灰色时序模型在变形监测中的应用

随着基坑工程的规模向更大、更深的方向发展,基坑变形规律的监测和研究具有重要的工程应用价值.笔者从灰色系统、时间序列及其组合模型三个方面对工程实例进行模拟,并将拟合结果与监测数据进行对比,分析了各模型的精度.     

灰色时序模型在变形监测中的应用

随着基坑工程的规模向更大、更深的方向发展,基坑变形规律的监测和研究具有重要的工程应用价值.笔者从灰色系统、时间序列及其组合模型三个方面对工程实例进行模拟,并将拟合结果与监测数据进行对比,分析了各模型的精度.     

基于时间序列的大坝早期变形预测

大坝早期变形是一个含有已知和未知因素的不确定的复杂过程,沉降变形计算和预测在水库运营管理中具有重要意义。针对大坝变形沉降曲线非平稳的特性,利用时间序列原理建模进行预测,并与实测数据进行比较。结果表明,时间序列预报模型较好地描述了变形监测点的变化规律,预测精度优于灰色模型,更适用于实际应用。     

最优加权组合模型在边坡变形预测中的应用

利用某岩质边坡2002年-2011年的变形监测资料,结合区域地质与气象背景,运用莱茵达准则选定有效的监测数据,分别建立了GM(1,1)模型和趋势曲线预测模型;最后,基于最优加权组合原理,建立了边坡变形的最优加权组合模型。运用组合模型对该岩质边坡的变形进行了拟合和变形预测,模拟变形趋势与实际变形趋势对比结果表明,组合模型的预测精度高于任何单一模型的拟合精度,证明该组合模型合理、可靠。     

GM-ENN组合模型在滑坡变形预测中的应用

针对以往滑坡变形预测模型实用性不足的情况,从系统论观点和时序分析原理出发,将滑坡位移时序分解为趋势项和偏离项。通过灰色系统模型提取位移时序的趋势项,采用进化神经网络模拟位移时序偏离项之间的复杂非线性关系,建立起GM-ENN组合模型进行滑坡变形预测研究。并将此组合模型应用于三峡库区白水河滑坡的变形预测研究中。研究结果表明：该组合模型具有较强的建模能力、较高的精度,可用于相关的工程实践之中,具有一定的理论研究与实际应用价值。     

遍历灰色模型对城市用水量的预测

考虑到原始序列中个别值的偶然波动影响传统GM(1,1)模型的预测精度,基于GM(1,1)模型的基本原理,构造了遍历灰色模型T-GM(1,1)。结果表明,T-GM(1,1)大大提高了模型的预测精度,将原始序列中不确定因素对预测精度的影响降到了最低,具有广泛的实用性。     

灰色模型在基坑支护变形预测中的有效应用

在采用GM(1,1)模型预测基坑支护变形,通过选取恰当的原始数据序列,并进行残差修正,能得到精度很高的预测结果。并对此进行了实际工程的算例分析,计算过程中采用了方便快捷的EXCEL方法。     

一种线性组合电力负荷预测模型(英文)

电力负荷预测对电力系统的有效运行是至关重要的.电力负荷预测领域迫切需要更精确、更稳定的电力负荷预测方法和技术.为进一步提高电力负荷预测精度,利用互补性原理建立了一种线性组合预测策略.该方法由一个基于互补原理的单项模型选择策略,及线性组合模型组成.选定的单项模型包括流行的线性模型,即ARIMA模型,和流行的非线性模型,即支持向量回归(SVR)模型.该线性组合结构可以有效地提取非线性电力负荷数据的特点.澳大利亚电网真实数据的实验运行验证了该模型的有效性.     

基于EEMD-PCA-ARIMA模型的大坝变形预测

针对大坝观测数据中存在的噪声容易掩盖实际变形曲线走势的问题,提出一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和自回归移动平均模型(ARIMA)的大坝变形预测方法。通过对观测数据进行EEMD和PCA,从而构建映射矩阵,然后利用映射矩阵对原始数据构建的样本矩阵进行转换,实现消噪效果,进而对处理后的观测数据进行ARIMA建模预测,据此构建EEMD-PCA-ARIMA模型。依据所提出的模型对实际大坝坝顶水平位移观测数据进行预测分析,并与实测数据和经直接去掉高频分量消噪后的ARIMA预测模型、ARIMA预测模型、BP神经网络模型预测模型进行对比分析。结果表明:此方法能够更好地获取大坝的实际变形曲线,对于大坝变形预测而言是一种有效的方法。     

大坝变形的小波-云预测模型

大坝变形原始观测信号可视为真实信号与白噪声的叠加。为实现对大坝变形的有效预测,将小波去噪与云模型相结合,提出一种大坝变形时间序列分析的小波-云预测模型。首先利用小波多分辨分析特点,分解出大坝原始变形时间序列中的真实信号项及噪声项;其次,创建变形预测的云模型语言规则,利用最大隶属度原则,确定被预测变形所属的规则前件及相应的历史云,结合历史云与被预测变形所在的当前云生成预测云;最后,以对某实际大坝进行变形预测为例,比较了传统统计模型、云模型和小波-云模型的预测精度。结果表明:所提出的小波-云预测模型能够提供更准确的预测结果,能够为大坝的安全运行提供有效依据。     

基于EEMD-ELM的大坝变形预测模型

建立合理可信的大坝变形监控模型对科学有效地分析大坝变形监测数据和准确可靠地评估大坝工作运行状况意义重大。通过EEMD算法分解大坝变形量,得到代表不同特征尺度的本征模函数(IMF)分量,针对不同IMF分量选择不同影响因素,将各IMF分量作为极限学习机(ELM)的训练样本对大坝变形分量进行分析、拟合、预测,最后累加各IMF分量的预测结果得到大坝变形预测值。以某碾压混凝土重力坝为例,利用EEMD-ELM模型对大坝变形量进行预测,同时与BPNN模型和ELM模型的预测结果进行对比分析,其中EEMD-ELM模型的平均相对误差为0.566,较BPNN模型、ELM模型分别降低54%和14.8%,表明EEMD-ELM模型预测精度更高,具备一定的应用价值。     

基于CEEMDAN-PSR-KELM的大坝变形预测

为提高大坝变形预测精度,针对大坝变形监测序列的非线性、非平稳性等特点,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)-相空间重构(PSR)-核极限学习机(KELM)的大坝变形预测模型。首先利用CEEMDAN算法将大坝变形监测序列分解成为若干不同频率的子序列,然后对各序列进行相空间重构,依据重构的各个子序列分别建立相应的KELM预测模型,最后对各子序列预测结果进行叠加求和得到最终预测结果。通过实例对比分析表明,该模型在大坝变形预测中预测精度较高,对于大坝变形安全监测具有一定的实用价值。     

基于FCM-XGBoost的大坝变形预测模型

变形是评价大坝是否安全的重要指标之一.随着变形监测测点的不断增加,实现对所有测点的分析意味着消耗大量时间,往往会出现预报不及时的问题;另一方面,传统机器学习算法的引入虽然提高了预测精度,但参数选取不佳时对结果影响很大且建模过程十分复杂.引入模糊C-均值聚类(FCM)和极端梯度提升算法(XGBoost),首先对大坝的变形...     

基于AAFSA-LSTM的大坝变形预测模型

对大坝变形情况进行预测,明确大坝的实际状况是保证其长期安全稳定运行的关键之一,目前研究中普遍存在预测精度不足以满足实际需求的问题.为此,将长短时记忆网络(Long and Short-term Memory Network,LSTM)模型引入大坝变形预测的研究,并利用自适应人工鱼群算法(Adaptive Artific...     

基于IVDF-SVR耦合模型的边坡变形预测

针对改进变维分形在分形维数进行拟合预测中的不足,提出一种基于改进变维分形理论(IVDF)和支持向量回归机(SVR)理论耦合的分形预测模型。该模型利用支持向量回归机(SVR)理论来对原来改进变维分形模型中分形维数序列进行拟合预测。以茅坪滑坡的边坡位移监测数据为例,选取ln(r)-ln(S1)累计和序列分维分段曲线作为预测模型的分形参数曲线,先利用改进变维分形模型计算各曲线的分段分形维数,进而预测边坡的位移值,再利用IVDF-SVR耦合模型计算各曲线的分段分形维数,进而预测边坡的位移值。预测结果表明,IVDF-SVR耦合模型充分利用了分形理论的自相似性,使预测模型具有良好的抗噪性,同时结合SVR理论的自学习能力,可以实现小样本、非线性条件下的数据拟合与预测的优势,使得该模型能够达到较好的预测长度和较高的预测精度,有着较好的应用前景。     

滑坡体监测数据的改进变维分形-人工神经网络耦合预测模型

滑坡体变形预测对滑坡灾害治理具有重要的意义。根据边坡的演化特性,在研究得到滑坡是一个非线性动态系统,其监测数据具有分形特征的基础上,利用改进变维分形预测模型对滑坡体的监测数据时间序列趋势项进行预测,并引入人工神经网络对时间序列的偏离项进行纠偏优化,从而建立滑坡体监测数据的改进变维分形-人工神经网络（IVDF ANN）耦合模型,并以茅坪滑坡体的实测位移为例进行预测。预测结果证明,该模型充分利用分形理论的自相似性和人工神经网络的自学习能力,具有良好的抗噪性,对小数据量的监测数据能够达到较高的预测精度和较好的预测长度,为滑坡体安全监控预测提供了新的参考方法。     

考虑黄土结构变形的Philip入渗模型参数预报

基于黄土高原区区域尺度大田耕作土壤的水分入渗试验,考虑黄土备耕头水地土壤结构的变形特性,建立了Philip半理论半经验入渗模型参数的BP神经网络预报模型,实现了以土壤基本理化参数为输入变量、Philip模型参数为输出变量的BP预报。对Philip模型中吸湿率S、稳渗率A以及90 min累计入渗量的预测值与实测值进行比较,结果显示:吸湿率S的平均相对误差为1.41%,稳渗率A的平均相对误差为2.81%,90 min累计入渗量的平均相对误差为1.75%,三者的平均相对误差值均在3%以下,预测精度很高。这表明以土壤基本理化参数为输入变量的BP神经网络预测是可行的,考虑备耕头水地土壤结构变形使得BP预报结果更符合土壤水分入渗实际状况。