大坝的变形仿真数据。
4.根据权利要求3所述的分区方法,其特征在于,基于非线性有限元法生成混凝土大坝的变形仿真数据,包括:
生成标准的所述混凝土大坝的网格;
将监测点作为所述网格的单元节点;
确定所述混凝土大坝的网格的多个参数;
基于非线性有限元法和所述网格、所述单元节点、所述多个参数生成所述混凝土大坝的变形仿真数据。
5.根据权利要求1所述的分区方法,其特征在于,基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型,包括:
基于所述变形仿真数据生成自变量集合和因变量集合;
基于偏最小二乘法对所述自变量集合和所述因变量集合进行主成分提取;
基于所述主成分提取结果生成安全监控位移模型。
6.根据权利要求1所述的分区方法,其特征在于,通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,包括:
通过不确定性分析法对所述自变量集合中各个自变量进行分析;
通过具有相似性的自变量生成相似性集合。
7.根据权利要求6所述的分区方法,其特征在于,通过不确定性分析法对所述自变量集合中各个自变量进行分析,包括:
通过聚类分析法对所述自变量集合中各个自变量进行分析。
8.根据权利要求2所述的分区方法,其特征在于,剔除所述安全监测位移模型中的过拟合数据,包括:
通过交叉验证法剔除所述安全监测位移模型中的过拟合数据。
9.根据权利要求8所述的分区方法,其特征在于,通过交叉验证法剔除所述安全监测位移模型中的过拟合数据,包括:
将所述安全监测位移模型中的数据分为训练集和测试集;
基于所述训练集和所述测试集通过所述交叉验证法进行多次验证以剔除所述过拟合数据。
10.一种混凝土大坝的分区装置,其特征在于,包括:
仿真数据模块,用于生成混凝土大坝的监测效应仿真数据;
监控模型模块,用于基于偏最小二乘法和所述监测效应仿真数据构建所述混凝土大坝的安全监控位移模型;
相似性集合模块,用于通过不确定性分析法对所述安全监测位移模型进行分析,生成多个相似性集合,其中,每个相似性集合中包括至少一个单元节点;
分区模块,用于基于所述多个相似性集合对所述混凝土大坝进行分区。
11.根据权利要求1所述的分区装置,其特征在于,还包括:
过拟合模块,用于剔除所述安全监测位移模型中的过拟合数据。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
13.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011217215.0A CN112199765A (zh) | 2020-11-04 | 2020-11-04 | 混凝土大坝的分区方法、装置、电子设备及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011217215.0A CN112199765A (zh) | 2020-11-04 | 2020-11-04 | 混凝土大坝的分区方法、装置、电子设备及可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112199765A true CN112199765A (zh) | 2021-01-08 |
Family
ID=74034116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011217215.0A Pending CN112199765A (zh) | 2020-11-04 | 2020-11-04 | 混凝土大坝的分区方法、装置、电子设备及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112199765A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742814A (zh) * | 2021-07-27 | 2021-12-03 | 南方电网调峰调频发电有限公司 | 大坝安全预警方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008249733A (ja) * | 2003-10-31 | 2008-10-16 | Tokyo Electric Power Co Inc:The | コンクリートの凍害劣化予測装置およびそのプログラム |
CN107301282A (zh) * | 2017-06-12 | 2017-10-27 | 天津大学 | 基于多源监测时序数据的混凝土坝力学参数反演方法 |
CN109165780A (zh) * | 2018-08-15 | 2019-01-08 | 中国地质大学(武汉) | 基于区块链框架的滑坡监测点分区方法、设备及存储设备 |
CN110990915A (zh) * | 2019-11-20 | 2020-04-10 | 河海大学 | 一种混凝土坝安全监测智能反馈系统及方法 |
CN111047476A (zh) * | 2019-12-09 | 2020-04-21 | 山东大学 | 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 |
-
2020
- 2020-11-04 CN CN202011217215.0A patent/CN112199765A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008249733A (ja) * | 2003-10-31 | 2008-10-16 | Tokyo Electric Power Co Inc:The | コンクリートの凍害劣化予測装置およびそのプログラム |
CN107301282A (zh) * | 2017-06-12 | 2017-10-27 | 天津大学 | 基于多源监测时序数据的混凝土坝力学参数反演方法 |
CN109165780A (zh) * | 2018-08-15 | 2019-01-08 | 中国地质大学(武汉) | 基于区块链框架的滑坡监测点分区方法、设备及存储设备 |
CN110990915A (zh) * | 2019-11-20 | 2020-04-10 | 河海大学 | 一种混凝土坝安全监测智能反馈系统及方法 |
CN111047476A (zh) * | 2019-12-09 | 2020-04-21 | 山东大学 | 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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742814A (zh) * | 2021-07-27 | 2021-12-03 | 南方电网调峰调频发电有限公司 | 大坝安全预警方法、装置、计算机设备和存储介质 |
CN113742814B (zh) * | 2021-07-27 | 2023-12-19 | 南方电网调峰调频发电有限公司 | 大坝安全预警方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | A generalized remaining useful life prediction method for complex systems based on composite health indicator | |
CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
Deng et al. | LSTMED: An uneven dynamic process monitoring method based on LSTM and Autoencoder neural network | |
CN102291392A (zh) | 一种基于Bagging算法的复合式入侵检测方法 | |
Widiputra et al. | Multiple time-series prediction through multiple time-series relationships profiling and clustered recurring trends | |
CN110674636A (zh) | 一种用电行为分析方法 | |
Pereira et al. | TS-stream: clustering time series on data streams | |
CN115983087A (zh) | 一种注意力机制与lstm结合检测时序数据异常方法及终端机 | |
Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
Li et al. | GMM-HMM-based medium-and long-term multi-wind farm correlated power output time series generation method | |
Ilkhani et al. | Extraction test cases by using data mining; reducing the cost of testing | |
CN112199765A (zh) | 混凝土大坝的分区方法、装置、电子设备及可读介质 | |
Bond et al. | An unsupervised machine learning approach for ground‐motion spectra clustering and selection | |
Zhang et al. | Seismic response prediction of a damped structure based on data-driven machine learning methods | |
Shaohu et al. | Prediction of drilling plug operation parameters based on incremental learning and CNN-LSTM | |
Aliyu et al. | Deep Learning for Multivariate Prediction of Building Energy Performance of Residential Buildings. | |
CN116644298A (zh) | 一种对网络攻击检测模型性能检测的方法及其相关设备 | |
CN116613732A (zh) | 一种基于shap值选择策略的多元负荷预测方法及系统 | |
Gu et al. | A High-Robust Displacement Prediction Model for Super-High Arch Dams Integrating Wavelet De-Noising and Improved Random Forest. Water 2023; 15 (7): 1271 | |
Gao et al. | Application of artificial intelligence technology in unconventional natural gas production forecasting | |
Xie et al. | Machine learning applications in earthquake engineering: Literature review and case studies | |
Mandelli et al. | An overview of reduced order modeling techniques for safety applications | |
CN118013635B (zh) | 一种楼宇排水管道的设计方法、装置、设备及存储介质 | |
Ma et al. | A time-varying copula approach for describing seasonality in multivariate ocean data |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 266109 room 603, building 19, doctor Pioneer Park, 89 Changcheng Road, Chengyang street, Chengyang District, Qingdao City, Shandong Province Applicant after: Qingdao Chaoyuan Bochuang Technology Development Co.,Ltd. Address before: No.304 LaoChuang Industrial Park, No.1 LaoChuang Road, Laoshan District, Qingdao City, Shandong Province, 266102 Applicant before: Qingdao Chaoyuan Bochuang Technology Development Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |