基于支持向量机的土石坝安全监测模型与安全性态模糊评价

发布时间：2018-06-05 05:33

  本文选题：土石坝安全监测 + 支持向量机　； 参考：《西安理工大学》2017年硕士论文

【摘要】：近些年来,水利水电工程方兴未艾,特别是我国水能资源丰富的西南地区,仍有一些大型水利水电工程项目处在施工建设阶段。随着“一带一路”战略的提出,更多的水利水电建设者们将走出国门,援建其他国家。为了发挥工程的巨大效益、保证工程的平稳运行,大坝的安全问题就显得尤为重要,特别是占大多数的土石坝,而安全监测是反映土石坝安全性态、减少工程事故发生的重要手段。建立土石坝安全监测模型,分析监测资料数据,评判土石坝安全性态是安全监测工作的重要组成部分。支持向量机(SVM)作为一种数据挖掘中的新方法,能够较好的处理非线性、高维数和小样本问题,具有良好的泛化能力,在土石坝安全监测领域得到应用。但该模型参数的选取是模型性能优劣的关键,分别采用粒子群算法(PSO)和人工蜂群算法(ABC)进行参数寻优优化模型。最后建立了土石坝安全性态模糊评价模型,结合某土石坝渗流监测数据,对土石坝渗流安全等级进行评判。本文主要研究内容和成果如下:(1)阐述支持向量机的算法原理、特点,参数选取对模型的影响,在分析土石坝效应量和环境变量之间关系的基础上建立了基于支持向量机的土石坝监测模型。(2)分别介绍粒子群算法和人工蜂群算法的原理、特点、参数等内容,针对支持向量机中采用网格搜索法选取模型参数导致模型精度不高的问题,将具有全局寻优能力的粒子群算法、人工蜂群算法引入支持向量机,进行参数寻优、优化模型,建立了 PSO-SVM、ABC-SVM 土石坝监测模型。(3)将建立的PSO-SVM、ABC-SVM模型应用于工程实例,结合某土石坝的位移、渗流监测数据进行拟合与预测,并与支持向量机模型做对比分析,结果表明PSO-SVM、ABC-SVM模型预测精度更高、误差更小。其中ABC-SVM模型的效果更好,说明ABC算法具有更强的全局寻优能力。(4)建立土石坝安全性态模糊评价模型。先拟定监控指标,利用模糊数学方法,确定监测项目各测点监测数据的隶属度矩阵,引入博弈论确定各测点权重,通过运算得到评判结果,再根据最大隶属度原则确定土石坝的安全性态等级。对某土石坝实测渗流监测数据进行评判,得到的土石坝渗流安全等级结论与安全定检报告相符。
[Abstract]:In recent years, water conservancy and hydropower projects are in the ascendant, especially in the southwest of China, where there are still some large water conservancy and hydropower projects in the construction stage. With the "Belt and Road" strategy proposed, more water conservancy and hydropower builders will go abroad to help build other countries. In order to give full play to the great benefit of the project and ensure the smooth operation of the project, the safety problem of the dam is particularly important, especially the earth-rock dam, which accounts for the majority, and the safety monitoring reflects the safety state of the earth-rock dam. An important means to reduce the occurrence of engineering accidents. It is an important part of safety monitoring work to establish the safety monitoring model of earth-rock dam, analyze the monitoring data and judge the safety state of earth-rock dam. As a new method in data mining, support Vector Machine (SVM) can deal with nonlinear, high dimension and small sample problems. It has good generalization ability and has been applied in the field of earth and rock dam safety monitoring. However, the selection of model parameters is the key to the performance of the model. Particle swarm optimization (PSO) algorithm and artificial bee colony algorithm (ABC) are used to optimize the parameters of the model. Finally, a fuzzy evaluation model of the safety of earth-rock dam is established. Combined with the seepage monitoring data of a certain earth-rock dam, the safety grade of seepage of earth-rock dam is evaluated. The main contents and results of this paper are as follows: (1) expounding the principle, characteristics and the influence of parameter selection on the model of support vector machine (SVM). Based on the analysis of the relationship between the effect quantity of earth-rock dam and environmental variables, the monitoring model of earth-rock dam based on support vector machine (SVM) is established. The principles, characteristics and parameters of particle swarm algorithm and artificial bee swarm algorithm are introduced, respectively. Aiming at the problem that selecting model parameters by grid search method in support vector machine leads to low precision of model, particle swarm optimization algorithm with global optimization ability and artificial bee colony algorithm are introduced into support vector machine to optimize parameters and optimize model. The PSO-SVMU ABC-SVM monitoring model for earth-rock dam is established. The PSO-SVMU ABC-SVM model is applied to the engineering example. Combined with the displacement of a certain earth-rock dam, the seepage monitoring data are fitted and predicted, and compared with the support vector machine model. The results show that the prediction accuracy and error of PSO-SVMU ABC-SVM model are higher and smaller. The effect of ABC-SVM model is better, which indicates that ABC algorithm has stronger global optimization ability. 4) the fuzzy evaluation model of earth and rock dam safety is established. First, the monitoring index is drawn up, and the membership matrix of the monitoring data is determined by using fuzzy mathematics method. The weight of each measuring point is determined by introducing game theory, and the evaluation results are obtained by calculation. According to the principle of maximum membership degree, the safety grade of earth-rock dam is determined. By judging the measured seepage monitoring data of a earth-rock dam, the conclusion of safety grade of seepage in earth-rock dam is in agreement with the report of safety determination and inspection.
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TV698.1

【相似文献】

中国期刊全文数据库 前10条

1 汝乃华,牛运光;土石坝的事故统计和分析[J];大坝与安全;2001年01期

2 屠福河;德国土石坝内部侵蚀的检测[J];浙江水利科技;2001年02期

3 ;国外土石坝内部渗透的探测方法[J];水利科技;2001年01期

4 吴劼高;菲律宾将建成一座200m高的土石坝[J];水利水电科技进展;2003年01期

5 孙家国,谷艳玲;土石坝的消险加固方法[J];黑龙江水专学报;2004年02期

6 贺国庆;郑艳君;;土石坝渗漏原因浅析[J];水利天地;2006年09期

7 赵青;张万瑞;王索成;;土石坝裂缝的分析及其处理[J];黑龙江水利科技;2008年04期

8 王长征;王江彦;罗斌;;土石坝的抗震研究[J];中国西部科技;2009年19期

9 陈诚;朱歧武;李舒瑶;;土石坝溃决模型研究[J];人民黄河;2009年12期

10 马波减;;浅析土石坝水库的病险危害性与加固处理[J];中国水运(下半月);2010年02期

中国重要会议论文全文数据库 前10条

1 张镜剑;李志远;;土石坝可靠度分析的初步研究[A];工程结构可靠性——中国土木工程学会桥梁及结构工程学会结构可靠度委员会全国第三届学术交流会议论文集[C];1992年

2 魏淼新;蔡新;王德信;华坤健;;公伯峡土石坝优化设计研究[A];第五届全国结构工程学术会议论文集（第一卷）[C];1996年

3 陈明致;;土石坝设计的进展[A];中国水利学会2001学术年会论文集[C];2001年

4 盛金保;;土石坝安全评价及除险[A];2004年水工专委会学术交流会议学术论文集[C];2004年

5 黄红女;华锡生;周琼;;土石坝倒垂监测基准的优化研究[A];第八次水利水电地基与基础工程学术会议论文集[C];2006年

6 沈细中;史粉英;杨文丽;张敏;;土石坝震损破坏特征及其应急处理措施[A];中国水利学会2008学术年会论文集（下册）[C];2008年

7 黄理军;张文萍;;南方土石坝加高问题的研究[A];2007年湖南水电科普论坛论文集[C];2007年

8 邹德高;徐斌;孔宪京;;边界条件对土石坝地震反应的影响研究[A];第二届中国水利水电岩土力学与工程学术讨论会论文集（一）[C];2008年

9 朱晟;;土石坝震害与抗震安全[A];现代水利水电工程抗震防灾研究与进展（2011年）[C];2011年

10 李永强;景立平;梁海安;刘春辉;;汶川地震中土石坝地震灾变过程三维再现[A];现代水利水电工程抗震防灾研究与进展（2011年）[C];2011年

中国重要报纸全文数据库 前3条

1 记者夏静　特约通讯员马莉;湖北将建世界最高混凝土石坝[N];光明日报;2002年

2 ;土石坝渗漏控制技术[N];中国水利报;2008年

3 中国产业用纺织品协会;几大功能诠释涤纶无纺布[N];中国纺织报;2005年

中国博士学位论文全文数据库 前10条

1 吴兆营;倾斜入射条件下土石坝最不利地震动输入研究[D];中国地震局工程力学研究所;2007年

2 刘振平;土石坝地震应变分析与坝料动力参数反演[D];大连理工大学;2013年

3 刘福海;土石坝地震破坏机理振动台试验研究[D];大连理工大学;2012年

4 张晓雷;支持向量机若干问题的研究[D];清华大学;2012年

5 王瑜;基于支持向量机和多信息融合的局部放电故障诊断研究[D];华北电力大学;2015年

6 郭虎升;支持向量机的优化建模方法研究[D];山西大学;2014年

7 姚毓凯;支持向量机关键技术及其在人体活动识别中的应用研究[D];兰州大学;2015年

8 周叶;基于新异类检测和支持向量机的水电机组诊断技术研究[D];中国水利水电科学研究院;2015年

9 张华美;穿墙雷达基于支持向量机的成像算法研究[D];南京邮电大学;2015年

10 王喜宾;基于优化支持向量机的个性化推荐研究[D];重庆大学;2015年

中国硕士学位论文全文数据库 前10条

1 张柯;基于支持向量机的土石坝安全监测模型与安全性态模糊评价[D];西安理工大学;2017年

2 李明梅;土石坝填筑运行期固液耦合非线性行为研究[D];昆明理工大学;2015年

3 赵择野;土石坝漫顶溃坝及其对下游堤防的影响[D];华北电力大学(北京);2016年

4 刘璇;在役土石坝安全性态隶属度判诊分析研究[D];南昌大学;2016年

5 孙文杰;ANSYS热分析模块对土石坝的渗流分析与研究[D];华北水利水电大学;2016年

6 王甜;大石头河水库土石坝平面有限元应力应变计算分析[D];黑龙江大学;2016年

7 胡南琦;复合水泥基土石坝防渗注浆材料试验研究[D];山东大学;2017年

8 周炜翔;土石坝安全监测数据的模型研究[D];西北农林科技大学;2017年

9 应征;土石坝隐患瞬变电磁检测方法研究[D];南昌航空大学;2011年

10 李跃鹏;某土石坝运行期渗流状态测试分析与理论研究[D];中南大学;2012年

，

本文编号：1980786