共查询到16条相似文献，搜索用时 171 毫秒
1.
大坝时间序列变形的高精度预测对于大坝运行维护及保护人民生命安全显得尤为重要。本文以某大坝113期变形时间序列数据为实验,提出了一种深度学习中的循环神经网络(LSTM)方法来进行大坝变形预测,将实验的结果与机器学习中NAR神经网络和ARIMA自回归移动平均模型的预测结果进行对比,LSTM、NAR和ARIMA模型的均方根误差(RMSE)分别为0.392 5、0.573 7、1.298 7;平均相对误差(MRE)分别为0.0498、0.1046、0.1878;R^2系数分别为0.932 3、0.822 1、0.247 7。从上述结果对比可知,LSTM时间序列预测模型的精度更高且稳定性更好,可作为后续大坝变形预测的一种新的思路和探索。 相似文献
2.
由于受到温度、雨水冲刷等外在因素的影响,大坝变形时间序列数据会呈现出非线性和非平稳的曲线特性。为此,提出一种经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的大坝变形预测模型。首先,使用EMD对大坝变形时间序列数据分解成若干个不同尺度的本征模式分量(IMF);然后,利用LSSVM模型对各个IMF进行预测;最后,对预测的结果相加得到大坝变形预测值。以吉林市丰满大坝为算例,构建EMD-LSSVM预测模型,并与LSSVM模型对比分析,结果表明,EMD-LSSVM模型预测效果更好,精度更高,具有更好的实用型。 相似文献
3.
利用长期观测数据结合预测模型对大坝的形变趋势进行估计评价是大坝结构安全监测的必要内容。本文综合利用EMD和RBF神经网络，研究大坝变形时间序列中非线性周期信号变化的内在规律，使用西龙池L022号站4000期数据作为训练样本，对后续80期数据进行预测，并通过对预测结果与实测变形差值的统计分析评价本文方法的预测水平。结果表明，N、E、U 3个方向的RMSE分别为0.878 6、0.360 4和2.235 mm。与BP进行对比，RBF预测效果更好，受数据精度影响较小，MAE、RMSE较BP分别最高可提高63%、57%，且本文方法计算效率高，泛化能力强。 相似文献
4.
由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律。综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型。将大坝变形的时间序列分为非线性部分和线性部分。针对非线性部分,利用SVM进行滚动预测,并与NAR动态神经网络进行对比,试验表明SVM处理非线性问题具有相对的优势;针对线性部分,通过ARIMA模型对其进行单步滚动预测,综合两项预测结果得到组合模型的预测值。结合大坝实测资料对组合模型进行检验,试验结果表明,SVM-ARIMA组合模型的预测精度高,能更好地描述大坝位移的变化趋势,具有一定的实用价值。 相似文献
5.
以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。 相似文献
6.
7.
为了研究大坝变形规律并分析其影响因子,利用奇异谱分析(SSA)提取大坝变形时间序列的趋势和周期分量,并分析各分量与时效、温度和水位因子的关联性。通过分析某大坝实测数据,发现大坝存在徐变和周期性弹性形变。其中,徐变即趋势项,主要与时效因子有关;弹性形变对应的周期项主要与温度和水位的周期变化有关,且温度因子与弹性形变的相关性明显大于水位因子。利用提取的趋势和周期项对大坝变形时间序列进行拟合并预测,其拟合和预测误差分别为0.52和0.24 mm;若采用传统的多元线性回归模型进行拟合和预测,其误差则分别为0.81和0.57 mm。这表明奇异谱方法的拟合和预测精度均优于多元回归法,能够更准确地预测大坝变形。 相似文献
8.
为解决传统模型因使用卫星钟差一次差分序列而导致预报精度差的问题，进一步提升预报精度，提出一种优化残差组合对卫星钟差一次差分序列进行预报的方法.该方法首先根据北斗卫星钟差序列的特点，利用四分位法(IQR)代替中位数法对一次差分序列进行预处理，然后利用自回归滑动平均模型(ARMA)将经过预处理后的卫星钟差一次差分序列分成趋势项和残差随机项，接着利用极限学习机(ELM)模型对残差部分进行建模预测，最后将ARMA模型的预测结果和ELM神经网络的残差预测结果求和后进行差分还原.结果表明：当卫星钟差呈非线性时，组合模型的预报精度比传统模型提升了38.2%，在北斗卫星钟差短期预报中具有一定的可行性. 相似文献
9.
在短期基坑沉降监测中,由于数据量少且呈非线性变化,沉降模型很难准确建立。灰色GM(1,1)对数据少、趋势性强、波动小的数据有较高的预测精度,但不能模拟复杂的非线性函数;BP神经网络可以对非线性数据进行学习训练,具有自学习、自适应能力;通过将GM(1,1)与BP神经网络组合,并优化网络部分的学习率、权值和阈值等,建立一种改进的灰色神经网络模型,该模型具有对非线性数据自学习、自适应能力和预测精度更高等优点。通过某基坑沉降监测分析,验证改进的灰色神经网络模型预测精度更高,适合短期建模,具有很好的实用性。 相似文献
10.
11.
针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题,本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值,并提出了一种基于改进蝙蝠算法（IBA）优化极限学习机（ELM）的大坝变形预测模型（IBA-ELM）。将IBA-ELM模型应用于工程实例,通过对某地水库大坝监测数据预测分析,验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价,3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm,IBA-ELM模型的预测精度高于另外2种模型,表明IBA-ELM模型能有效提高大坝变形预测能力。 相似文献
12.
为了提高大坝安全监控模型的预测精度并检验模型的泛化能力,研究大坝安全监控的统计模型、BP神经网络模型及遗传神经网络模型,并提出基于这两种神经网络的融合模型,结合某拱坝长期的变形观测数据,对上述几种模型进行试算。分析结果表明,所建立的融合模型与其他模型相比具有较高的预测精度,且泛化能力较强,具有良好的适用性。 相似文献
13.
基于BP神经网络建立尾矿坝沉降预报模型,重点对BP神经网络的拓扑结构和学习算法进行研究。并以某尾矿库初期坝的沉降监测数据为例,对模型的拟合、预测精度进行验证。实例表明,BP神经网络自学习、自组织能力强,具有极强的线性逼真能力,能够准确地反映输入、输出变量之间的非线性关系,有效地表征尾矿坝的沉降变形规律,对即将发生的变形情况做出科学、合理的预报。 相似文献
14.
针对混凝土拱坝单测点变形监控模型难以合理表征拱坝空间变形场协同响应特性以及传统回归方法诠释环境量与大坝变形间的复杂函数关系具有明显局限性问题,提出了融合粒子群算法优化与支持向量机（particle swarm optimization-support vector machine,PSO-SVM）的混凝土拱坝多测点变形监控混合模型。基于单测点变形监控模型构建方法,引入空间坐标并利用有限元方法计算水压分量,进而借助PSO-SVM良好的非线性处理能力对环境量与大坝变形序列进行建模和预测,从而构建了融合PSO-SVM的混凝土拱坝多测点混合模型。工程实例分析表明,所建模型具有较好的多测点变形性能分析能力,较单测点统计模型具有良好的拟合及预报精度,可有效反映大坝服役的整体安全性态。此外,所提理论和方法经一定的改进和拓展,亦可推广应用于其他水工建筑物性态安全监控模型的预报分析。 相似文献
15.
针对大坝变形系统的非线性、复杂性以及不确定等特点,提出一种优化多核相关向量机的大坝变形预测模型方法。通过对实验数据进行归一化处理,核函数的加权组合以及遗传算法对模型参数的优化,建立遗传算法优化多核相关向量机的大坝变形预测模型。实验结果表明:数据归一化能归纳统一样本的统计分布性,加快梯度下降求解最优解速度和提高预测精度;优化的加权核函数能有效提高模型预测精度;各项精度指标值均优于BP神经网络方法、多项式核相关向量机方法预测精度,证实优化的多核相关向量机模型是一种精度较高的大坝变形预测方法。 相似文献
16.
针对现有非稳定非线性余水位预测模型较少和精度较低的问题,本文研究基于MEEMD算法与遗传优化BP神经网络的余水位组合预测模型。利用夏威夷岛4个长期验潮站获取的余水位时序数据,首先采用遗传算法MEEMD对余水位时序数据进行处理分析,得到较为稳定的余水位IMF分量;然后将经过遗传算法优化后分解的较为稳定的各个IMF分量作为BP神经网络预测模型的输入变量,分别建立12、24、48 h短期余水位的MEEMD遗传算法优化BP神经网络预测模型。通过与非优化BP神经网络预测模型结果进行对比分析,结果表明,优化前后均方根误差的偏差最高达2.03 cm,验证了预测24 h内的短期余水位仍保持其相关特性。该组合预测模型对于分析余水位变化规律和潮汐预报的精度、水位改正等均有重要意义。 相似文献