基于粒子群-高斯过程回归的高拱坝变形预测模型及其应用

发布时间：2021-04-05 05:47

　　针对高拱坝变形问题,提出应用粒子群算法优化高斯过程回归参数的高拱坝变形预测模型,基于高斯过程回归可将低维非线性关系通过核函数投射到高维线性空间的特点,利用高斯过程回归模型来表征水压、温度、时效等因素与坝体变形之间的非线性关系;同时针对迭代求解高斯过程回归模型的超参数效率低的问题,采用粒子群优化算法全局搜索模型超参数,提高了求解效率。对某高拱坝径向位移的拟合预测结果表明,粒子群优化高斯过程回归模型能较好地表征输入因子与变形之间的关系,预测坝体变形,误差在工程允许范围内,可应用于坝体变形预测分析中。 

【文章来源】：水电能源科学. 2020,38(08)北大核心

【文章页数】：4 页

【部分图文】：

中部、顶部测点实测、拟合径向位移增量

应用PSO-GP模型分别预测中部及顶部测点从2015年6月30日后的5次径向位移增量，同时应用统计回归模型进行预测对比，计算结果见图2。由图2可看出，中部、顶部测点预测值与实测值相比误差最大浮动分别为0.90、-0.71mm，误差在工程允许范围内，且PSO-GP计算结果与实测值间的误差均比统计模型误差小，表明该方法优于传统统计模型，能较好应用于拱坝变形预测分析。4 结论

【参考文献】：
期刊论文
[1]高斯过程回归模型在河流水温模拟中的应用[J]. 朱森林,吴时强.  华中科技大学学报(自然科学版). 2018(10)
[2]粒子群算法的改进及其在优化函数中的应用[J]. 马发民,张林,王锦彪.  计算机与数字工程. 2017(07)
[3]谷幅收缩变形对拱坝应力状态影响分析[J]. 刘有志,相建方,樊启祥,李金桃,马晓芳.  水电能源科学. 2017(02)
[4]基于施工期变形监测的特高拱坝力学参数反演研究[J]. 冯帆,邱信蛟,张国新,管俊峰,王丹.  岩土力学. 2017(01)
[5]隧道围岩变形预测的进化高斯过程回归模型[J]. 刘开云,方昱,刘保国,徐冲.  铁道学报. 2011(12)
[6]高斯过程机器学习在边坡稳定性评价中的应用[J]. 苏国韶,宋咏春,燕柳斌.  岩土力学. 2009(03)



本文编号：3119254