CN112287608B - 一种基于模糊综合评价的大坝安全预测系统及方法 - Google Patents
一种基于模糊综合评价的大坝安全预测系统及方法 Download PDFInfo
- Publication number
- CN112287608B CN112287608B CN202011304395.6A CN202011304395A CN112287608B CN 112287608 B CN112287608 B CN 112287608B CN 202011304395 A CN202011304395 A CN 202011304395A CN 112287608 B CN112287608 B CN 112287608B
- Authority
- CN
- China
- Prior art keywords
- dam
- safety
- monitoring
- prediction
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 142
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000013210 evaluation model Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000006073 displacement reaction Methods 0.000 claims description 81
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 230000032683 aging Effects 0.000 claims description 8
- 230000035882 stress Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000002277 temperature effect Effects 0.000 claims description 4
- 230000001550 time effect Effects 0.000 claims description 4
- 239000003673 groundwater Substances 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 abstract description 8
- 230000003204 osmotic effect Effects 0.000 abstract description 6
- 238000011158 quantitative evaluation Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于模糊综合评价的大坝安全预测系统及方法,属于大坝安全监测预测技术领域,包括数据获取模块、大坝安全预警分析模块、统计预测模块以及模糊综合评价模块。本发明在统计模型基础上,根据对历史数据的分析,加入影响因子(趋势因子、非线性影响因子等),预测与实测结果变化趋势一致,各参数影响反应敏感,能准确预测未来7天变化在无输入情况下,预测出未来大坝变形、渗压情况,变化规律一致,幅值接近,实现结构安全综合评价,即通过建立模糊综合评价模型,根据模糊隶属度理论,把定性评价转化为定量评价。
Description
技术领域
本发明属于大坝安全监测技术领域,尤其涉及一种基于模糊综合评价的大坝安全预测系统及方法。
背景技术
保证大坝安全的措施可分为工程措施和非工程措施两种,两者相互依存,缺一不可。工程措施指采取工程技术手段,对大坝进行加固和维修非工程措施指通过洪水预报、安全监测等手段,来保障大坝运行安全。由于人们认知水平的局限,大坝的设计和建设不可能做到万无一失,大坝运行中也可能产生安全问题,这样,加强大坝安全监测就成为非工程措施中极为重要的一个方面。根据大坝安全监测的目的来分,监测的主要项目有变形、渗流、压力、应力应变、水力学及环境量等。其中,变形和渗流监测直观可靠,可基本反映在各种荷载作用下的大坝安全性态,因而成为最为重要的监测项目。大坝安全监测取得的大量数据为评价大坝运行状态提供了基础,但是,原始观测数据往往不能直观清晰地展示大坝形态,需要对观测数据进行分辨、解析、提炼和概括,从繁多的观测资料中找出关键问题,深刻地揭示规律并作出判断,这就需要进行监测数据分析。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于模糊综合评价的大坝安全预测系统及方法,解决了目前大坝安全监测难以对大坝整体安全性做出评价的问题;以及解决了现在大坝安全监测中原始观测数据难以直接的展示大坝运行安全的问题。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种基于模糊综合评价的大坝安全预测系统,包括数据获取模块、大坝安全预警分析模块、统计预测模块以及模糊综合评价模块;
所述数据获取模块,用于获取大坝历史监测数据;
所述大坝安全预警分析模块,用于根据所述大坝历史监测数据构建大坝安全预警指标模型,并利用所述大坝安全预警指标模型对大坝安全监测指标进行分析;
所述统计预测模块,用于根据所述分析结果构建统计预测模型,并利用所述统计预测模型对大坝的状态进行预报;
所述模糊综合评价模块,用于根据预报结果构建模糊综合评价模型,并利用所述模糊综合评价模型对大坝的安全运行情况进行评价,完成对大坝安全监测的预测。
基于上述系统,本发明还提供了一种基于模糊综合评价的大坝安全预测方法,包括以下步骤:
S1、获取大坝历史监测数据;
S2、根据所述大坝历史监测数据,构建大坝安全预警指标模型;
S3、利用所述大坝安全预警指标模型对大坝安全监测指标进行分析;
S4、根据所述分析结果构建统计预测模型,并利用所述统计预测模型对大坝的状态进行预报;
S5、根据预报结果构建模糊综合评价模型,并利用所述模糊综合评价模型对大坝的安全运行情况进行评价,完成对大坝安全监测的预测。
进一步地,所述步骤S2中大坝安全监测预警指标模型包括大坝变形监测子模型、大坝渗流监测子模型、大坝应力监测子模型以及水文气象监测子模型;
所述大坝变形监测子模型,用于分别监测大坝内部与表面的水平位移及垂直位移,以及监测大坝的整体位移;
所述大坝渗流监测子模型,用于监测大坝的扬压力、地下水位以及渗流量;
所述大坝应力监测子模型,用于监测大坝的混凝土、岩体以及土压力数据;
所述水文气象监测子模型,用于监测温度、雨量以及水位数据。
再进一步地,所述步骤S4中统计预测模型包括大坝位移融合子模型以及大坝渗流压力统计预测子模型;
所述大坝位移融合子模型,用于监测大坝各测点的位移数据;
所述大坝渗流压力统计预测子模型,用于统计和预测大坝渗流压力数据。
再进一步地,所述大坝位移融合子模型表达式如下:
δ1=δ+δ'
δ=δH+δT+δθ
δθ=c1θ+c2ln(θ)
其中,δ1表示大坝位移,δ表示大坝位移的线性部分,δ'表示大坝位移的非线性部分,δH、δT和δθ分别为大坝位移的水压、温度和时效分量,ai表示待定的水压因子回归系数,Hi和n均表示水压分量,b11和b21均表示温度因子回归系数,t表示从初始观测日起算的时间,c1和c2均表示时效因子回归系数,m3表示常数,i表示水压分量或温度分量的个数,θ表示从初始观测日起的累计天数的1/100;
所述大坝渗流压力统计预测子模型的表达式如下:
其中,P表示大坝各测点渗流压力统计预测模型,a0、a1、a2、a3、ak、ai和ak表示均表示待定的水压因子回归系数,H表示观测日库水位,H2和H3均表示水压因子,ΔH表示观测日库水位与初始观测日库水位的差,Δt表示水位变化开数,Hj表示第j天内的平均水头,b11和b21均表示选定的回归系数,t表示从初始观测日起算的时间。
再进一步地,所述大坝位移的非线性部分的实现步骤如下:
A1、将通过大坝历史监测数据分别计算得到且与大坝位移的线性部分相同的大坝位移水压、温度和时效分量以及大坝位移的线性部分δ作为输入;
A2、将与所输入相对应的大坝实测位移δ实与大坝位移的线性部分δ的差值作为输出;
A3、利用支持向量机模型对所述输入输出进行训练并调整权重,得到所述差值的支持向量机模型;
A4、利用所述差值的支持向量机模型预测得到大坝位移的非线性部分。
再进一步地,所述步骤S5包括以下步骤:
S501、根据所述预报结果构建大坝安全预测因素集U={u1,u2,...,um},其中,um表示大坝安全预测因素集的总数,m表示大坝安全预测因素个数;
S502、根据所述预报结果构建大坝安全预测因素评价集V={v1,v2,...,vy},其中,vy表示大坝安全预测因素评价集的总数,y表示大坝安全预测因素评价个数;
S503、根据所述预报结果构建大坝安全预测因素权重集A={a1,a2,...,ax},并对x个大坝安全预测因素权重进行归一化处理,其中,ax表示大坝安全预测因素权重集的总数;
S504、根据所述大坝安全预测因素权重集以及大坝安全预测因素评价集构建大坝模糊关系矩阵;
S505、根据所述大坝模糊关系矩阵和大坝安全预测因素集构建大坝模糊综合评判集;
S506、根据所述大坝模糊综合评判集对大坝的安全运行情况进行评价,完成对大坝安全监测的预测。
再进一步地,所述步骤S503中对x个大坝安全预测因素权重集进行归一化处理的表达式如下:
其中,ai表示对x个大坝安全预测因素权重集进行归一化处理,Fi表示大坝安全预测因素权重,xi表示第i个大坝安全预测评价因子的实测值,S表示大坝评价标准限值的平均值,s1表示第一级大坝安全监测评价标准,s2表示第二级大坝安全监测评价标准,s3表示第三级大坝安全监测评价标准。
再进一步地,所述步骤S504中大坝模糊关系矩阵的表达式如下:
针对第一级大坝安全监测评价标准:
针对第二级大坝安全监测评价标准:
针对第三级大坝安全监测评价标准:
其中,γij表示大坝模糊关系矩阵,xi表示第i个大坝安全监测评价因子的实测值,Sij表示第i个大坝安全监测评价因子的第j级标准,si(j+1)表示第i个大坝安全监测评价因子的第j+1级标准,si(j-1)表示第i个大坝安全监测评价因子的第j-1级标准。
再进一步地,所述步骤S505中大坝模糊综合评判集的表达式如下:
其中,B表示大坝模糊综合评判集,am表示大坝安全监测中各评价因子的权重,γmn表示大坝安全监测中各评价因子在评价集的隶属度,bn表示大坝安全监测的综合评价指标。
本发明的有益效果:
(1)本发明提出一种基于模糊综合评价的大坝安全预测系统,该系统的独特之处包括模型准确:在统计模型基础上,根据对历史数据的分析,加入影响因子(趋势因子、非线性影响因子等),预测与实测结果变化趋势一致,各参数影响反应敏感;能准确预测未来7天变化—在无输入情况下,预测出未来大坝变形、渗压情况,变化规律一致,幅值接近;实现结构安全综合评价,即通过建立模糊综合评价模型,根据模糊隶属度理论,把定性评价转化为定量评价;本申请中的位移模型,考虑了线性和非线性,提出了一种融合统计预测模型。
(2)目前还未公开能够解决无输入情况下一周变化预测,且现在的方法都是对大坝各个测点单独作出评价,无法将大坝所有测点综合起来做出结构整体安全性评价,本申请中位移是最重要的评价参数,因此位移的精确拟合和预测非常重要,本申请在线性模型基础场引入非线性影响,通过支持向量机计算系统非线性影响。
(3)由于变形和渗流监测直观可靠,可基本反映在各种荷载作用下的大坝安全性态,因而能有效地成为重要的监测项目。
附图说明
图1为本发明的系统结构示意图。
图2为本发明的方法流程图。
图3为本实施例中大坝非线性位移的流程示意图。
图4为本实施例中大坝某测点的外部变形示意图。
图5为本实施例中大坝某测点的渗流压力示意图。
图6为本实施例中预测大坝某测点的外部变形示意图。
图7为本实施例中预测大坝某测点的渗流压力示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
如图1所示,本发明提供了一种基于模糊综合评价的大坝安全预测系统,包括数据获取模块、大坝安全预警分析模块、统计预测模块以及模糊综合评价模块;数据获取模块,用于获取大坝历史监测数据;大坝安全预警分析模块,用于根据大坝历史监测数据构建大坝安全预警指标模型,并利用大坝安全预警指标模型对大坝安全监测指标进行分析;统计预测模块,用于根据分析结果构建统计预测模型,并利用统计预测模型对大坝的状态进行预报;模糊综合评价模块,用于根据预报结果构建模糊综合评价模型,并利用模糊综合评价模型对大坝的安全运行情况进行评价,完成对大坝安全监测的预测。
本实施例中,对大坝历史监测资料进行收集与分析,运用长期累积的观测资料掌握变化规律,建立大坝安全监测预警指标体系,并利用大坝安全预警指标模型对大坝安全监测指标进行分析,通过建立每项敏感指标的统计预测模型,对大坝的未来状态做出及时有效的预报,通过建立整体结构的模糊综合评价模型,对大坝整体安全运行情况进行评价。
本实施例中,本发明在统计模型基础上,根据对历史数据的分析,加入影响因子(趋势因子、非线性影响因子等),预测与实测结果变化趋势一致。本发明中各参数影响反应敏感;本发明能准确预测未来7天变化—在无输入情况下,预测出未来大坝变形、渗压情况,变化规律一致,幅值接近,并实现结构安全综合评价,即通过建立模糊综合评价模型,根据模糊数学隶属度理论,把定性评价转化为定量评价;本申请中的位移模型,考虑了线性和非线性,提出了一种融合统计预测模型,首先解决了目前大坝安全监测难以对大坝整体安全性做出评价的问题;其次将大坝形变进行线性与非线性区分,提高大坝变形计算与预测精度;最后解决了现在大坝安全监测中原始观测数据难以直接的展示大坝运行安全的问题。
实施例2
如图2所示,本发明提供了一种基于模糊综合评价的大坝安全预测方法,其实现方法如下:
S1、获取大坝历史监测数据;
S2、根据大坝历史监测数据,构建大坝安全预警指标模型。
本实施例中,大坝安全监测预警指标模型包括大坝变形监测子模型、大坝渗流监测子模型、大坝应力监测子模型以及水文气象监测子模型;大坝变形监测子模型,用于分别监测大坝内部与表面的水平位移及垂直位移,以及监测大坝的整体位移;大坝渗流监测子模型,用于监测大坝的扬压力、地下水位以及渗流量;大坝应力监测子模型,用于监测大坝的混凝土、岩体以及土压力数据;水文气象监测子模型,用于监测温度、雨量以及水位数据。
本实施例中,大坝整体位移的监测包括对其裂缝和倾斜度进行监测。
S3、利用大坝安全预警指标模型对大坝安全监测指标进行分析。
本实施例中,对大坝的变形和渗流监测直观可靠,可基本反映在各种荷载作用下的大坝安全性态,因而成为最为重要的监测项目。
S4、根据分析结果构建统计预测模型,并利用统计预测模型对大坝的状态进行预报;统计预测模型包括大坝位移融合子模型以及大坝渗流压力统计预测子模型;大坝位移融合子模型,用于监测大坝各测点的位移数据;大坝渗流压力统计预测子模型,用于统计和预测大坝渗流压力数据。
本实施例中,针对大坝各测点位移融合模型,根据大坝现有的实测资料,同时参考影响大坝位移的一般性因素,统计模型为:
δ=δH+δT+δθ
其中,δ表示大坝某一点的线性位移值;δH、δT和δθ分别为大坝位移的水压、温度和时效分量。
δθ=c1θ+c2ln(θ)
水压分量选取(H-H0)、(H-H0)2和(H-H0)3三个因子,温度分量选取年周期谐波作为因子,时效分量选取多项式与对数函数的组合,大坝位移融合子模型表达式如下:
其中,δ表示大坝位移的线性部分,δ'表示大坝位移的非线性部分,a0、a1、a2、a3和ai均表示待定的水压因子回归系数,(H-H0)、(H-H0)2、(H-H0)3和Hi均表示水压分量,b11和b21均表示温度因子回归系数,t表示从初始观测日起算的时间,c1和c2均表示时效因子回归系数,t0表示从初始观测日起的累计天数的1/100,m3表示常数,取值为1-2,H表示观测日库水位,H0表示水库死水位,i表示水压分量或温度分量的个数,θ表示从初始观测日起的累计天数的1/100。
对于重力坝,温度分量除选取年周期谐波作为因子,还考虑气温变化的影响。
本实施例中,非线性部分δ'支持向量机计算,如图3所示,支持向量机是通过已知的输入和输出训练学习机器,然后用新的输入和学习机器来计算新的输出,其实现步骤如下:
A1、将通过大坝历史监测数据分别计算得到且与大坝位移的线性部分相同的大坝位移水压、温度和时效分量以及大坝位移的线性部分δ作为输入;
A2、将与所输入相对应的大坝实测位移δ实与大坝位移的线性部分δ的差值作为输出;
A3、利用支持向量机模型对所述输入输出进行训练并调整权重,得到所述差值的支持向量机模型;
A4、利用所述差值的支持向量机模型预测得到大坝位移的非线性部分。
大坝的位移表达式:
δ1=δ+δ'
本实施例中,大坝各测点渗流压力统计预测模型,对于非稳定渗流,测点孔隙水压力不仅与库水位有关,还与库水位的升降速率有关,因此对于为非稳定渗流可建立下列统计模型:
f1(H)=a1H+a2H2+a3H3
其中,t表示从初始观测日起算的时间,H表示观测日库水位,ΔH表示观测日库水位与初始观测日库水位的差。通过历史数据分析,渗流压力呈周期性变化,因此模型加入周期影响因子统计模型具体表达式为:
其中,P表示大坝各测点渗流压力统计预测模型,a0、a1、a2、a3、ak、ai和ak表示均表示待定的水压因子回归系数,H表示观测日库水位,H2和H3均表示水压因子,ΔH表示观测日库水位与初始观测日库水位的差,Δt表示水位变化天数,Hj表示第j天内的平均水头,b11和b21均表示选定的回归系数,t表示从初始观测日起算的时间。
本实施例中,如图4-图7所示,为模型输出结果,如图4所示,大坝外部变形实测值与数学模型预测值,变化规律一致,拟合度极高。如图5所示,大坝渗流压力实测值与数学模型预测值,变化规律一致,拟合度极高。如图6(a)所示,大坝位移实测值与数学模型预测值,以及依据历史数据变化规律预测未来位移值,预测值与实测值拟合度极高,通过历史数据预测变化规律一致。如图6(b)所示,大坝位移依据历史数据预测未来一个月数据与实测数据对比,变化规律一致。如图7(a)所示,大坝渗流压力实测值与数学模型预测值,以及依据历史数据变化规律预测未来渗流压力,如图所示预测值与实测值拟合度极高,通过历史数据预测变化规律一致。如图7(b)所示,大坝渗流压力依据历史数据预测未来一周数据与实测数据对比,拟合度较高。
S5、根据预报结果构建模糊综合评价模型,并利用模糊综合评价模型对大坝的安全运行情况进行评价,完成对大坝安全监测的预测。
本实施例中,模糊综合评价法是一种基于模糊数学的综合评价方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价,即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰,系统性强的特点,能较好地解决模糊的、难以量化的问题,适合各种非确定性问题的解决。其实现方法如下:
S501、根据预报结果构建大坝安全预测因素集U={u1,u2,...,um},其中,um表示大坝安全预测因素集的总数,m表示大坝安全预测因素个数;
本实施例中,因素集是影响评价对象的各种因素所组成的一个普通集合。
S502、根据预报结果构建大坝安全预测因素评价集V={v1,v2,...,vy},其中,vy表示大坝安全预测因素评价集的总数,y表示大坝安全预测因素评价个数;
S503、根据预报结果构建大坝安全预测因素权重集A={a1,a2,...,ax},并对x个大坝安全预测因素权重进行归一化处理,其中,ax表示大坝安全预测因素权重集的总数;
本实施例中,权重集反映了各因素的重要程度,由各权重数所组成的集合可视为各因素ui对“重要”的隶属度,其中,ui表示大坝安全因素集中第i个因素,且i=1,2,...,x。
本实施例中,大坝安全预测因素权重表示为:
其中,Fi表示大坝安全预测因素权重,xi表示第i个大坝安全预测评价因子的实测值,S表示大坝评价标准限值的平均值。对于本项目,有三级评价标准时:
其中,s1表示第一级大坝安全监测评价标准,s2表示第二级大坝安全监测评价标准,s3表示第三级大坝安全监测评价标准。
然后对x个因子权重进行归一化处理,计算公式如下:
其中,ai表示对x个大坝安全预测因素权重集进行归一化处理,Fi表示大坝安全预测因素权重。则因素权重向量为:
A={a1,a2,a3}
S504、根据大坝安全预测因素权重集以及大坝安全预测因素评价集构建大坝模糊关系矩阵;
本实施例中,单因素模糊评价,大坝安全因素集中第i个因素为ui,对评价集中第j个元素vj的隶属度为γij,从而建立模糊关系矩阵R=(γij),种种隶属度计算公式如下:
针对第一级大坝安全监测评价标准,即j=1时:
针对第二级大坝安全监测评价标准,即j=2时:
针对第三级大坝安全监测评价标准,即j=3时:
其中,γij表示大坝模糊关系矩阵,xi表示第i个大坝安全监测评价因子的实测值,Sij表示第i个大坝安全监测评价因子的第j级标准,si(j+1)表示第i个大坝安全监测评价因子的第j+1级标准,si(j-1)表示第i个大坝安全监测评价因子的第j-1级标准。
S505、根据大坝模糊关系矩阵和大坝安全预测因素集构建大坝模糊综合评判集;
本实施例中,由以上得到的因子权重集A合隶属度模糊关系矩阵R,通过A与R的合成可得到模糊综合评判集B。其中B=A·R,即:
其中,B表示大坝模糊综合评判集,am表示大坝安全监测中各评价因子的权重,γmn表示大坝安全监测中各评价因子在评价集的隶属度,bn表示大坝安全监测的综合评价指标,采用最大隶属度原则,即取最大的bj所对应的安全等级作为评价结果,j=1,2,..,J,J表示安全等级的总级。
S506、根据大坝模糊综合评判集对大坝的安全运行情况进行评价,完成对大坝安全监测的预测。
下面对本发明作进一步的说明:
以大坝2018年5月19~2018年5月25日的监测数据为例,进行安全度模糊评价,包括主坝位移、变形、渗流等监测指标。该时间范围内各因素实测值均指如下表1所示。
表1
根据已有实测数据,主坝主要监测指标包括U={uID2-1,uID2-2,uID3-1,uLD1-1(s),uLD1-1(h),uP-1}共6个因素。评价集为V={v1,v2,v3}共3级安全评价指标。
根据统计模型计算结果,主坝各项监测指标2018年5月19~2018年5月25日的三级评价阈值见下表2,表2为各测点安全评价指标。
表2
计算各因素权重集,得A=(0.167,0.177,0.164,0.178,0.159,0.154),计算各评价因子对各级评价标准的隶属度,从而建立模糊关系矩阵R=(γij):
采用“加权平均算法”(M(.,+)),将权重集A合模糊关系矩阵R进行模糊矩阵的复合运算,得到B=A.R=(0.979,0.021,0.000)。根据最大隶属度原则,取b1,b2,b3中的最大值,即为本次主坝安全评价的模糊综合评价结果。最大值为0.979,对应一级安全范围。
本发明中模型准确—在统计模型基础上,根据对历史数据的分析,加入影响因子(趋势因子、非线性影响因子等)。预测与实测结果变化趋势一致,各参数影响反应敏感。以LD1_1、ID2_1、P_1、LD1、P1点为例,年均变形差值0.02~0.9mm,精度≥94%,16年后的预测精度≥97%;年均渗压差值0.02~0.05m,精度≥90%,16年后的预测精度≥95%。准确预测未来7天变化—在无输入情况下,预测出未来主坝、副坝的变形、渗压情况,变化规律一致,幅值接近。以ID2_1、P_1、P1点为例,变形差值0.03~0.09mm,渗压差值0.004~0.02m。实现结构安全综合评价——通过建立模糊综合评价模型,根据模糊数学的隶属度理论把定性评价转化为定量评价。
Claims (7)
1.一种基于模糊综合评价的大坝安全预测系统,其特征在于,包括数据获取模块、大坝安全预警分析模块、统计预测模块以及模糊综合评价模块;
所述数据获取模块,用于获取大坝历史监测数据;
所述大坝安全预警分析模块,用于根据所述大坝历史监测数据构建大坝安全预警指标模型,并利用所述大坝安全预警指标模型对大坝安全监测指标进行分析;
所述统计预测模块,用于根据所述分析结果构建统计预测模型,并利用所述统计预测模型对大坝的状态进行预报;
所述统计预测模型包括大坝位移融合子模型以及大坝渗流压力统计预测子模型;
所述大坝位移融合子模型,用于监测大坝各测点的位移数据;
所述大坝渗流压力统计预测子模型,用于统计和预测大坝渗流压力数据;
所述大坝位移融合子模型表达式如下:
其中,表示大坝位移,/>表示大坝位移的线性部分,/>表示大坝位移的非线性部分,、/>和/>分别为大坝位移的水压、温度和时效分量,/>表示待定的水压因子回归系数,和/>均表示水压分量,/>和/>均表示温度因子回归系数,/>表示从初始观测日起算的时间,/>和/>均表示时效因子回归系数,/>表示常数,/>表示水压分量或温度分量的个数,/>表示从初始观测日起的累计天数的1/100;
所述大坝渗流压力统计预测子模型的表达式如下:
其中,表示大坝各测点渗流压力统计预测模型,/>、/>、/>、/>、/>和/>表示均表示待定的水压因子回归系数,/>表示观测日库水位,/>和/>均表示水压因子,/>表示观测日库水位与初始观测日库水位的差,/>表示水位变化开数,/>表示第/>天内的平均水头;
所述大坝位移的非线性部分的实现步骤如下:
将通过大坝历史监测数据分别计算得到且与大坝位移的线性部分相同的大坝位移水压、温度和时效分量以及大坝位移的线性部分作为输入;
将与所输入相对应的大坝实测位移与大坝位移的线性部分/>的差值作为输出;
利用支持向量机模型对所述输入输出进行训练并调整权重,得到所述差值的支持向量机模型;
利用所述差值的支持向量机模型预测得到大坝位移的非线性部分;
所述模糊综合评价模块,用于根据预报结果构建模糊综合评价模型,并利用所述模糊综合评价模型对大坝的安全运行情况进行评价,完成对大坝安全监测的预测。
2.一种基于模糊综合评价的大坝安全预测方法,其特征在于,包括以下步骤:
S1、获取大坝历史监测数据;
S2、根据所述大坝历史监测数据,构建大坝安全预警指标模型;
S3、利用所述大坝安全预警指标模型对大坝安全监测指标进行分析;
S4、根据所述分析结果构建统计预测模型,并利用所述统计预测模型对大坝的状态进行预报;
所述步骤S4中统计预测模型包括大坝位移融合子模型以及大坝渗流压力统计预测子模型;
所述大坝位移融合子模型,用于监测大坝各测点的位移数据;
所述大坝渗流压力统计预测子模型,用于统计和预测大坝渗流压力数据;
所述大坝位移融合子模型表达式如下:
其中,表示大坝位移,/>表示大坝位移的线性部分,/>表示大坝位移的非线性部分,、/>和/>分别为大坝位移的水压、温度和时效分量,/>表示待定的水压因子回归系数,和/>均表示水压分量,/>和/>均表示温度因子回归系数,/>表示从初始观测日起算的时间,/>和/>均表示时效因子回归系数,/>表示常数,/>表示水压分量或温度分量的个数,/>表示从初始观测日起的累计天数的1/100;
所述大坝渗流压力统计预测子模型的表达式如下:
其中,表示大坝各测点渗流压力统计预测模型,/>、/>、/>、/>、/>和/>表示均表示待定的水压因子回归系数,/>表示观测日库水位,/>和/>均表示水压因子,/>表示观测日库水位与初始观测日库水位的差,/>表示水位变化开数,/>表示第/>天内的平均水头;
所述大坝位移的非线性部分的实现步骤如下:
A1、将通过大坝历史监测数据分别计算得到且与大坝位移的线性部分相同的大坝位移水压、温度和时效分量以及大坝位移的线性部分作为输入;
A2、将与所输入相对应的大坝实测位移与大坝位移的线性部分/>的差值作为输出;
A3、利用支持向量机模型对所述输入输出进行训练并调整权重,得到所述差值的支持向量机模型;
A4、利用所述差值的支持向量机模型预测得到大坝位移的非线性部分;
S5、根据预报结果构建模糊综合评价模型,并利用所述模糊综合评价模型对大坝的安全运行情况进行评价,完成对大坝安全监测的预测。
3.根据权利要求2所述的基于模糊综合评价的大坝安全预测方法,其特征在于,所述步骤S2中大坝安全监测预警指标模型包括大坝变形监测子模型、大坝渗流监测子模型、大坝应力监测子模型以及水文气象监测子模型;
所述大坝变形监测子模型,用于分别监测大坝内部与表面的水平位移及垂直位移,以及监测大坝的整体位移;
所述大坝渗流监测子模型,用于监测大坝的扬压力、地下水位以及渗流量;
所述大坝应力监测子模型,用于监测大坝的混凝土、岩体以及土压力数据;
所述水文气象监测子模型,用于监测温度、雨量以及水位数据。
4.根据权利要求2所述的基于模糊综合评价的大坝安全预测方法,其特征在于,所述步骤S5包括以下步骤:
S501、根据所述预报结果构建大坝安全预测因素集,其中,/>表示大坝安全预测因素集的总数,/>表示大坝安全预测因素个数;
S502、根据所述预报结果构建大坝安全预测因素评价集,其中,/>表示大坝安全预测因素评价集的总数,/>表示大坝安全预测因素评价个数;
S503、根据所述预报结果构建大坝安全预测因素权重集,并对/>个大坝安全预测因素权重进行归一化处理,其中,/>表示大坝安全预测因素权重集的总数;
S504、根据所述大坝安全预测因素权重集以及大坝安全预测因素评价集构建大坝模糊关系矩阵;
S505、根据所述大坝模糊关系矩阵和大坝安全预测因素集构建大坝模糊综合评判集;
S506、根据所述大坝模糊综合评判集对大坝的安全运行情况进行评价,完成对大坝安全监测的预测。
5.根据权利要求4所述的基于模糊综合评价的大坝安全预测方法,其特征在于,所述步骤S503中对个大坝安全预测因素权重集进行归一化处理的表达式如下:
其中,表示对/>个大坝安全预测因素权重集进行归一化处理,/>表示大坝安全预测因素权重,/>表示第/>个大坝安全预测评价因子的实测值,/>表示大坝评价标准限值的平均值,/>表示第一级大坝安全监测评价标准,/>表示第二级大坝安全监测评价标准,/>表示第三级大坝安全监测评价标准。
6.根据权利要求4所述的基于模糊综合评价的大坝安全预测方法,其特征在于,所述步骤S504中大坝模糊关系矩阵的表达式如下:
针对第一级大坝安全监测评价标准:
针对第二级大坝安全监测评价标准:
针对第三级大坝安全监测评价标准:
其中,表示大坝模糊关系矩阵,/>表示第/>个大坝安全监测评价因子的实测值,/>表示第/>个大坝安全监测评价因子的第/>级标准,/>表示第/>个大坝安全监测评价因子的第/>级标准,/>表示第/>个大坝安全监测评价因子的第/>级标准。
7.根据权利要求4所述的基于模糊综合评价的大坝安全预测方法,其特征在于,所述步骤S505中大坝模糊综合评判集的表达式如下:
其中,表示大坝模糊综合评判集,/>表示大坝安全监测中各评价因子的权重,/>表示大坝安全监测中各评价因子在评价集的隶属度,/>表示大坝安全监测的综合评价指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011304395.6A CN112287608B (zh) | 2020-11-19 | 2020-11-19 | 一种基于模糊综合评价的大坝安全预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011304395.6A CN112287608B (zh) | 2020-11-19 | 2020-11-19 | 一种基于模糊综合评价的大坝安全预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287608A CN112287608A (zh) | 2021-01-29 |
CN112287608B true CN112287608B (zh) | 2023-11-24 |
Family
ID=74399522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011304395.6A Active CN112287608B (zh) | 2020-11-19 | 2020-11-19 | 一种基于模糊综合评价的大坝安全预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287608B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989563A (zh) * | 2021-02-02 | 2021-06-18 | 中国水利水电科学研究院 | 一种大坝安全监测数据分析方法 |
CN112907067A (zh) * | 2021-02-10 | 2021-06-04 | 三峡大学 | 混凝土坝安全监测方法及系统 |
CN113298426B (zh) * | 2021-06-17 | 2022-06-24 | 华能澜沧江水电股份有限公司 | 知识图谱驱动的大坝安全评判权重动态拟定方法及系统 |
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 |
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 |
CN113807572A (zh) * | 2021-08-13 | 2021-12-17 | 福建省水利投资开发集团有限公司 | 一种具有高效性的大坝智慧监测方法及其系统 |
CN113780763A (zh) * | 2021-08-24 | 2021-12-10 | 四川省都江堰东风渠管理处 | 一种基于改进的模糊层次分析法的水利工程安全评价方法 |
CN114608650A (zh) * | 2022-02-23 | 2022-06-10 | 武汉理工大学 | 用于赤泥库安全的监测方法、系统、装置及存储介质 |
CN114882689B (zh) * | 2022-05-09 | 2023-03-10 | 福建省泰成建设工程有限公司 | 一种基于大数据的大坝安全检测预警方法 |
CN115115173B (zh) * | 2022-05-16 | 2023-05-05 | 福建省泰成建设工程有限公司 | 一种在地震条件下的大坝风险评价方法 |
CN115077394A (zh) * | 2022-07-21 | 2022-09-20 | 清华四川能源互联网研究院 | 电站大坝边坡位移检测方法、装置及电子设备 |
CN115218961B (zh) * | 2022-07-28 | 2023-04-18 | 邵阳市水利水电勘测设计院 | 一种高效性的水工大坝安全预警系统 |
CN116976667A (zh) * | 2023-07-24 | 2023-10-31 | 安徽额尔齐斯科技有限公司 | 基于实时监测和人工智能技术的堤坝安全预警系统 |
CN117408855B (zh) * | 2023-12-12 | 2024-03-29 | 江西省水投江河信息技术有限公司 | 水库工程安全管理方法、系统、存储介质及计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017003089A (ja) * | 2015-06-15 | 2017-01-05 | 清水建設株式会社 | 回転慣性質量装置及びこれを備えた制振構造物 |
CN106600153A (zh) * | 2016-12-21 | 2017-04-26 | 武汉理工大学 | 一种尾矿库溃坝风险评价的方法 |
CN106951661A (zh) * | 2017-04-06 | 2017-07-14 | 中国电建集团北京勘测设计研究院有限公司 | 胶凝砂砾石坝应变计实测应变的分离计算方法 |
CN111047043A (zh) * | 2019-12-10 | 2020-04-21 | 华北水利水电大学 | 一种基于云模型对堰塞坝风险等级模糊综合评价分析方法 |
CN111695177A (zh) * | 2020-05-14 | 2020-09-22 | 河海大学 | 基于位移场监测数据的大坝力学参数随机反演方法及系统 |
-
2020
- 2020-11-19 CN CN202011304395.6A patent/CN112287608B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017003089A (ja) * | 2015-06-15 | 2017-01-05 | 清水建設株式会社 | 回転慣性質量装置及びこれを備えた制振構造物 |
CN106600153A (zh) * | 2016-12-21 | 2017-04-26 | 武汉理工大学 | 一种尾矿库溃坝风险评价的方法 |
CN106951661A (zh) * | 2017-04-06 | 2017-07-14 | 中国电建集团北京勘测设计研究院有限公司 | 胶凝砂砾石坝应变计实测应变的分离计算方法 |
CN111047043A (zh) * | 2019-12-10 | 2020-04-21 | 华北水利水电大学 | 一种基于云模型对堰塞坝风险等级模糊综合评价分析方法 |
CN111695177A (zh) * | 2020-05-14 | 2020-09-22 | 河海大学 | 基于位移场监测数据的大坝力学参数随机反演方法及系统 |
Non-Patent Citations (2)
Title |
---|
土石坝震损水库的模糊综合评价法;成荣亮 等;《中国农村水利水电》(第8期);130-132 * |
统计-支持向量机模型在大坝位移分析预测中的应用;赵卿;黄超;;测绘信息与工程(第03期);23-25 * |
Also Published As
Publication number | Publication date |
---|---|
CN112287608A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112287608B (zh) | 一种基于模糊综合评价的大坝安全预测系统及方法 | |
Su et al. | Time-varying identification model for dam behavior considering structural reinforcement | |
CN112101660B (zh) | 基于阶段性注意力机制的降雨型滑坡位移预测模型及方法 | |
CN113256005B (zh) | 一种基于神经网络模型的电站水位过程预测方法及设备 | |
Hu et al. | A single-loop Kriging surrogate model method by considering the first failure instant for time-dependent reliability analysis and safety lifetime analysis | |
CN111651708B (zh) | 一种大坝安全监测数据异常识别的预警阈值设置方法 | |
CN114154226B (zh) | 一种基坑稳定性监测方法 | |
CN110598352B (zh) | 一种流域来水的预报方法 | |
CN116432828A (zh) | 一种缺资料流域径流量智能预测方法 | |
CN110851897B (zh) | 一种多因素关联下的渡槽应力应变预测方法 | |
CN101382474A (zh) | 一种桥梁结构安全的综合评价方法 | |
CN113987925A (zh) | 一种基于滑窗高斯过程模型的钢渡槽结构极值应力预警方法 | |
CN112883478A (zh) | 钢结构位移预测方法、装置、终端设备和系统 | |
Hoan et al. | Novel time series bagging based hybrid models for predicting historical water levels in the Mekong Delta region, Vietnam | |
CN116591768A (zh) | 一种基于分布式网络的隧道监测方法、系统及装置 | |
CN113673145A (zh) | 基于pca-lstm神经网络的地表沉降预测方法 | |
CN110990916B (zh) | 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 | |
Wu et al. | Deep learning-based prediction for time-dependent chloride penetration in concrete exposed to coastal environment | |
Tian | Prediction of engineering settlement and deformation based on grey theory model | |
Masoumi et al. | Optimal monitoring instruments selection using innovative decision support system framework | |
CN110909943A (zh) | 一种多尺度多因子联合驱动的月径流概率预报方法 | |
CN109376957A (zh) | 一种火电厂负荷的预测方法 | |
Salazar et al. | A methodology for dam safety evaluation and anomaly detection based on boosted regression trees | |
Wang et al. | Research on Prediction Method of Foundation Settlement | |
CN113204583B (zh) | 水库群调度决策行为挖掘方法和水库调度自动控制装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |