基于EEMD-ELM的大坝变形预测模型

发布时间：2021-02-02 23:07

　　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。 

【文章来源】：长江科学院院报. 2020,37(11)北大核心

【文章页数】：5 页

【部分图文】：

EEMD-ELM模型

以某碾压混凝土重力坝为例,该坝采用视准线法和引张线法进行水平位移监测,坝体内安装了32支电阻式温度计。采用该坝6#坝段作为研究对象,选取2013年1月23日至2018年8月22日的68期非等时间间隔监测数据进行分析,包括库水位、坝体温度和坝体水平位移。其具体观测数据如图2所示。为有效提高模型预测精度,利用EEMD对监测点1—50期的大坝水平位移时间序列进行分解,得到 5个不同特征尺度的IMF分量(IMF1—IMF5)与1个趋势分量R,如图3所示。

为有效提高模型预测精度,利用EEMD对监测点1—50期的大坝水平位移时间序列进行分解,得到 5个不同特征尺度的IMF分量(IMF1—IMF5)与1个趋势分量R,如图3所示。由图3可看出IMF1、IMF2分量的振幅大,频率高,平稳性较弱,为噪声信号干扰所致,可将IMF1和IMF2分量合并为一个新分量IMF(1+2),考虑新分量影响因素为库水位、温度和时效;IMF3、IMF4分量频率有所降低,周期性较为明显,且IMF3分量的变化趋势与坝体温度监测数据变化趋势相似,可将IMF3和IMF4分量合并为一个新分量IMF(3+4),考虑其主要影响因素为温度;IMF5分量和趋势项分量R变化较光滑,与库水位和温度变化趋势无明显相关性,故考虑其主要影响因素均为时效。

【参考文献】：
期刊论文
[1]混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型[J]. 汪程,杨光,祖安君,陈悦,尹文中,邱小秦.  长江科学院院报. 2019(08)
[2]大坝变形监测统计模型与混沌优化ELM组合模型[J]. 戴波,何启.  水利水运工程学报. 2016(06)
[3]水工结构工程分析计算方法回眸与发展[J]. 吴中如,顾冲时,苏怀智,陈波.  河海大学学报(自然科学版). 2015(05)
[4]基于经验模态分解和遗传支持向量机的多尺度大坝变形预测[J]. 张豪,许四法.  岩石力学与工程学报. 2011(S2)



本文编号：3015521