CN112989563A - 一种大坝安全监测数据分析方法 - Google Patents

Abstract

本发明公开了一种大坝安全监测数据分析方法，基于较为成熟的技术对大坝监测数据进行整理、统计分析、展示和预测。对数据进行初步的清洗、校验、整理，统计数据的基本属性和分布状况；根据监测仪器的空间分布和物理上的关联，采用常规算法对数据进行相关性分析和编组分析；采用适宜的组织方式，向用户展示数据的时域和空间分布特性，便于用户直观的认识数据内涵；采用较为成熟的统计回归方法，对大坝监测数据进行回归分析，建立基于统计回归的预测模型。通过本发明，能够降低数据拟合的难度，提高了大坝安全分析的精准性和时效性，为大坝安全的评价和预测提供了手段。

Description

一种大坝安全监测数据分析方法

技术领域

本发明涉及安全监控技术领域，尤其涉及一种大坝安全监测数据分析方法。

背景技术

大坝安全监测数据是大坝运行状态的整体表现，在受相同或相似外界因素影响下，其各区域之间数据必定存在相关性，这种相关性主要表现在时间序列趋势变化相似或空间趋势变化相似上。合理分析监测数据相似性，通过相似性分析不仅可以挖掘出哪些监测变量之间具有相关性，同时能量化安全监测数据之间相关性大小。经相似性分析处理后的监测数据，能准确反映大坝在时间与空间维度上的变化趋势，结合变化趋势规律能有效降低后续监测数据挖掘难度。

发明内容

为解决现有技术的不足，本发明提出了一种大坝安全监测数据分析方法。

为了实现上述目的，本发明提供一种大坝安全监测数据分析方法，包括：

采集大坝监测数据，并对大坝监测数据进行预处理；

将预处理后的安全监测数据按照工程需求划分为不同数据分项，对预处理后的大坝监测数据进行探测性分析，采用汇总统计的形式分析数据的基本属性和分布情况；

基于物理背景，确定影响观测量的影响因素，构建统计模型，应用多元回归分析方法推求统计模型中的最佳回归系数，以获取拟合程度最优的统计模型；

按照统计模型，将观测到的大坝建筑物安全性态分解成若干与环境变量的相关项，每个相关项均为环境变量的函数。

其中，对大坝监测数据进行预处理的步骤包括：对数据进行清洗、校验，删除数据中的重复信息，纠正存在的错误，保证数据的一致性，去除空白数据域和知识背景下的白噪声。

其中，基于理论推导，构建如下形式的土石坝运行期沉降的统计模型：

其中：δ_v表示坝体某点的沉降；θ表示从竣工到观测时刻的时间；Hⁱ表示观测时刻的库水位；

表示观测时刻前i天(小时)的平均水位，m根据经验和试算确定；b₀、c₁、c₂、a₁₁～a₁₃及a₂₁～a_2m均为回归系数。

其中，多元线性回归的基本方法为最小二乘法；为提高回归分析的精度，根据统计模型因子的特点，多元线性回归采用加权回归或差值回归；为克服回归计算过程中出现的系数矩阵蜕化、系数矩阵病态，多元线性回归采用逐步回归分析法、正交法、镜像映射法处理。

其中，还包括对统计模型的回归系数，构建回归方程进行精度评价的步骤，包括：

根据观测资料：x_1t，x_2t，…，x_kt，y_t；t＝1，2，…，n；n>k，推求得到如下的回归方程：

其中，b₀、b₁、b₂、…、b_n为回归系数；

复相关系数R按照下式计算：

剩余标准差S按照下式计算：

其中，回归方程预测的效果，通过显著性检验来评价；

检验整个回归方程的显著性，是通过评价所有自变量与因变量的线性关系是否密切得到；

采用F检验，F统计量的计算公式为：

根据给定的显著水平a、自由度(k,n-k-1)查F分布表，得到相应的临界值F_a，若F>F_a，则回归方程具有显著意义，回归效果显著；若F<F_a，则回归方程无显著意义，回归效果不显著。

区别于现有技术，本发明提供了一种大坝安全监测数据分析方法，基于较为成熟的技术对大坝监测数据进行整理、统计分析、展示和预测。对数据进行初步的清洗、校验、整理，统计数据的基本属性和分布状况；根据监测仪器的空间分布和物理上的关联，采用常规算法对数据进行相关性分析和编组分析；采用适宜的组织方式，向用户展示数据的时域和空间分布特性，便于用户直观的认识数据内涵；采用较为成熟的统计回归方法，对大坝监测数据进行回归分析，建立基于统计回归的预测模型。通过本发明，能够降低数据拟合的难度，提高了大坝安全分析的精准性和时效性，为大坝安全的评价和预测提供了手段。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明提供的一种大坝安全监测数据分析方法的流程示意图；

图2为本发明提供的一种大坝安全监测数据分析方法具体实施过程中涉及土石坝沉降变形的回归分析成果示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

参阅图1，本发明提供了一种大坝安全监测数据分析方法，包括：

采集大坝监测数据，并对大坝监测数据进行预处理；

将预处理后的安全监测数据按照工程需求划分为不同数据分项，对预处理后的大坝监测数据进行探测性分析，采用汇总统计的形式分析数据的基本属性和分布情况；

基于物理背景，确定影响观测量的影响因素，构建统计模型，应用多元回归分析方法推求统计模型中的最佳回归系数，以获取拟合程度最优的统计模型；

按照统计模型，将观测到的大坝建筑物安全性态分解成若干与环境变量的相关项，每个相关项均为环境变量的函数。

针对大坝安全监测数据(如大坝形变、渗压力等)，开展分析前的预处理工作，对大坝监测数据进行预处理的步骤包括：对数据进行清洗、校验，删除数据中的重复信息，纠正存在的错误，保证数据的一致性，去除空白数据域和知识背景下的白噪声。

依据工程需求，将预处理后的安全监测数据划分为不同数据分项，并对每个大类中的数据，按照监测数据的种类，划分监测数据分项，并对每个分项中的数据按时间序列由远到近的形式进行初步整理。

对数据进行探测性数据分析(Exploratory Data Analysis，EDA)，采用汇总统计的形式分析数据的基本属性和分布情况。对于单一的监测数据分项，计算其频率、众数、百分位数，以及位置度量(均值、中位数)和散度分布(极差、方差)用于分析数据的基本属性。

此外，对关键数据进行趋势分析和突变分析。对于关键数据或记录时间较长的监测数据，针对其沿时间轴的变化情况，解析数据的变化情势和趋势，解析影响数据突变的相关因素。

基于一定的物理背景，确定影响观测量(如大坝变形、坝体渗流量、坝内渗压、地下洞室周壁变形等)的影响因素，构建统计模型。

例如土石坝运行期的沉降主要包括库水压力引起的沉降、固结沉降、流变沉降、湿化沉降、渗流引起的沉降，基于理论推导，构建如下形式的土石坝运行期沉降的统计模型：

其中：δ_v表示坝体某点的沉降；θ表示从竣工到观测时刻的时间；Hⁱ表示观测时刻的库水位；

表示观测时刻前i天(小时)的平均水位，m根据经验和试算确定；b₀、c₁、c₂、a₁₁～a₁₃及a₂₁～a_2m均为回归系数。

c₁θ+c₂lnθc₁θ+c₂lnθ为固结沉降和蠕变沉降的综合反映，

反映了库水压力引起的沉降，

则反映了渗流和湿化引起的沉降。

多元回归分析的目标是推求统计模型中的最佳回归系数，例如统计模型中的b₀、c₁、c₂、a₁₁～a₁₃及a₂₁～a_2m，以获取拟合程度最优的统计模型。

多元线性回归的基本方法为最小二乘法；为提高回归分析的精度，根据统计模型因子的特点，多元线性回归采用加权回归或差值回归；为克服回归计算过程中出现的系数矩阵蜕化、系数矩阵病态，多元线性回归采用逐步回归分析法、正交法、镜像映射法处理。

通过回归分析，可以按照统计模型，将观测到的某种大坝建筑物安全性态(如变形、应力、渗压等)分解成若干与环境变量的相关项，如大坝位移可以分解为水位分量、温度分量、时间分量等，每个相关项均为环境变量的函数。例如：图2给出的某土石坝沉降变形的回归分析成果。

回归方程实质上是环境量到大坝建筑物安全性态的映射模型，有了这样的映射模型，根据实测或预报的环境量，即可预测大坝建筑物安全性态。

回归方程的精度可以通过一些定量指标来评价，其中主要的指标有复相关系数R和剩余标准差S。复相关系数越大，剩余标准差越小，表示回归的效果越好。构建回归方程进行精度评价的步骤，包括：

根据观测资料：x_1t，x_2t，…，x_kt，y_t；t＝1，2，…，n；n>k，推求得到如下的回归方程：

其中，b₀、b₁、b₂、…、b_n为回归系数；

复相关系数R按照下式计算：

剩余标准差S按照下式计算：

其中，回归方程预测的效果，通过显著性检验来评价；

检验整个回归方程的显著性，是通过评价所有自变量与因变量的线性关系是否密切得到；

采用F检验，F统计量的计算公式为：

根据给定的显著水平a、自由度(k,n-k-1)查F分布表，得到相应的临界值F_a，若F>F_a，则回归方程具有显著意义，回归效果显著；若F<F_a，则回归方程无显著意义，回归效果不显著。

通过本发明的方法构建的大坝坝体监测系统，通过互联网与中心服务器建立网络连接，实时将数据上传至中心服务器。中心服务器上部署在线监测服务系统，与监测仪器建立TCP通信服务，设备将原始数据发送至监测服务系统，监测服务系统对原始数据进行解析处理并将结果存储至数据库；中心服务器上部署在线监测WEB系统，WEB系统配置数据库建立连接，用户可通过PC浏览器、手机APP进行交互操作。

该大坝坝体监测系统基于.NET CORE技术框架，基于B/S结构设计，同时平台采用模块化开放式的体系技术，分布式结构化设计，灵活可拆分，易于二次开发和扩充，最大限度降低技术升级带来的系统实施风险；系统使用成熟的RBAC权限管理技术，对用户操作权限进行统一管理；采用WebGL轻量化三维技术，无需插件，在服务端存放三维场景所需要的三维数据，客户网页端显示采用高效的空间索引技术，渐进传输技术和地形简化算法；系统利用先进的物联网络通信技术做到数据业务实时响应和决策分析，考虑系统的各业务系统的安全性，并实现系统实时运行状态监控，进行交互展示及信息推送。

系统采用三层架构，由显示层、业务层、数据层组成，系统运行在基础设施服务上，基础服务包括云服务器、4G传输网络、数据库。

显示层：实现GIS展示、渗压分析、库水位监测、规范制度、人工监测等交互操作；

业务层：实现交互层所需业务数据的处理，为工程监测应用提供支持，如安全服务、接口服务、数据分析、数据处理、日志消息、状态信息等；

数据层：实现对原始数据的存储，对数据库的读写操作、数据缓存处理、文件存储等功能，为业务层或其他应用提供底层数据。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (6)

1.一种大坝安全监测数据分析方法，其特征在于，包括：

采集大坝监测数据，并对大坝监测数据进行预处理；

将预处理后的安全监测数据按照工程需求划分为不同数据分项，对预处理后的大坝监测数据进行探测性分析，采用汇总统计的形式分析数据的基本属性和分布情况；

基于物理背景，确定影响观测量的影响因素，构建统计模型，应用多元回归分析方法推求统计模型中的最佳回归系数，以获取拟合程度最优的统计模型；

按照统计模型，将观测到的大坝建筑物安全性态分解成若干与环境变量的相关项，每个相关项均为环境变量的函数。

2.根据权利要求1所述的大坝安全监测数据分析方法，其特征在于，对大坝监测数据进行预处理的步骤包括：对数据进行清洗、校验，删除数据中的重复信息，纠正存在的错误，保证数据的一致性，去除空白数据域和知识背景下的白噪声。

3.根据权利要求1所述的大坝安全监测数据分析方法，其特征在于，在构建统计模型的步骤中，基于理论推导，构建如下形式的土石坝运行期沉降的统计模型：

其中：δ_v表示坝体某点的沉降；θ表示从竣工到观测时刻的时间；Hⁱ表示观测时刻的库水位；

表示观测时刻前i天(小时)的平均水位，m根据经验和试算确定；b₀、c₁、c₂、a₁₁～a₁₃及a₂₁～a_2m均为回归系数。

4.根据权利要求1所述的大坝安全监测数据分析方法，其特征在于，多元线性回归的基本方法为最小二乘法；为提高回归分析的精度，根据统计模型因子的特点，多元线性回归采用加权回归或差值回归；为克服回归计算过程中出现的系数矩阵蜕化、系数矩阵病态，多元线性回归采用逐步回归分析法、正交法、镜像映射法处理。

5.根据权利要求1所述的大坝安全监测数据分析方法，其特征在于，还包括对统计模型的回归系数，构建回归方程进行精度评价的步骤，包括：

根据观测资料：x_1t，x_2t，…，x_kt，y_t；t＝1，2，…，n；n>k，推求得到如下的回归方程：

其中，b₀、b₁、b₂、…、b_n为回归系数；

复相关系数R按照下式计算：

剩余标准差S按照下式计算：

6.根据权利要求5所述的大坝安全监测数据分析方法，其特征在于，回归方程预测的效果，通过显著性检验来评价；

检验整个回归方程的显著性，是通过评价所有自变量与因变量的线性关系是否密切得到；

采用F检验，F统计量的计算公式为：

根据给定的显著水平a、自由度(k,n-k-1)查F分布表，得到相应的临界值F_a，若F>F_a，则回归方程具有显著意义，回归效果显著；若F<F_a，则回归方程无显著意义，回归效果不显著。

Images