CN115659729A - 一种基于结构仿真计算的大坝安全监测分析方法及系统 - Google Patents
一种基于结构仿真计算的大坝安全监测分析方法及系统 Download PDFInfo
- Publication number
- CN115659729A CN115659729A CN202211258971.7A CN202211258971A CN115659729A CN 115659729 A CN115659729 A CN 115659729A CN 202211258971 A CN202211258971 A CN 202211258971A CN 115659729 A CN115659729 A CN 115659729A
- Authority
- CN
- China
- Prior art keywords
- dam
- model
- finite element
- monitoring
- analysis
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 93
- 238000004458 analytical method Methods 0.000 title claims abstract description 61
- 238000004364 calculation method Methods 0.000 title claims abstract description 61
- 238000004088 simulation Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000011161 development Methods 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 59
- 238000006073 displacement reaction Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 26
- 230000002068 genetic effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013179 statistical model Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 239000011435 rock Substances 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000008595 infiltration Effects 0.000 claims description 4
- 238000001764 infiltration Methods 0.000 claims description 4
- 239000011229 interlayer Substances 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- 230000008859 change Effects 0.000 description 21
- 230000018109 developmental process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004451 qualitative analysis Methods 0.000 description 10
- 238000011144 upstream manufacturing Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 230000003204 osmotic effect Effects 0.000 description 8
- 210000000349 chromosome Anatomy 0.000 description 7
- 239000010410 layer Substances 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于结构仿真计算的大坝安全监测分析方法及系统包括，根据大坝工程实际结构与工况数据，建立大坝有限元结构模型；结合大坝实测历史数据与所述有限元结构模型，利用优化算法对计算仿真模型的参数进行反演分析；基于反演后的仿真模型，利用有限元软件综合计算分析大坝运行现状，并利用预测的环境量带入模型，对大坝发展趋势进行预测分析与评判，且对预测结果进行自动生成，实现监测信息定期报表获取。多种方法结合的模型，可以进行全面的论证分析，极大的减少了人工的计算量，安全监测数据分析的智能化、信息化，提高了预测分析的及时性。
Description
技术领域
本发明涉及大坝安全监测分析系统开发技术领域，尤其涉及一种基于结构仿真计算的大坝安全监测分析方法及系统。
背景技术
大坝作为水利工程枢纽的重要组成部分，在调节水资源时空分布中发挥着巨大的工程效益，在国民经济和社会发展起到了十分重要的作用。大坝作为水工建筑物，在长期运行过程中不仅承受来自于外荷载的长期作用，且受到周围地质结构的影响，其运行过程中存在一定的风险。大坝安全监测是人们了解大坝运行性态和安全状况的有效手段，也是保证大坝安全运行重要的非工程措施。为及时掌握大坝运行状况，及时了解存在的安全隐患，通常采用多种方法对大坝不同部位进行多方位监测，以获得大坝不同空间测点的变形值。
但是，这些工程一旦失事，将是不可想象的毁灭性灾难，因此，大坝安全问题就显得日益突出和重要。保证大坝安全的措施可分为工程措旅和非工程措施两种，两者相互依存，缺一不可。原型观测段，原型观测的主要目的是研究大坝设计计算方法，检验设计，改进坝工理论。接连发生的大坝失事，让人们逐渐认识到大坝安全的重要性，逐步把保证大坝安全运行作为主要目的。安全监测阶段，此阶段，大坝安全监测已经成为人们的共识，随着监测仪器、监测技术和资料分析方法的不断进步、发展与完善，将逐步实现大坝的安全监控。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于结构仿真计算的大坝安全监测分析方法及系统，能够解决无法预测和安全监控大坝情况等问题。
为解决上述技术问题，本发明提供如下技术方案，一种基于结构仿真计算的大坝安全监测分析方法，包括：
根据大坝工程实际结构与工况数据，建立大坝有限元结构模型；
结合大坝实测历史数据与所述有限元结构模型，利用优化算法对计算仿真模型的参数进行反演分析；
基于反演后的仿真模型，利用有限元软件综合计算分析大坝运行现状，并利用预测的环境量带入模型，对大坝发展趋势进行预测分析与评判，且对预测结果进行自动生成，实现监测信息定期报表获取。
作为本发明所述的基于结构仿真计算的大坝安全监测分析方法的一种优选方案，其中：所述反演分析包括，
组织训练样本，根据相关试验数据，选取弹性模量、泊松比、密度与导热系数的参数样本范围；
初始化网络和给定参数，提供训练模式进行训练，满足预设精度后停止；
选取实测值输入网络，则可输出待求的参数值。
作为本发明所述的基于结构仿真计算的大坝安全监测分析方法的一种优选方案，其中：所述预测分析与评判包括，
获取反演坝段的监测仪器编号和时段信息；
根据所述仪器编号，从已有数据库中查询相应监测仪器的原始位移监测值、环境量信息；
基于反演后的仿真模型模型，对监测信息进行分析，得到变形的水压分量；
根据工程资料，确定坝基模量取值范围，在其范围内随机生成N个可行的待定反演参数；
结合已经建立的有限元结构模型，计算测点所在断面每个初始量相应的值，并提取测点对应有限元网格节点的结果值；
将所述监测点分量值与所述有限元结构模型中有限元程序计算位移的离差平方和作为目标函数；
根据所述目标函数所得反演参数代入有限元计算模型，进行模拟分析，将有限元计算值与监测值对比分析；
利用预测或模拟的水位、温度与降雨量，对大坝发展趋势进行预测分析，对大坝的安全运行状态进行评。
作为本发明所述的基于结构仿真计算的大坝安全监测分析方法的一种优选方案，其中：所述优化算法包括，
建立大坝安全监测模型，把回归系数作为遗传算法优化方程的决策变量；
确定问题优化的适应度函数、约束条件及设计变量；
确定遗传算法的运行参数和控制参数，并随机选择初始种群，完成种群的初始化；
重复进行执行选择算子、交叉算子与变异算子的N次迭代，选择最佳个体作为算法的结果，建议遗传算法的偏回归模型，输出结果。
作为本发明所述的基于结构仿真计算的大坝安全监测分析方法的一种优选方案，其中：所述有限元结构模型包括，模型单元类型选择、单元数量优化、坝体坝基及坝肩山体结构的简化、坝基断层和软弱夹层的模拟，结合实际监测数据形成有限元分析模块。
一种基于结构仿真计算的大坝安全监测分析系统，其特征在于：包括三维模型模块、参数反演模块、浸润线图模块、等值线图模块、时程分析模块、智能分析模块，
三维模型模块，用于显示不同位置不同测点，展示仪器和仪器测值，可实现对模型旋转、平移、缩放和剖切功能；
参数反演模块，用于输入水位值及位移测点，实现浏览查询、反演分析结果及参数的作用；
浸润线图模块，用于选择仪器组和时间，实现绘制相关的浸润线；
等值线图模块，用于选择应变计组和相关时间，实现等值线的绘制；
时程分析模块，用于选择测点、绘制图形的位置、监测项目、仪器类型、仪器测点、变量、分量以及采集方式，实现时程分析图的绘制；
智能分析模块，用于选择不同的智能分析模型，加选位移值和水位，选择时段，实现不同的智能分析。
作为本发明所述的基于结构仿真计算的大坝安全监测分析系统的一种优选方案，其中：所述智能分析模块包括，混凝土坝水平垂直、接缝及裂缝监测资料的统计模型，土石坝的水平沉降统计模型，大坝渗流量统计模型，大坝渗流压力与绕坝渗流水位统计模型。
作为本发明所述的基于结构仿真计算的大坝安全监测分析系统的一种优选方案，其中：所述参数反演模块包括，基于建立好的有限元模型，利用神经网络、遗传算法优化方法和有限元结构计算软件，结合大坝实测历史数据，利用计算仿真模型的计算参数，形成参数反演模块。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果：本发明提出一种基于结构仿真计算的大坝安全监测分析方法及系统，利用有限元分析方法对模型单元类型选择、单元数量优化、坝体坝基及坝肩山体结构的简化、坝基断层和软弱夹层的模拟，建立适用于大坝结构分析的有限元结构模型。本发明在安全监测智能分析平台引入了神经网络、遗传算法等优化方法和有限元结构计算等传统技术的智能化应用，结合大坝实测历史数据，对计算仿真模型的计算参数进行反演分析，反演的参数应包括坝体混凝土参数和坝基的岩石力学特性参数，包括弹性模量、泊松比、密度、导热系数等。本发明不仅实现了对大坝运行现状的分析，而且可以更加深入、全面的了解大坝未来趋势和发展形态提供有效手段。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种基于结构仿真计算的大坝安全监测分析方法及系统的方法流程图；
图2为本发明一个实施例提供的一种基于结构仿真计算的大坝安全监测分析方法及系统的系统结构图；
图3为本发明一个实施例提供的一种基于结构仿真计算的大坝安全监测分析方法及系统的典型坝段模型及计算结果示意图；
图4为本发明一个实施例提供的一种基于结构仿真计算的大坝安全监测分析方法及系统的实测、拟合及残差过程线图；
图5为本发明一个实施例提供的一种基于结构仿真计算的大坝安全监测分析方法及系统的预测模型对比图；
图6为本发明一个实施例提供的一种基于结构仿真计算的大坝安全监测分析方法及系统的开发流程图；
图7为本发明一个实施例提供的一种非完整车身R角小圆弧视觉测量方法及系统的计算机设备的内部结构图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-2，为本发明的第一个实施例，该实施例提供了一种基于结构仿真计算的大坝安全监测分析方法及系统，包括：
步骤102，根据大坝工程实际结构与工况数据，建立大坝有限元结构模型；
其中，大坝工程实际结构与工况数据包括，模型单元类型选择、单元数量优化、坝体坝基及坝肩山体结构的简化、坝基断层和软弱夹层的模拟等。
步骤104，结合大坝实测历史数据与所述有限元结构模型，利用优化算法对计算仿真模型的参数进行反演分析；
其中，基于建立好的有限元模型，利用神经网络、遗传算法等优化方法和有限元结构计算软件，结合大坝实测历史数据，对计算仿真模型的计算参数进行反演分析，反演的参数应包括坝体混凝土参数和坝基的岩石力学特性参数，包括弹性模量、泊松比、密度、导热系数等。
具体的，BP网络是一种对非线性可微分函数进行权值训练的多层网络。它的最大特点是仅仅借助样本数据，无需建立系统的数学模型，就可对系统实现由m个输入神经元的模式向量p组成的pm空间到yn空间n(为输出节点数)的高度非线性映射。BP算法是为了解决多层前向神经网络的权系数优化而提出来的；在人工神经网络的实际应用中，80％-90％的神经网络模型是采用BP网络或它的变化形式。BP算法是用于前馈多层网络的学习算法。
更进一步的，BP神经网络模型BP网络模型包括输入输出模型、作用函数模型、误差计算模型和自学习模型。输出模型又分为：隐节点输出模型和输出节点输出模型。
更进一步的，节点输出模型包括，
隐节点输出模型：Oj＝f(∑Wij×Xi-qj)
输出节点输出模型：Yk＝f(∑Tjk×Oj-qk)
其中：Wij为输入节点和隐层节点的联接强度；Tjk为隐层节点与输出节点之间的联接强度；f为非线形作用函数；q为神经单元阈值。
更进一步的，作用函数又称刺激函数，反映下层输入对上层节点刺激脉冲强度的函数，一般取为(0，1)内连续取值Sigmoid函数：
更进一步的，误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：
其中：tpi表示节点的期望输出值，Opi-i为节点计算输出值。
更进一步的，自学习模型为神经网络的学习过程，即连接下层节点和上层节点之间的权重矩阵Wij的设定和误差修正过程。BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。
更进一步的，自学习模型为：
ΔWij(n+1)＝h×Φi×Oj+a×ΔWij(n)
其中，h为学习因子，Фi为输出节点i的计算误差，Oj为输出节点j的计算输出，a为动量因子。
应说明的是，利用神经网络在大坝安全监测的反演步骤如下：
组织训练样本，根据相关试验数据，选取弹性模量、泊松比、密度、导热系数的大致范围(样本范围)；
初始化网络和给定参数，包括设置学习因子、动量因子等参数
提供训练模式进行训练，满足精度后停止；
选取实测值输入网络，则可输出待求的参数值。
更进一步的，遗传算法是模拟达尔文的“优胜劣汰”的自然选择进化过程而建立的一套算法。
应说明的是，遗传算法先从定义域中随机产生一组初始解，作为“种群”开始搜索；种群中的每一个个体是问题的一个解，被称为“染色体”；在遗传算法中，采用适合度函数对每个“染色体”进行评价，适应值大的被选择的概率高，进入下一代中；染色体通过选择、交叉、变异等遗传操作，产生新的染色体；通过若干次的迭代以后，算法收敛于最好的染色体，它是问题最优解的可能性最大。
更进一步的，采用遗传算法用于大坝安全监测，主要的建模步骤如下：
建立大坝安全监测模型，把回归系数作为遗传算法优化方程的决策变量。
确定问题优化的适应度函数、约束条件及设计变量。
确定遗传算法的运行参数和控制参数，包括个体数量N、种群规模M、交叉概率Pc、变异概率Pm、进化终止代数T。
随机选择初始种群；每个个体所含的决策变量xi在各自的定义域中[ai，bi]中随机选取：xij＝aij+(bij-aij)r
其中，xij为第j个个体中的第i个决策变量，r-(0，1)区间均匀分布的随机数；
把每次产生的N个基因进行排列构成染色体，如此产生M次产生M个染色体，完成种群的初始化。
执行选择算子。计算群体中每个个体适应度，再计算每个个体的个体适应度占总适应度的比例即选择概率。
执行交叉算子。不同优化问题中采用不同的算子，主要有单点交叉、两点交叉、多点交叉、部分匹配交叉、均匀交叉、顺序交叉等。
执行变异算子。主要有基本位变异、均匀变异、边界变异、非均匀变异、高斯变异等。不同的区域和优化问题，采用不同的变异算子。重复执行选择算子、交叉算子与变异算子进行N次迭代，选择最佳个体作为算法的结果，建议遗传算法的偏回归模型，输出结果。
更进一步的，基于参数反演后的有限元模型，利用有限元计算软件，结合实测数据对大坝运行现状进行综合计算分析，利用预测或模拟的环境量(水位、温度、降雨量等)对大坝发展趋势进行预测分析，对大坝的安全运行状态进行评判。
更进一步的，获取反演坝段的监测仪器编号和时段信息。
更进一步的，根据所述的仪器编号，从已有数据库中查询相应监测仪器的原始位移监测值、环境量信息等。
更进一步的，基于基于反演后的仿真模型模型，对监测信息进行分析，得到变形的水压分量。
更进一步的，根据工程资料，确定坝基模量取值范围，在其范围内随机生成N个初始量，即可行的待定反演参数。
更进一步的，结合已经建立的有限元计算模型，计算测点所在断面每个初始量相应的值，并提取测点对应有限元网格节点的结果值。
更进一步的，将所述监测点分量值与所述有限元结构模型中有限元程序计算位移的离差平方和作为目标函数。
更进一步的，根据所述反演参数代入有限元计算模型，进行模拟分析，将有限元计算值与监测值对比分析。利用预测或模拟的环境量(水位、温度、降雨量等)对大坝发展趋势进行预测分析，对大坝的安全运行状态进行评判。
应说明的是，大坝安全监测能够采集到大量的实测资料，但如何对大坝工作状态和对大坝安全性进行定量分析，关键是建立安全分析的数学模型。用这些数学模型计算出理论参考值，再与实测资料进行比较，对大坝的工作状态和大坝安全性作出合理分析。
步骤106，基于反演后的仿真模型，利用有限元软件综合计算分析大坝运行现状，并利用预测的环境量带入模型，对大坝发展趋势进行预测分析与评判，且对预测结果进行自动生成，实现监测信息定期报表获取。
其中，监测成果定性分析包括大坝水平位移定性分析，大坝垂直位移定性分析，大坝接缝、裂缝变形定性分析，大坝渗流量定性分析，大坝渗透压力定性分析。
具体的，大坝水平位移定性分析，水平位移受到水荷载作用，上游水位升高，坝体向下游位移。
更进一步的，水平位移受温度影响，混凝土坝主要受坝体温度梯度影响，温度升高坝体下游面混凝土膨胀，上游水库受水温影响膨胀明显小于下游，一般导致坝顶测点向上游位移。对许多混凝土坝来说，温度影响往往比水压影响更大一些。由于气温对坝体温度影响有一个传播过程，受温度影响的坝体位移变化滞后于气温变化，且愈向坝体深处影响幅度愈小、滞后时间愈长。水库蓄水后坝前库底温度降低也需较长时间。
更进一步的，水平位移存在着时效变化，即在水位和温度基本不变情况下，位移向某一方向逐渐发展。这种时效变化是一种不可逆转的变形，主要是因混凝土受蓄水后水压力、自重、温降等原因体积收缩、徐变和地基变化等引起，一般在加载初期比较明显，根据不同坝高及工程规模，后期经过一段时期(如5～10年，甚至更长时间)逐渐稳定。
更进一步的，上下游向水平位移变幅与坝高成正相关，同一结构条件下，坝高较大者位移变幅也较大。
应说明的是，坝基较软弱的部位水平位移变幅相对较大。坝体结构状况和混凝土质量对位移均有影响，同样高度的混凝土坝，结构单薄的比厚实的位移要大，混凝土质量差的位移要大。
应说明的是，土石坝坝体受垂直荷载(含自重)和坝基约束作用产生的水平位移，其变化规律是坝顶、坝底位移较小，而坝的1/2～1/3坝高处的位移量最大。坝体受渗水作用而产生的水平位移，其变化规律是，初次蓄水时，由于坝体受渗水作用向上游移动；在长时间高水位后，坝体向下游位移，但当渗水排除后，坝体逐渐复原。坝体受不均匀沉降影响，坝体土粒将向沉降量大的方向移动，表现为坝顶两端向河谷中心产生纵向位移。
具体的，大坝垂直位移定性分析，混凝土坝顶垂直位移主要受温度影响，通常表现为温度升高上抬，温度降低下沉。
更进一步的，坝基垂直位移主要受水位影响，水位上升坝基下沉，同时也引起坝体下沉。另一方面坝体受水温影响导致温度下降，也会导致坝体下沉。
更进一步的，坝体倾斜主要取决于温度，一般是温度升高向上游倾斜；坝基倾斜主要取决于水位，水位上升坝基向下游倾斜。
更进一步的，在坝基垂直位移变化中，除周期性的弹性位移外，也存在时效位移。一般来说，向下沉降会逐年增加，但沉降速率逐年变慢。坝顶、坝基倾斜也会发生时效变形。
更进一步的，坝基较软弱的部位垂直位移变幅相对较大。
更进一步的，水库蓄水后，由于水荷载对库底的压缩作用，坝区附近会发生大范围的不均匀沉降。
应说明的是，土石坝沉降在施工期，随着坝体填筑高度的增加，沿高程分布大致表现为靠近坝基和填筑高程处的单位沉降量较小，中部较大。竣工后，坝体的沉降与坝的填筑高度成正比。沉降量变化随着时间的增加逐渐减缓。若荷载不发生变化，经过相当长的时间后，坝体固结到一定程度，坝体沉降会基本稳定。
应说明的是，大坝接缝、裂缝变形定性分析，混凝土坝接缝和裂缝的开度主要受温度影响，一般是温度升高，缝闭合。土石坝接缝和裂缝直接受坝体变形影响。水库水位变化对重力坝接缝无明显影响。大坝受到较强地震影响时，接缝可能会发生变化，并可能产生新的裂缝。
具体的，大坝渗流量定性分析，影响大坝渗流量的因素主要有：上下游水位、气温水温，降水、地表水及地下水潜流，坝体混凝土(坝体填筑料)及坝基的渗透系数，防渗措施及其效果，排水措施及其效果，坝前淤积物变化，地质条件，接缝裂缝等引起的渗流通道变化。
更进一步的，水位上升、温度降低导致渗流量增大，尤其是大坝浅层的接缝或裂缝受温度影响更明显。
更进一步的，防渗条件改变，包括地质条件，坝体及基础防渗等改变直接影响到大坝渗流状况。
更进一步的，大坝排水效果好导致渗流量增大，但可减小渗压。
应说明的是，根据大坝不同部位或不同时段渗流量和渗透压力监测资料，分析判断防渗和排水系统的效能。分析时应注意渗流量随库水位变化而急剧变化的异常情况以及渗水出现浑浊或析出物的情况。
具体的，大坝渗透压力定性分析：
更进一步的，大坝渗压随上下游水位的升降而升降；渗压变化会滞后于水位的变化；渗压水位变幅在坝底上游边缘等同于库水位变幅，在坝底下游边缘等同于下游水位变幅，中间测点渗压水位变幅小于水库水位变幅，且靠愈靠下游愈小。
更进一步的，大坝防渗条件直接影响到渗压值，主要有地质条件，坝体及基础防渗及排水状况；大坝渗压会受温度影响发生变化；坝体渗压与坝体抗渗性能直接相关。大坝横向扬压力(渗透压力)一般是上游侧高，下游侧低，中间呈折现变化。重力坝坝基实测扬压力超过设计值时，宜进行稳定性校核。
更进一步的，了解效应量的影响因素，认识建筑物在其影响下的变化规律。计算分析效应量变化过程及相应量值，与设计计算等监控指标进行比较，发现异常，采取措施。
应说明的是，确定有无时效变化，对其发展情况，如速率、变化幅度等做出估计，对其产生的原因进行解释，并结合有关测点及其他效应量的情况对是否存在异常情况做出判断。回归方程的预报和控制。通过合理的模型计算分析，预测未来时段内在一定的环境条件下效应量的变化范围，对今后可能出现的最不利环境因素组合条件下的大坝运行做出安全评估和预报，提出工程加固措施和对设计、施工及运行方案的优化，实现对工程系统的反馈控制。对观测精度做出大致估计，以确定监测数据的实际应用价值。结合具体的工程，确定大坝监测成果统计分析模型如下：
应说明的是，混凝土坝水平(垂直、接缝及裂缝)位移监测资料的统计模型：
式中：δ为位移量；a1i为水压因子回归系数，H1、H10分别为监测日、始测日所对应的水头，拱坝、接缝及裂缝i＝1～4，其余i＝1～3；bi为温度因子回归系数，Ti分别表示观测当天、前(1、3、7、)15、30、(45、)60、90、120天内的平均气温，m＝6～10(分局工程具体情况优化，有时候多选会降低拟合精度)；Ti0分别表示始测日当天……120天内的平均气温；c1、c2为时效因子回归系数，θ为位移监测日至始测日的积累天数t/100；θ0为建模资料系列第一个测值日到始测日的积累天数t0/100，a0为常数项。
应说明的是，土石坝的水平位移(沉降)统计模型：
式中：a2i为水压因子回归系数，
分别为监测日、始测日前天(一般可取前1、5、15、30、60天等内的平均值)的平均水头；ci为降水量因子回归系数，Pi、Pi0分别为监测日、始测日当天，前1天、前3天、前7天、前15天、前30天等的平均降水量；其余各符号意义同上述。
应说明的是，大坝渗流量统计模型：
式中：Q为渗流量；
分别为监测日、始测日前1天、前5天、前15天、前30天的平均水头；Pi、Pi0分别为监测日、始测日当天，前1天、前3天、前7天、前15天(根据工程具体情况也可再选前30天等)的平均降水量；其余各符号意义同上述。
应说明的是，大坝扬压力(渗流压力)、绕坝渗流水位统计模型：
式中：H为孔内水位；h1，h10分别为监测日、始测日所对应的水位；
分别为监测日、始测日前1天、前5天、前15天、前30天的平均水位；其余各符号意义同上述。
本发明不仅可以更加深入、全面的了解大坝安全监测运行情况，而且实现了对大坝未来发展趋势的预测，为全面了解大坝运行安全状况提供有效手段。
一种基于结构仿真计算的大坝安全监测分析系统，其特征在于：包括三维模型模块202、参数反演模块204、浸润线图模块206、等值线图模块208、时程分析模块210、智能分析模块212，
三维模型模块202，用于显示不同位置不同测点，展示仪器和仪器测值，可实现对模型旋转、平移、缩放和剖切功能；
参数反演模块204，用于输入水位值及位移测点，实现浏览查询、反演分析结果及参数的作用；
浸润线图模块206，用于选择仪器组和时间，实现绘制相关的浸润线；
等值线图模块208，用于选择应变计组和相关时间，实现等值线的绘制；
时程分析模块210，用于选择测点、绘制图形的位置、监测项目、仪器类型、仪器测点、变量、分量以及采集方式，实现时程分析图的绘制；
智能分析模块212，用于选择不同的智能分析模型，加选位移值和水位，选择时段，实现不同的智能分析。
更进一步的，所述智能分析模块212包括，混凝土坝水平垂直、接缝及裂缝监测资料的统计模型，土石坝的水平沉降统计模型，大坝渗流量统计模型，大坝渗流压力与绕坝渗流水位统计模型。
更进一步的，所述参数反演模块204包括，基于建立好的有限元模型，利用神经网络、遗传算法优化方法和有限元结构计算软件，结合大坝实测历史数据，利用计算仿真模型的计算参数，形成参数反演模块204。
上述各单元模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于结构仿真计算的大坝安全监测分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据大坝工程实际结构与工况数据，建立大坝有限元结构模型；
结合大坝实测历史数据与所述有限元结构模型，利用优化算法对计算仿真模型的参数进行反演分析；
基于反演后的仿真模型，利用有限元软件综合计算分析大坝运行现状，并利用预测的环境量带入模型，对大坝发展趋势进行预测分析与评判，且对预测结果进行自动生成，实现监测信息定期报表获取。
实施例2
参照图2-6，为本发明的一个实施例，提供了一种基于结构仿真计算的大坝安全监测分析方法及系统，为了验证本发明的有益效果，通过实验进行科学论证。
表1传统技术方案与本发明申请区别点
由图5可知，传统回归模型预测值与误差修正模型预测值相比，误差修正模型预测值更贴合实测值，由此可知误差修正模型比传统回归模型更优越，具有更强的有益效果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于结构仿真计算的大坝安全监测分析方法，其特征在于：包括，
根据大坝工程实际结构与工况数据，建立大坝有限元结构模型；
结合大坝实测历史数据与所述有限元结构模型，利用优化算法对计算仿真模型的参数进行反演分析；
基于反演后的仿真模型，利用有限元软件综合计算分析大坝运行现状，并利用预测的环境量带入模型，对大坝发展趋势进行预测分析与评判，且对预测结果进行自动生成，实现监测信息定期报表获取。
2.如权利要求1所述的基于结构仿真计算的大坝安全监测分析方法，其特征在于：所述反演分析包括，
组织训练样本，根据相关试验数据，选取弹性模量、泊松比、密度与导热系数的参数样本范围；
初始化网络和给定参数，提供训练模式进行训练，满足预设精度后停止；
选取实测值输入网络，则可输出待求的参数值。
3.如权利要求2所述的基于结构仿真计算的大坝安全监测分析方法，其特征在于：所述预测分析与评判包括，
获取反演坝段的监测仪器编号和时段信息；
根据所述仪器编号，从已有数据库中查询相应监测仪器的原始位移监测值、环境量信息；
基于反演后的仿真模型模型，对监测信息进行分析，得到变形的水压分量；
根据工程资料，确定坝基模量取值范围，在其范围内随机生成N个可行的待定反演参数；
结合已经建立的有限元结构模型，计算测点所在断面每个初始量相应的值，并提取测点对应有限元网格节点的结果值；
将所述监测点分量值与所述有限元结构模型中有限元程序计算位移的离差平方和作为目标函数；
根据所述目标函数所得反演参数代入有限元计算模型，进行模拟分析，将有限元计算值与监测值对比分析；
利用预测或模拟的水位、温度与降雨量，对大坝发展趋势进行预测分析，对大坝的安全运行状态进行评价。
4.如权利要求3所述的基于结构仿真计算的大坝安全监测分析方法，其特征在于：所述优化算法包括，
建立大坝安全监测模型，把回归系数作为遗传算法优化方程的决策变量；
确定问题优化的适应度函数、约束条件及设计变量；
确定遗传算法的运行参数和控制参数，并随机选择初始种群，完成种群的初始化；
重复进行执行选择算子、交叉算子与变异算子的N次迭代，选择最佳个体作为算法的结果，建议遗传算法的偏回归模型，输出结果。
5.如权利要4所述的基于结构仿真计算的大坝安全监测分析方法，其特征在于：所述有限元结构模型包括，模型单元类型选择、单元数量优化、坝体坝基及坝肩山体结构的简化、坝基断层和软弱夹层的模拟，结合实际监测数据形成有限元分析模块。
6.一种基于结构仿真计算的大坝安全监测分析系统，其特征在于：包括三维模型模块(202)、参数反演模块(204)、浸润线图模块(206)、等值线图模块(208)、时程分析模块(210)、智能分析模块(212)，
三维模型模块(202)，用于显示不同位置不同测点，展示仪器和仪器测值，可实现对模型旋转、平移、缩放和剖切功能；
参数反演模块(204)，用于输入水位值及位移测点，实现浏览查询、反演分析结果及参数的作用；
浸润线图模块(206)，用于选择仪器组和时间，实现绘制相关的浸润线；
等值线图模块(208)，用于选择应变计组和相关时间，实现等值线的绘制；
时程分析模块(210)，用于选择测点、绘制图形的位置、监测项目、仪器类型、仪器测点、变量、分量以及采集方式，实现时程分析图的绘制；
智能分析模块(212)，用于选择不同的智能分析模型，加选位移值和水位，选择时段，实现不同的智能分析。
7.如权利要求6所述的基于结构仿真计算的大坝安全监测分析方法及系统，其特征在于：所述智能分析模块(212)包括，混凝土坝水平垂直、接缝及裂缝监测资料的统计模型，土石坝的水平沉降统计模型，大坝渗流量统计模型，大坝渗流压力与绕坝渗流水位统计模型。
8.如权利要求7所述的基于结构仿真计算的大坝安全监测分析方法，其特征在于：所述参数反演模块(204)包括，基于建立好的有限元模型，利用神经网络、遗传算法优化方法和有限元结构计算软件，结合大坝实测历史数据，利用计算仿真模型的计算参数，形成参数反演模块(204)。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211258971.7A CN115659729B (zh) | 2022-10-14 | 2022-10-14 | 一种基于结构仿真计算的大坝安全监测分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211258971.7A CN115659729B (zh) | 2022-10-14 | 2022-10-14 | 一种基于结构仿真计算的大坝安全监测分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115659729A true CN115659729A (zh) | 2023-01-31 |
| CN115659729B CN115659729B (zh) | 2024-04-16 |
Family
ID=84987653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211258971.7A Active CN115659729B (zh) | 2022-10-14 | 2022-10-14 | 一种基于结构仿真计算的大坝安全监测分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115659729B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117095081A (zh) * | 2023-10-11 | 2023-11-21 | 武汉大学 | 谷幅变形监测范围确定方法及系统 |
| CN117194527A (zh) * | 2023-11-07 | 2023-12-08 | 安能三局(成都)工程质量检测有限公司 | 一种水电站大坝异常数据预警方法 |
| CN117268466A (zh) * | 2023-09-25 | 2023-12-22 | 国家电投集团重庆狮子滩发电有限公司 | 一种大坝安全自动化监测系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108267394A (zh) * | 2018-03-09 | 2018-07-10 | 浙江省水利河口研究院 | 一种土石坝渗流场监控系统及其预警方法 |
| CN109117540A (zh) * | 2018-08-02 | 2019-01-01 | 三峡大学 | 一种解决大坝混凝土力学参数反演不唯一性的概率统计分析方法 |
| 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 |
| CN112347670A (zh) * | 2020-10-26 | 2021-02-09 | 青海大学 | 一种基于神经网络响应面的堆石料蠕变参数预测方法 |
| CN112381309A (zh) * | 2020-11-23 | 2021-02-19 | 珠江水利委员会珠江水利科学研究院 | 水库大坝安全监测预警方法、装置、系统及存储介质 |
| 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 |
| CN113221215A (zh) * | 2021-04-30 | 2021-08-06 | 中国电建集团华东勘测设计研究院有限公司 | 基于bim模型的土石坝渗流动态可视化监控分析方法 |
| CN113449437A (zh) * | 2021-07-26 | 2021-09-28 | 青岛理工大学 | 一种新型黏土斜墙土石坝渗漏预警方法 |
| CN114547951A (zh) * | 2022-04-24 | 2022-05-27 | 浙江远算科技有限公司 | 一种基于数据同化的大坝状态预测方法及系统 |
| CN115146500A (zh) * | 2022-06-24 | 2022-10-04 | 中国电建集团华东勘测设计研究院有限公司 | 一种大坝-库水动力流固耦合简化高效计算方法及应用 |
-
2022
- 2022-10-14 CN CN202211258971.7A patent/CN115659729B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108267394A (zh) * | 2018-03-09 | 2018-07-10 | 浙江省水利河口研究院 | 一种土石坝渗流场监控系统及其预警方法 |
| CN109117540A (zh) * | 2018-08-02 | 2019-01-01 | 三峡大学 | 一种解决大坝混凝土力学参数反演不唯一性的概率统计分析方法 |
| 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 |
| CN112347670A (zh) * | 2020-10-26 | 2021-02-09 | 青海大学 | 一种基于神经网络响应面的堆石料蠕变参数预测方法 |
| CN112381309A (zh) * | 2020-11-23 | 2021-02-19 | 珠江水利委员会珠江水利科学研究院 | 水库大坝安全监测预警方法、装置、系统及存储介质 |
| 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 |
| CN113221215A (zh) * | 2021-04-30 | 2021-08-06 | 中国电建集团华东勘测设计研究院有限公司 | 基于bim模型的土石坝渗流动态可视化监控分析方法 |
| CN113449437A (zh) * | 2021-07-26 | 2021-09-28 | 青岛理工大学 | 一种新型黏土斜墙土石坝渗漏预警方法 |
| CN114547951A (zh) * | 2022-04-24 | 2022-05-27 | 浙江远算科技有限公司 | 一种基于数据同化的大坝状态预测方法及系统 |
| CN115146500A (zh) * | 2022-06-24 | 2022-10-04 | 中国电建集团华东勘测设计研究院有限公司 | 一种大坝-库水动力流固耦合简化高效计算方法及应用 |
Non-Patent Citations (7)
| Title |
|---|
| 向衍, 苏怀智, 顾冲时: "基于遗传算法的物理力学参数反演", 长江科学院院报, no. 06, pages 55 - 58 * |
| 庄文宇等: "基于IAGA-BP算法的高拱坝-坝基力学参数反演分析", 《清华大学学报(自然科学版)》, vol. 62, no. 8, pages 1302 - 1313 * |
| 张宗亮;于玉贞;张丙印;: "高土石坝工程安全评价与预警信息管理系统", 中国工程科学, no. 12, pages 33 - 37 * |
| 游健;: "基于改进遗传算法优化的混凝土坝坝基扬压力统计模型研究", 三峡大学学报(自然科学版), no. 03, pages 6 - 10 * |
| 郑敬阳;: "基于监测数据分析的大坝安全运行管理探讨", 科技资讯, no. 28, pages 9 - 10 * |
| 郭雪莽, 田明俊, 秦理曼: "土石坝位移反分析的遗传方法", 华北水利水电学院学报, no. 03, pages 94 - 98 * |
| 顾冲时: "《碾压混凝土坝安全诊断与预警的理论和方法》", 南京：河海大学出版社, pages: 36 - 40 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117268466A (zh) * | 2023-09-25 | 2023-12-22 | 国家电投集团重庆狮子滩发电有限公司 | 一种大坝安全自动化监测系统 |
| CN117095081A (zh) * | 2023-10-11 | 2023-11-21 | 武汉大学 | 谷幅变形监测范围确定方法及系统 |
| CN117095081B (zh) * | 2023-10-11 | 2023-12-19 | 武汉大学 | 谷幅变形监测范围确定方法及系统 |
| CN117194527A (zh) * | 2023-11-07 | 2023-12-08 | 安能三局(成都)工程质量检测有限公司 | 一种水电站大坝异常数据预警方法 |
| CN117194527B (zh) * | 2023-11-07 | 2024-01-26 | 安能三局(成都)工程质量检测有限公司 | 一种水电站大坝异常数据预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115659729B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115659729A (zh) | 一种基于结构仿真计算的大坝安全监测分析方法及系统 | |
| Yang et al. | Improved PLS and PSO methods-based back analysis for elastic modulus of dam | |
| CN105139585B (zh) | 一种土质边坡险情智能预警预报方法 | |
| Behnia et al. | Predicting crest settlement in concrete face rockfill dams using adaptive neuro-fuzzy inference system and gene expression programming intelligent methods | |
| CN112347537B (zh) | 工程结构数值模型的校准方法、装置、电子设备及介质 | |
| CN114547951B (zh) | 一种基于数据同化的大坝状态预测方法及系统 | |
| CN115526108B (zh) | 一种基于多源监测数据的滑坡稳定性智能动态预测方法 | |
| Wang et al. | A Bayesian framework for estimating fragility curves based on seismic damage data and numerical simulations by adaptive neural networks | |
| CN111695177A (zh) | 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 | |
| CN106952000A (zh) | 一种喀斯特区域滑坡灾害风险动态评估方法 | |
| Li et al. | Discharge prediction for rectangular sharp-crested weirs by machine learning techniques | |
| CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
| Su et al. | Integrated certainty and uncertainty evaluation approach for seepage control effectiveness of a gravity dam | |
| CN109033509A (zh) | 一种基于大坝变形分析的融合模型构建方法 | |
| Liu et al. | Cracking risk analysis of face slabs in concrete face rockfill dams during the operation period | |
| Zhao et al. | Evaluating influences of the Manwan Dam and climate variability on the hydrology of the Lancang-Mekong River, Yunnan Province, southwest China | |
| CN112347670B (zh) | 一种基于神经网络响应面的堆石料蠕变参数预测方法 | |
| CN105488343A (zh) | 一种电力二次设备故障概率计算方法 | |
| CN111582634A (zh) | 一种地下大空间施工多因素安全分级方法及系统 | |
| CN117150925A (zh) | 一种水电工程高陡边坡岩体力学参数反分析方法 | |
| Di-Sarno et al. | Seismic fragility relationships for structures | |
| Segura et al. | Expected seismic performance of gravity dams using machine learning techniques | |
| CN115809598A (zh) | 一种基于安全系数的边坡变形预测与控制值修正方法 | |
| Liang et al. | Damage identification of arch dams based on post-earthquake residual displacement gradients | |
| McClymont | Development of a decision support system for furrow and border irrigation |
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 |