基于經(jīng)驗模態(tài)分解（EMD）、改進的極限學習機（MELM）以及馬爾科夫鏈,提出了一種新的混合模型。由于混凝土壩的變形可看成靜水壓力、環(huán)境溫度和時間效應而產(chǎn)生的變形,前兩者體現(xiàn)總變形中的周期性分量,后者體現(xiàn)為總變形中的趨勢性分量,所以在數(shù)據(jù)預處理階段,利用經(jīng)驗模態(tài)分解技術將壩體總位移序列分解為趨勢分量位移和周期分量位移,選擇多項式函數(shù)預測趨勢分量位移,提出了一種改進的極限學習機,即均值學習機集成（MELM）,采用MELM模型對周期分量進行預測。再使用馬爾科夫鏈修正模型對兩個模型的擬合殘差進行修正預測,疊加各預測值得到最終預測值。在某混凝土壩的應用表明,該組合模型的擬合及預測精度明顯優(yōu)于傳統(tǒng)模型,具有操作簡便、預測精度高、訓練速度快等優(yōu)點。 

【文章來源】：水利水電技術. 2020,51(06)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

組合模型預測流程

某混凝土重力拱壩最大壩高178 m,左右兩岸均為高副壩,大壩處于非常復雜的環(huán)境中,因此建立了一個全面的監(jiān)測系統(tǒng)來評估混凝土壩的運行狀態(tài)。該系統(tǒng)由許多監(jiān)測儀器組成,如水庫水位、混凝土和空氣溫度、水平和垂直位移、應力和應變、滲漏、上升壓力等�；炷翂蔚乃轿灰剖且豁椫匾臏y量項目,采用張力線法對其進行測量。大壩正、倒垂觀測系統(tǒng)共布置垂線39條,用于監(jiān)測大壩和壩肩巖體徑向和切向的變形量。其中第9#、13#壩段位于大壩中部,位移范圍足夠大,有助于研究模型的預測性能,故本文取第9#和13#壩段的水平位移建立預測模型且兩壩段實測資料連續(xù)有效。第9#和13#壩段大壩縱剖面及監(jiān)測點位如圖2所示。圖2 大壩特征壩段縱剖面及垂線監(jiān)測點位示意

圖3 大壩變形序列的EMD分解采用基于經(jīng)驗模態(tài)分解及馬爾科夫鏈殘差差修正的位移預測模型對該大壩水平位移的監(jiān)測資料進行分析。第9#和13#壩段觀測數(shù)據(jù)選取PL3-5及PL5-5的2016年6月4日—2018年8月3日監(jiān)測資料,共150組實測資料,其中前120組數(shù)據(jù)作為擬合組,后30組為預測組,以測點PL3-5為分析算例。

【參考文獻】：
期刊論文
[1]基于雙馬爾科夫鏈的勢概率假設密度濾波[J]. 劉江義,王春平.  電子與信息學報. 2019(02)
[2]利用經(jīng)驗模態(tài)分解及小波變換壓制微震信號中的隨機噪聲[J]. 宮月,賈瑞生,盧新明,彭延軍,趙衛(wèi)東,張杏莉.  煤炭學報. 2018(11)
[3]基于時間序列與長短時記憶網(wǎng)絡的滑坡位移動態(tài)預測模型[J]. 楊背背,殷坤龍,杜娟.  巖石力學與工程學報. 2018(10)
[4]基于AdaBoost集成的WPSO-RBF大壩變形監(jiān)控模型[J]. 沈晶鑫,房彬,鄭東健,郭芝韻,李丹.  長江科學院院報. 2018(05)
[5]基于v-SVR和MVPSO算法的邊坡位移反分析方法及其應用[J]. 漆祖芳,姜清輝,周創(chuàng)兵,向柏宇,邵敬東.  巖石力學與工程學報. 2013(06)
[6]混凝土壩安全監(jiān)控的確定性模型及混合模型[J]. 吳中如.  水利學報. 1989(05)
[7]混凝土壩的位移確定性模型研究[J]. 吳中如,劉觀標.  大壩觀測與土工測試. 1987(01)
[8]應用實測位移資料研究劉家峽重力壩橫縫的結構作用[J]. 陳久宇.  水利學報. 1982(12)

碩士論文
[1]基于免疫學原理的遺傳算法在土石壩反分析中的應用[D]. 張美英.河海大學 2006



本文編號：3227839