CN117408855B - 水库工程安全管理方法、系统、存储介质及计算机设备 - Google Patents
水库工程安全管理方法、系统、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN117408855B CN117408855B CN202311695379.8A CN202311695379A CN117408855B CN 117408855 B CN117408855 B CN 117408855B CN 202311695379 A CN202311695379 A CN 202311695379A CN 117408855 B CN117408855 B CN 117408855B
- Authority
- CN
- China
- Prior art keywords
- model
- statistical
- data
- prediction
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 122
- 238000013179 statistical model Methods 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 57
- 238000006073 displacement reaction Methods 0.000 claims description 45
- 230000035882 stress Effects 0.000 claims description 28
- 238000011144 upstream manufacturing Methods 0.000 claims description 24
- 238000009499 grossing Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 16
- 230000032683 aging Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
Abstract
本发明提供一种水库工程安全管理方法、系统、存储介质及计算机设备,该方法包括:实时获取水库工程的安全监控数据,并对安全监控数据进行数据预处理得到预处理监控数据;基于不同的典型水库工程构建工程统计模型,并对各工程统计模型进行模型处理,并根据模型处理结果构建工程预测参数;利用水库工程的若干预报数据和工程预测参数构建预测模型,并分别拟定各预测模型的预警指标;利用预警指标对预处理监控数据进行数据处理,并基于数据处理结果实现水库工程的安全管理。本发明基于结构性态识别的典型水库工程运行安全监控与预警指标,通过预警指标和预处理监控数据进行数据处理实现融合多源观测信息的水库工程的安全管理。
Description
技术领域
本发明涉及工程安全管理技术领域,特别涉及一种水库工程安全管理方法、系统、存储介质及计算机设备。
背景技术
智慧水利建设,按照“需求牵引、应用至上、数字赋能、提升能力”要求,以数字化、网络化、智能化为主线,以数字化场景、智慧化模拟、精准化决策为路径,全面推进算据、算法、算力建设,加快构建具有预报、预警、预演、预案功能的智慧水利体系。
安全监控是水利枢纽运行安全管理中不可忽视的重要手段,总体上可分为正分析和反分析两个方面,正分析主要是应用数学或力学方法建立大坝安全监控模型。荷载与环境作用下混凝土坝整体服役性能退化特性多集中体现在变形、渗流、应力应变等指标变化上;反分析可分为反演分析和反馈分析,反演分析是掌握大坝服役性态参数时空变异的有效途径而反馈分析则是大坝实际运行安全监控的必要前提。
然而,目前尚无一种本构理论被公认为可以完全描述混凝土坝材料力学特性,现有本构模型仅能表征混凝土坝的部分力学特性,不乏存在一定局限性。
发明内容
基于此,本发明的目的是提供一种水库工程安全管理方法、系统、存储介质及计算机设备,以至少解决上述技术中的不足。
本发明提出一种水库工程安全管理方法,包括:
实时获取所述水库工程的安全监控数据,并对所述安全监控数据进行数据预处理,以得到对应的预处理监控数据;
基于不同的典型水库工程构建对应的工程统计模型,并对各所述工程统计模型进行模型处理,并根据模型处理结果构建对应的工程预测参数;
利用所述水库工程的若干预报数据和所述工程预测参数构建对应的预测模型,并分别拟定各所述预测模型的预警指标,其中,分别拟定各所述预测模型的预警指标的步骤包括:
预先构建显著水平数据,并根据所述显著水平数据分别确定各所述预测模型的置信区间;
计算出各所述预测模型的标准差,并根据各所述预测模型的标准差和各所述预测模型的置信区间确定各所述预测模型的预警指标;
利用所述预警指标对所述预处理监控数据进行数据处理,并基于数据处理结果实现所述水库工程的安全管理。
进一步的,对所述安全监控数据进行数据预处理,以得到对应的预处理监控数据的步骤包括:
将样本数据从小到大依次排序,并将排序后的数据进行四等分,以得到对应的三个数据节点;
根据三个所述数据节点确定对应的数据阈值,并利用所述数据阈值识别出所述安全监控数据的异常值,将所述异常值删除得到对应的预处理监控数据。
进一步的,在所述基于不同的典型水库工程构建对应的工程统计模型的步骤之前,所述方法还包括:
对所述预处理监控数据进行滤波处理,以实现所述预处理监控数据的高频噪声筛除;
对滤波处理后的预处理监控数据进行光滑处理,以得到对应的监控平滑数据。
进一步的,基于不同的典型水库工程构建对应的工程统计模型的步骤包括:
分别获取不同典型水库工程的统计参数,并利用所述统计参数分别构建对应的工程统计模型;
获取各所述典型水库工程的预测点,并利用所述预测点对各所述工程统计模型进行模型分析以及模型拟合,以得到对应的工程预测参数。
本发明还提出一种水库工程安全管理系统,包括:
数据预处理模块,用于实时获取所述水库工程的安全监控数据,并对所述安全监控数据进行数据预处理,以得到对应的预处理监控数据;
模型处理模块,用于基于不同的典型水库工程构建对应的工程统计模型,并对各所述工程统计模型进行模型处理,并根据模型处理结果构建对应的工程预测参数;
模型构建模块,用于利用所述水库工程的若干预报数据和所述工程预测参数构建对应的预测模型,并分别拟定各所述预测模型的预警指标,其中,所述模型构建模块包括:
置信区间确定单元,用于预先构建显著水平数据,并根据所述显著水平数据分别确定各所述预测模型的置信区间;
预警指标确定单元,用于计算出各所述预测模型的标准差,并根据各所述预测模型的标准差和各所述预测模型的置信区间确定各所述预测模型的预警指标;
安全管理模块,用于利用所述预警指标对所述预处理监控数据进行数据处理,并基于数据处理结果实现所述水库工程的安全管理。
进一步的,所述数据预处理模块包括:
数据排序单元,用于将样本数据从小到大依次排序,并将排序后的数据进行四等分,以得到对应的三个数据节点;
数据预处理单元,用于根据三个所述数据节点确定对应的数据阈值,并利用所述数据阈值识别出所述安全监控数据的异常值,将所述异常值删除得到对应的预处理监控数据。
进一步的,所述系统还包括:
滤波处理模块,用于对所述预处理监控数据进行滤波处理,以实现所述预处理监控数据的高频噪声筛除;
光滑处理模块,用于对滤波处理后的预处理监控数据进行光滑处理,以得到对应的监控平滑数据。
进一步的,所述模型处理模块包括:
模型构建单元,用于分别获取不同典型水库工程的统计参数,并利用所述统计参数分别构建对应的工程统计模型;
模型处理单元,用于获取各所述典型水库工程的预测点,并利用所述预测点对各所述工程统计模型进行模型分析以及模型拟合,以得到对应的工程预测参数。
本发明还提出一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的水库工程安全管理方法。
本发明还提出一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的水库工程安全管理方法。
本发明当中的水库工程安全管理方法、系统、存储介质及计算机设备,通过对安全监控数据进行数据预处理得到预处理监控数据,基于不同的典型水库工程构建对应的工程统计模型,基于观测信息可靠性辨识的大坝结构行为安全监测模型,并对工程统计模型进行模型处理,利用处理结果得到对应的工程预测参数,利用工程预测参数和水库工程的若干预报数据拟定预警指标,基于结构性态识别的典型水库工程运行安全监控与预警指标,通过预警指标和预处理监控数据进行数据处理实现融合多源观测信息的水库工程的安全管理。
附图说明
图1为本发明第一实施例中的水库工程安全管理方法的流程图;
图2为图1中步骤S101的详细流程图;
图3为本发明第一实施例中坝前水位数据箱型图;
图4为图1中步骤S102的详细流程图;
图5为图1中步骤S103的详细流程图;
图6为本发明第二实施例中的水库工程安全管理系统的结构框图;
图7为本发明第三实施例中的计算机的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,所示为本发明第一实施例中的水库工程安全管理方法,所述方法具体包括步骤S101至S104:
S101,实时获取所述水库工程的安全监控数据,并对所述安全监控数据进行数据预处理,以得到对应的预处理监控数据;
进一步的,请参阅图2,所述步骤S101具体包括步骤S1011~S1012:
S1011,将样本数据从小到大依次排序,并将排序后的数据进行四等分,以得到对应的三个数据节点;
S1012,根据三个所述数据节点确定对应的数据阈值,并利用所述数据阈值识别出所述安全监控数据的异常值,将所述异常值删除得到对应的预处理监控数据。
在具体实施时,利用安装于水库工程的水库中的相关采集设备对进行数据采集,从而实时得到水库工程的安全监控数据,当安全监控数据可能存在异常值时,需要对其进行异常检测,然后剔除进行插值。本实施例中,识别异常数据采用可视化技术和统计学方法,箱型图法。箱型图法利用样本数据的四分位距(IQR)和四分位数(Q1、Q3)能有效检测异常值。
具体的,将样本数据从小到大依次排序后进行四等分,四等分中的三个节点的数据点分别为下四分位数Q1(数据排列后第25%位点的数据点)、中位数(数据排列后第50%位点的数据点)、上四分位数Q3(数据排列后第75%位点的数据点)。设上限为正常范围内的最大允许值,即Q 上=Q3+1.5IQR(IQR=Q3-Q1),设下限为正常范围内的最小允许值,即Q 下=Q1-1.5IQR。
如图3所示,在上下限范围内的数据点都是正常点,超出范围的为异常点。箱形图异常值检测是以四分位数和四分位距为基础的,最多在25%数据的异常变化下也不会明显影响四分位数,也就是说不会影响上下限,图3中,两个T形分别表示上、下限,在下限的下方圆点可定性为异常值,明显偏离了正常范围,应将其剔除,对所有监测数据进行箱形图检测,发现异常值进行剔除并使用均值插补法或拉格朗日插补法进行填充。
S102,基于不同的典型水库工程构建对应的工程统计模型,并对各所述工程统计模型进行模型处理,并根据模型处理结果构建对应的工程预测参数;
进一步的,请参阅图4,所述步骤S102具体包括步骤S1021~S1022:
S1021,分别获取不同典型水库工程的统计参数,并利用所述统计参数分别构建对应的工程统计模型;
S1022,获取各所述典型水库工程的预测点,并利用所述预测点对各所述工程统计模型进行模型分析以及模型拟合,以得到对应的工程预测参数。
在具体实施时,分别获取不同典型水库工程的统计参数,其中,典型水库工程的统计参数包括混凝土坝位移的统计参数、混凝土坝裂缝开度的统计参数、混凝土坝渗流的统计参数以及混凝土坝应力应变的统计参数,其中,统计参数包括水压分量、温度分量和时效分量,利用所得到的统计参数分别构建对应的工程统计模型:
混凝土坝位移统计模型:
综合选择混凝土坝位移的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝位移的统计模型的表达式:
式中,为统计参数;/>为上游坝前水深,/>为计算监测日至始计算监测日的累计天数;/>,/>,/>,/>,/>,/>为统计参数。
位移统计模型:输入包括水平位移、竖向位移、基岩变位计的位移实测值、上游水位和对应日期。
混凝土坝裂缝开合度统计模型:
综合选择混凝土坝裂缝开度的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝裂缝开度的统计模型的表达式:
式中,为统计参数;/>为上游坝前水深,/>为计算监测日至始计算监测日的累计天数;/>为年周期,/>为半年周期;/>,/>,/>,/>,/>,/>为统计参数。
裂缝开度统计模型:输入包括测缝计的位移量实测值上游水位和对应日期。
混凝土坝渗流统计模型:
综合选择混凝土坝扬压力的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝渗流的统计模型的表达式:
式中,表示上游坝前水位分量系数,一般/>取1、2、5、10、15…、/>;/>为参数;为对应时间的下游库水位;/>为参数;/>表示前/>天平均降雨量;一般/>取1、2、5、10、15…、;/>为计算监测日至始计算监测日的累计天数;/>,/>,/>,/>,/>,/>为统计参数。
渗流统计模型:输入包括渗压计中的测点水位实测值上游水位、下游水位、降雨量和对应日期。
混凝土坝应力应变统计模型:
综合选择混凝土坝扬压力的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝应力应变的统计模型的表达式:
式中,为统计参数;/>为上游坝前水深,/>为计算监测日至始计算监测日的累计天数;/>,/>,/>,/>,/>,/>为统计参数。
应力应变统计模型:输入包括应力计和无应力计中的应变实测值,上游水位和对应日期。
进一步的,获取各典型水库工程的预测点,利用预测点对各工程统计模型进行模型分析以及模型拟合,以得到对应的工程预测参数。
具体的,分别以水平位移IP3测点、竖向位移SL2-32测点、基岩变位M1-H1测点、裂缝开度J-M7测点、渗流P-13C6测点和应力应变S5-H1-a测点为例,对测点数据进行模型分析和拟合,为了更具体的判断预测值的精度和拟合效果,选择复相关系数R、平均绝对误差MAE、均方根误差RMSE、平均相对误差MAPE四种比较值作为预测精度评判标准。
当实测值比较小时,MAE值可直接反映预测效果,其值越小,预测的效果越好;当实测值比较小时,RMSE值能反映预测值和实测值的整体偏差大小,数值越小整体偏差越小;复相关系数R可直接反映预测精度,其值越靠近1,模型精度越好;平均相对误差MAPE越接近0,表明模型精度越高,其各测点模型精度如表1所示:
表1
R | MAE | RMSE | MAPE | |
IP3测点 | 0.8966 | 0.7237 | 1 | 1.3236 |
SL2-32测点 | 0.9988 | 0.2226 | 0.3351 | 0.0541 |
M1-H1测点 | 0.9871 | 0.3191 | 0.4373 | 0.1745 |
J-M7测点 | 0.9263 | 0.8591 | 1.4372 | 0.7708 |
P-13C6测点 | 0.9998 | 0.5259 | 0.6817 | 0.0145 |
S5-H1-a测点 | 0.9959 | 52.8551 | 69.7861 | 0.0689 |
在一些可选实施例中,所述方法还包括以下步骤:
对所述预处理监控数据进行滤波处理,以实现所述预处理监控数据的高频噪声筛除;
对滤波处理后的预处理监控数据进行光滑处理,以得到对应的监控平滑数据。
在具体实施时,当获取到预处理监控数据时,利用SG滤波器对预处理监控数据进行滤波处理,其中,SG滤波器是一种基于数据平滑多项式拟合的低通滤波器,广泛地应用于数据平滑处理。它最大的特点是在高效地降噪的基础上保证信号的形状和宽度不会发生改变,进而维持原有的时间序列数据的规律。
SG滤波器的作用是对低频信号拟合,将高频信号平滑处理。出现在高频的噪声被去除,出现在低频的噪声被保留,同时光滑处理。降噪的效果跟滤波的窗口宽度有关,可自由控制,所以能满足不同条件的的需求。
SG滤波器的多项式拟合平滑原理:
取预处理监控数据中点处左右各m个样本点,把/>设为中心点,则滤波窗口为2m+1,其测量值为/>,设SG滤波器k阶多项式为:
其中参数通过最小二乘法拟合得到,/>,。
定义函数:
由上述函数表达式可知,当函数值A取得最小值时,多项式曲线拟合效果最好。当滤波窗口确定好,再通过移动窗口序列,进行分析,可得全部拟合点。在拟合过程中,噪声会被光滑处理。
SG滤波光滑处理的效果跟拟合阶数k和移动窗口的长度2m+1相关。当拟合阶数k越小时,平滑的效果越明显,反之越贴近原始信号曲线;当移动窗口的长度越长时,平滑的效果越明显,反之越贴近原始信号曲线。
S103,利用所述水库工程的若干预报数据和所述工程预测参数构建对应的预测模型,并分别拟定各所述预测模型的预警指标;
进一步的,请参阅图5,所述步骤S103包括步骤S1031~S1032:
S1031,预先构建显著水平数据,并根据所述显著水平数据分别确定各所述预测模型的置信区间;
S1032,计算出各所述预测模型的标准差,并根据各所述预测模型的标准差和各所述预测模型的置信区间确定各所述预测模型的预警指标。
在具体实施时,利用预报,提供未来几日的水位数据等,再利用上述得到的工程预测参数构建预测模型,其中:
1、混凝土坝位移预测模型
以水平位移IP3测点、竖向位移SL2-32测点和基岩变位M1-H1测点为例,构建其预测模型。
IP3测点预测模型表达式:
其中,c2数值为0。
SL2-32测点预测模型表达式:
M1-H1测点预测模型表达式:
2、混凝土坝裂缝开合度预测模型
以裂缝开度J-M7测点为例,构建其预测模型。
J-M7测点预测模型表达式:
3、混凝土坝渗流预测模型
以渗流P-13C6测点为例,构建其预测模型。
P-13C6测点预测模型表达式:
4、混凝土坝应力应变预测模型
以应力应变S5-H1-a测点为例,构建其预测模型。
S5-H1-a测点预测模型表达式:
其预测步骤:先选择要预测的测点,匹配对应的预测模型,例如P-13C6测点,匹配渗流预测模型,同时获取相应的水文预报参数(坝前水位、坝后水位和降雨量),再计算模型各分量,归一化后带入预测模型函数,得到其未来三天渗流测点水位预测值。
具体的,在得到对应的预测模型后,需要分别拟定各预测模型的预警指标,在本实施例中,利用置信区间法实现预警指标的建立,其基本原理是统计理论中的小概率事件,预先设置显著性水平为α,一般为1%或5%,则置信度为1-α,为小概率事件,在统计学中被认为是不可能发生的事件。
依据混凝土重力坝长期观测的安全监测资料,建立大坝监测效应量与环境量之间的数学模型。
利用逐步回归分析法构建监测模型,计算出各种荷载组合下拟合监测效应量()与实测值(E)之间的差值(/>),则该差值有1-α的概率在置信区间带/>范围内。
;
式中,为置信带半宽,S为监测序列拟合值标准差
在确定显著性水平α下,取模型拟合精度高的测点的置信区间作为拟定大坝监控指标的依据。
当取显著性水平α为5%时,。当取显著性水平α为1%时,。当监测点差值/>且无明显突变情况时,认为混凝土坝运行性态正常;当/>时,检测值异常,应加强相应坝段的巡查,分析原因。监测指标为:
若样本值落入监控指标/>范围内,则为安全值,反之,则认为发生了小概率事件,其值为危险值。
1、混凝土坝位移预测模型
以水平位移IP3测点、竖向位移SL2-32测点和基岩变位M1-H1测点为例,构建其预警指标。
IP3测点,标准差为0.3346,其预警指标表达式:
其中,c2数值为0。
SL2-32测点,标准差为1.004,其预警指标表达式:
M1-H1测点,标准差为0.4365,其预警指标表达式:
2、混凝土坝裂缝开合度预测模型
以裂缝开度J-M7测点为例,构建其预警指标。
J-M7测点,标准差为1.4978,其预警指标表达式:
3、混凝土坝渗流预测模型
以渗流P-13C6测点为例,基于设计规范法构建其预警指标。根据计算求得其指标阈值为43.4162m。
4、混凝土坝应力应变预测模型
以应力应变S5-H1-a测点为例,构建其预警指标。
S5-H1-a测点,标准差为69.6172,其预警指标表达式:
其中,a1的数值为0。
S104,利用所述预警指标对所述预处理监控数据进行数据处理,并基于数据处理结果实现所述水库工程的安全管理。
在具体实施时,利用所述预警指标构建整体的安全管理预测模型,并利用安全管理预测模型对预处理监控数据进行数据处理,从而基于数据处理结果实现对水库工程的安全管理。
综上,本发明上述实施例当中的水库工程安全管理方法,通过对安全监控数据进行数据预处理得到预处理监控数据,基于不同的典型水库工程构建对应的工程统计模型,基于观测信息可靠性辨识的大坝结构行为安全监测模型,并对工程统计模型进行模型处理,利用处理结果得到对应的工程预测参数,利用工程预测参数和水库工程的若干预报数据拟定预警指标,基于结构性态识别的典型水库工程运行安全监控与预警指标,通过预警指标和预处理监控数据进行数据处理实现融合多源观测信息的水库工程的安全管理。
实施例二
本发明另一方面还提出一种水库工程安全管理系统,请查阅图6,所示为本发明第二实施例中的水库工程安全管理系统,所述系统包括:
数据预处理模块11,用于实时获取所述水库工程的安全监控数据,并对所述安全监控数据进行数据预处理,以得到对应的预处理监控数据;
进一步的,所述数据预处理模块11包括:
数据排序单元,用于将样本数据从小到大依次排序,并将排序后的数据进行四等分,以得到对应的三个数据节点;
数据预处理单元,用于根据三个所述数据节点确定对应的数据阈值,并利用所述数据阈值识别出所述安全监控数据的异常值,将所述异常值删除得到对应的预处理监控数据。
模型处理模块12,用于基于不同的典型水库工程构建对应的工程统计模型,并对各所述工程统计模型进行模型处理,并根据模型处理结果构建对应的工程预测参数;
进一步的,所述模型处理模块12包括:
模型构建单元,用于分别获取不同典型水库工程的统计参数,并利用所述统计参数分别构建对应的工程统计模型;
模型处理单元,用于获取各所述典型水库工程的预测点,并利用所述预测点对各所述工程统计模型进行模型分析以及模型拟合,以得到对应的工程预测参数。
模型构建模块13,用于利用所述水库工程的若干预报数据和所述工程预测参数构建对应的预测模型,并分别拟定各所述预测模型的预警指标;
进一步的,所述模型构建模块13包括:
置信区间确定单元,用于预先构建显著水平数据,并根据所述显著水平数据分别确定各所述预测模型的置信区间;
预警指标确定单元,用于计算出各所述预测模型的标准差,并根据各所述预测模型的标准差和各所述预测模型的置信区间确定各所述预测模型的预警指标。
安全管理模块14,用于利用所述预警指标对所述预处理监控数据进行数据处理,并基于数据处理结果实现所述水库工程的安全管理。
在一些可选实施例中,所述系统还包括:
滤波处理模块,用于对所述预处理监控数据进行滤波处理,以实现所述预处理监控数据的高频噪声筛除;
光滑处理模块,用于对滤波处理后的预处理监控数据进行光滑处理,以得到对应的监控平滑数据。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同,在此不再赘述。
本发明实施例所提供的水库工程安全管理系统,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,系统实施例部分未提及之处,可参考前述方法实施例中相应内容。
实施例三
本发明还提出一种计算机,请参阅图7,所示为本发明第三实施例中的计算机,包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30,所述处理器20执行所述计算机程序30时实现上述的水库工程安全管理方法。
其中,存储器10至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机的内部存储单元,例如该计算机的硬盘。存储器10在另一些实施例中也可以是外部存储装置,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,存储器10还可以既包括计算机的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
其中,处理器20在一些实施例中可以是电子控制单元 (Electronic ControlUnit,简称ECU,又称行车电脑)、中央处理器(Central Processing Unit, CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器10中存储的程序代码或处理数据,例如执行访问限制程序等。
需要指出的是,图7示出的结构并不构成对计算机的限定,在其它实施例当中,该计算机可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
本发明实施例还提出一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的水库工程安全管理方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种水库工程安全管理方法,其特征在于,包括:
实时获取所述水库工程的安全监控数据,并对所述安全监控数据进行数据预处理,以得到对应的预处理监控数据;
基于不同的典型水库工程构建对应的工程统计模型,并对各所述工程统计模型进行模型处理,并根据模型处理结果构建对应的工程预测参数,其中,基于不同的典型水库工程构建对应的工程统计模型的步骤包括:
分别获取不同典型水库工程的统计参数,并利用所述统计参数分别构建对应的工程统计模型,其中,所述典型水库工程的统计参数包括混凝土坝位移的统计参数、混凝土坝裂缝开度的统计参数、混凝土坝渗流的统计参数以及混凝土坝应力应变的统计参数,统计参数包括水压分量、温度分量和时效分量:
混凝土坝位移统计模型:
综合选择混凝土坝位移的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝位移的统计模型的表达式:
式中,为统计参数;/>为上游坝前水深,/>为计算监测日至始计算监测日的累计天数;,/>,/>,/>,/>,/>为统计参数;
位移统计模型:输入包括水平位移、竖向位移、基岩变位计的位移实测值、上游水位和对应日期;
混凝土坝裂缝开合度统计模型:
综合选择混凝土坝裂缝开度的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝裂缝开度的统计模型的表达式:
式中,为统计参数;/>为上游坝前水深,/>为计算监测日至始计算监测日的累计天数;为年周期,/>为半年周期;/>,/>,/>,/>,/>,/>为统计参数;
裂缝开度统计模型:输入包括测缝计的位移量实测值上游水位和对应日期;
混凝土坝渗流统计模型:
综合选择混凝土坝扬压力的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝渗流的统计模型的表达式:
式中,表示上游坝前水位分量系数,一般/>取1、2、5、10、15…、/>;/>为参数;/>为对应时间的下游库水位;/>为参数;/>表示前/>天平均降雨量;/>取1、2、5、10、15…、/>;/>为计算监测日至始计算监测日的累计天数;/>,/>,/>,/>,/>,/>为统计参数;
渗流统计模型:输入包括渗压计中的测点水位实测值上游水位、下游水位、降雨量和对应日期;
混凝土坝应力应变统计模型:
综合选择混凝土坝扬压力的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝应力应变的统计模型的表达式:
式中,为统计参数;/>为上游坝前水深,/>为计算监测日至始计算监测日的累计天数;,/>,/>,/>,/>,/>为统计参数;
应力应变统计模型:输入包括应力计和无应力计中的应变实测值,上游水位和对应日期;
获取各所述典型水库工程的预测点,并利用所述预测点对各所述工程统计模型进行模型分析以及模型拟合,以得到对应的工程预测参数,其中,分别以水平位移IP3测点、竖向位移SL2-32测点、基岩变位M1-H1测点、裂缝开度J-M7测点、渗流P-13C6测点和应力应变S5-H1-a测点为例,对测点数据进行模型分析和拟合,为了更具体的判断预测值的精度和拟合效果,选择复相关系数R、平均绝对误差MAE、均方根误差RMSE、平均相对误差MAPE四种比较值作为预测精度评判标准;
利用所述水库工程的若干预报数据和所述工程预测参数构建对应的预测模型,并分别拟定各所述预测模型的预警指标,其中,分别拟定各所述预测模型的预警指标的步骤包括:
预先构建显著水平数据,并根据所述显著水平数据分别确定各所述预测模型的置信区间,其中,利用预报和提供未来几日的水位数据,再利用所述工程预测参数构建预测模型:
混凝土坝位移预测模型:
以水平位移IP3测点、竖向位移SL2-32测点和基岩变位M1-H1测点为例,构建其预测模型;
IP3测点预测模型表达式:
其中,c2数值为0;
SL2-32测点预测模型表达式:
M1-H1测点预测模型表达式:
混凝土坝裂缝开合度预测模型:
以裂缝开度J-M7测点为例,构建其预测模型;
J-M7测点预测模型表达式:
混凝土坝渗流预测模型:
以渗流P-13C6测点为例,构建其预测模型;
P-13C6测点预测模型表达式:
混凝土坝应力应变预测模型:
以应力应变S5-H1-a测点为例,构建其预测模型;
S5-H1-a测点预测模型表达式:
预测步骤包括:选择要预测的测点,匹配对应的预测模型,匹配渗流预测模型,同时获取相应的水文预报参数,再计算模型各分量,归一化后带入预测模型函数,得到其未来三天渗流测点水位预测值;
计算出各所述预测模型的标准差,并根据各所述预测模型的标准差和各所述预测模型的置信区间确定各所述预测模型的预警指标;
利用所述预警指标对所述预处理监控数据进行数据处理,并基于数据处理结果实现所述水库工程的安全管理。
2.根据权利要求1所述的水库工程安全管理方法,其特征在于,对所述安全监控数据进行数据预处理,以得到对应的预处理监控数据的步骤包括:
将样本数据从小到大依次排序,并将排序后的数据进行四等分,以得到对应的三个数据节点;
根据三个所述数据节点确定对应的数据阈值,并利用所述数据阈值识别出所述安全监控数据的异常值,将所述异常值删除得到对应的预处理监控数据。
3.根据权利要求2所述的水库工程安全管理方法,其特征在于,在所述基于不同的典型水库工程构建对应的工程统计模型的步骤之前,所述方法还包括:
对所述预处理监控数据进行滤波处理,以实现所述预处理监控数据的高频噪声筛除;
对滤波处理后的预处理监控数据进行光滑处理,以得到对应的监控平滑数据。
4.一种水库工程安全管理系统,其特征在于,包括:
数据预处理模块,用于实时获取所述水库工程的安全监控数据,并对所述安全监控数据进行数据预处理,以得到对应的预处理监控数据;
模型处理模块,用于基于不同的典型水库工程构建对应的工程统计模型,并对各所述工程统计模型进行模型处理,并根据模型处理结果构建对应的工程预测参数,其中,所述模型处理模块包括:
模型构建单元,用于分别获取不同典型水库工程的统计参数,并利用所述统计参数分别构建对应的工程统计模型,其中,所述典型水库工程的统计参数包括混凝土坝位移的统计参数、混凝土坝裂缝开度的统计参数、混凝土坝渗流的统计参数以及混凝土坝应力应变的统计参数,统计参数包括水压分量、温度分量和时效分量:
混凝土坝位移统计模型:
综合选择混凝土坝位移的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝位移的统计模型的表达式:
式中,为统计参数;/>为上游坝前水深,/>为计算监测日至始计算监测日的累计天数;,/>,/>,/>,/>,/>为统计参数;
位移统计模型:输入包括水平位移、竖向位移、基岩变位计的位移实测值、上游水位和对应日期;
混凝土坝裂缝开合度统计模型:
综合选择混凝土坝裂缝开度的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝裂缝开度的统计模型的表达式:
式中,为统计参数;/>为上游坝前水深,/>为计算监测日至始计算监测日的累计天数;为年周期,/>为半年周期;/>,/>,/>,/>,/>,/>为统计参数;
裂缝开度统计模型:输入包括测缝计的位移量实测值上游水位和对应日期;
混凝土坝渗流统计模型:
综合选择混凝土坝扬压力的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝渗流的统计模型的表达式:
式中,表示上游坝前水位分量系数,一般/>取1、2、5、10、15…、/>;/>为参数;/>为对应时间的下游库水位;/>为参数;/>表示前/>天平均降雨量;/>取1、2、5、10、15…、/>;/>为计算监测日至始计算监测日的累计天数;/>,/>,/>,/>,/>,/>为统计参数;
渗流统计模型:输入包括渗压计中的测点水位实测值上游水位、下游水位、降雨量和对应日期;
混凝土坝应力应变统计模型:
综合选择混凝土坝扬压力的水压分量、温度分量和时效分量常用表达式,得到峡江混凝土重力坝应力应变的统计模型的表达式:
式中,为统计参数;/>为上游坝前水深,/>为计算监测日至始计算监测日的累计天数;,/>,/>,/>,/>,/>为统计参数;
应力应变统计模型:输入包括应力计和无应力计中的应变实测值,上游水位和对应日期;
模型处理单元,用于获取各所述典型水库工程的预测点,并利用所述预测点对各所述工程统计模型进行模型分析以及模型拟合,以得到对应的工程预测参数,其中,分别以水平位移IP3测点、竖向位移SL2-32测点、基岩变位M1-H1测点、裂缝开度J-M7测点、渗流P-13C6测点和应力应变S5-H1-a测点为例,对测点数据进行模型分析和拟合,为了更具体的判断预测值的精度和拟合效果,选择复相关系数R、平均绝对误差MAE、均方根误差RMSE、平均相对误差MAPE四种比较值作为预测精度评判标准;
模型构建模块,用于利用所述水库工程的若干预报数据和所述工程预测参数构建对应的预测模型,并分别拟定各所述预测模型的预警指标,其中,所述模型构建模块包括:
置信区间确定单元,用于预先构建显著水平数据,并根据所述显著水平数据分别确定各所述预测模型的置信区间,其中,利用预报和提供未来几日的水位数据,再利用所述工程预测参数构建预测模型:
混凝土坝位移预测模型:
以水平位移IP3测点、竖向位移SL2-32测点和基岩变位M1-H1测点为例,构建其预测模型;
IP3测点预测模型表达式:
其中,c2数值为0;
SL2-32测点预测模型表达式:
M1-H1测点预测模型表达式:
混凝土坝裂缝开合度预测模型:
以裂缝开度J-M7测点为例,构建其预测模型;
J-M7测点预测模型表达式:
混凝土坝渗流预测模型:
以渗流P-13C6测点为例,构建其预测模型;
P-13C6测点预测模型表达式:
混凝土坝应力应变预测模型:
以应力应变S5-H1-a测点为例,构建其预测模型;
S5-H1-a测点预测模型表达式:
预测步骤包括:选择要预测的测点,匹配对应的预测模型,匹配渗流预测模型,同时获取相应的水文预报参数,再计算模型各分量,归一化后带入预测模型函数,得到其未来三天渗流测点水位预测值;
预警指标确定单元,用于计算出各所述预测模型的标准差,并根据各所述预测模型的标准差和各所述预测模型的置信区间确定各所述预测模型的预警指标;
安全管理模块,用于利用所述预警指标对所述预处理监控数据进行数据处理,并基于数据处理结果实现所述水库工程的安全管理。
5.根据权利要求4所述的水库工程安全管理系统,其特征在于,所述数据预处理模块包括:
数据排序单元,用于将样本数据从小到大依次排序,并将排序后的数据进行四等分,以得到对应的三个数据节点;
数据预处理单元,用于根据三个所述数据节点确定对应的数据阈值,并利用所述数据阈值识别出所述安全监控数据的异常值,将所述异常值删除得到对应的预处理监控数据。
6.根据权利要求5所述的水库工程安全管理系统,其特征在于,所述系统还包括:
滤波处理模块,用于对所述预处理监控数据进行滤波处理,以实现所述预处理监控数据的高频噪声筛除;
光滑处理模块,用于对滤波处理后的预处理监控数据进行光滑处理,以得到对应的监控平滑数据。
7.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至3任一项所述的水库工程安全管理方法。
8.一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的水库工程安全管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695379.8A CN117408855B (zh) | 2023-12-12 | 2023-12-12 | 水库工程安全管理方法、系统、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695379.8A CN117408855B (zh) | 2023-12-12 | 2023-12-12 | 水库工程安全管理方法、系统、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408855A CN117408855A (zh) | 2024-01-16 |
CN117408855B true CN117408855B (zh) | 2024-03-29 |
Family
ID=89496448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311695379.8A Active CN117408855B (zh) | 2023-12-12 | 2023-12-12 | 水库工程安全管理方法、系统、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408855B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070021841A (ko) * | 2005-08-20 | 2007-02-23 | 한국건설기술연구원 | 댐 시설물의 실시간 모니터링시스템 및 그 방법 |
CN111508216A (zh) * | 2020-04-28 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
CN111694916A (zh) * | 2020-06-09 | 2020-09-22 | 福州大学 | 浆砌石拱坝自动化监测系统 |
CN112287608A (zh) * | 2020-11-19 | 2021-01-29 | 中国水利水电科学研究院 | 一种基于模糊综合评价的大坝安全预测系统及方法 |
CN113538840A (zh) * | 2021-09-17 | 2021-10-22 | 中铁第一勘察设计院集团有限公司 | 智能多因素耦合主动监测预警系统 |
CN114021078A (zh) * | 2021-10-15 | 2022-02-08 | 三峡大学 | 一种大坝监测量最佳统计模型优选方法 |
CN115239154A (zh) * | 2022-07-27 | 2022-10-25 | 河海大学 | 基于用户可信度的水利工程安全管控模型库系统及方法 |
CN115456331A (zh) * | 2022-08-03 | 2022-12-09 | 南京河海南自水电自动化有限公司 | 多维多测点模型在线监控算法在监测分析系统平台的应用 |
CN115759378A (zh) * | 2022-11-11 | 2023-03-07 | 黄河万家寨水利枢纽有限公司 | 一种基于数字孪生的大坝安全分析预警系统及方法 |
CN116992768A (zh) * | 2023-08-04 | 2023-11-03 | 中建三局集团有限公司 | 一种基于数字孪生的隧道掘进灾害监测预警系统 |
-
2023
- 2023-12-12 CN CN202311695379.8A patent/CN117408855B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070021841A (ko) * | 2005-08-20 | 2007-02-23 | 한국건설기술연구원 | 댐 시설물의 실시간 모니터링시스템 및 그 방법 |
CN111508216A (zh) * | 2020-04-28 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
CN111694916A (zh) * | 2020-06-09 | 2020-09-22 | 福州大学 | 浆砌石拱坝自动化监测系统 |
CN112287608A (zh) * | 2020-11-19 | 2021-01-29 | 中国水利水电科学研究院 | 一种基于模糊综合评价的大坝安全预测系统及方法 |
CN113538840A (zh) * | 2021-09-17 | 2021-10-22 | 中铁第一勘察设计院集团有限公司 | 智能多因素耦合主动监测预警系统 |
CN114021078A (zh) * | 2021-10-15 | 2022-02-08 | 三峡大学 | 一种大坝监测量最佳统计模型优选方法 |
CN115239154A (zh) * | 2022-07-27 | 2022-10-25 | 河海大学 | 基于用户可信度的水利工程安全管控模型库系统及方法 |
CN115456331A (zh) * | 2022-08-03 | 2022-12-09 | 南京河海南自水电自动化有限公司 | 多维多测点模型在线监控算法在监测分析系统平台的应用 |
CN115759378A (zh) * | 2022-11-11 | 2023-03-07 | 黄河万家寨水利枢纽有限公司 | 一种基于数字孪生的大坝安全分析预警系统及方法 |
CN116992768A (zh) * | 2023-08-04 | 2023-11-03 | 中建三局集团有限公司 | 一种基于数字孪生的隧道掘进灾害监测预警系统 |
Non-Patent Citations (3)
Title |
---|
基于SVM理论的大坝安全预警模型研究;苏怀智;温志萍;吴中如;;应用基础与工程科学学报;20090215(01);全文 * |
混凝土大坝安全监控方法与监控指标研究;冯兴常;人民长江;19940720(07);全文 * |
龙江水电站枢纽工程大坝预警系统建立及指标拟定;毕朝达;杨仕燕;徐海峰;李铮;杨阳;王沙宁;毛笠;;水利信息化;20170225(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117408855A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112735094B (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
CN114036974A (zh) | 一种基于健康监测数据的桥梁冲刷动力识别方法 | |
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
CN113409167B (zh) | 一种水质异常分析方法及装置 | |
CN115935139A (zh) | 一种海洋观测数据的空间场插补方法 | |
CN113326744B (zh) | 一种航天器在轨状态异常检测方法及系统 | |
CN113671917A (zh) | 针对多模态工业过程异常状态的检测方法、系统、设备 | |
CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
CN116451514A (zh) | 桥梁结构状态评估方法、装置以及电子设备 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN117408855B (zh) | 水库工程安全管理方法、系统、存储介质及计算机设备 | |
CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
Qu et al. | Outlier Detection and Forecasting for Bridge Health Monitoring Based on Time Series Intervention Analysis. | |
CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
CN113762795A (zh) | 一种基于层次分析的产业链诊断方法及系统 | |
CN113095608A (zh) | 指标分析方法、装置、设备及存储介质 | |
CN113627088B (zh) | 基于基因编程和数据融合的机器性能退化评估方法及系统 | |
CN117909717A (zh) | 一种基于深度学习和数据挖掘的工程量辅助验收结算方法 | |
Limon et al. | Remaining useful life prediction using ADT data with Inverse Gaussian process model | |
CN114117658A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN117629304A (zh) | 架空输电线路导线覆冰的监测方法、装置、设备和介质 | |
CN114881224A (zh) | 一种数据预测方法及装置 | |
Yoon et al. | Understanding Integrity of Time Series IoT Datasets through Local Outlier Detection with Steep Peak and Valley | |
CN117786610A (zh) | 一种基于多元拟合的数据清洗方法、系统、设备及介质 |
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 |