基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

发布时间：2021-06-13 15:57

　　基于经验模态分解（EMD）、改进的极限学习机（MELM）以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成（MELM）,采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。 

【文章来源】：水利水电技术. 2020,51(06)北大核心

【文章页数】：9 页

【部分图文】：

组合模型预测流程

某混凝土重力拱坝最大坝高178 m,左右两岸均为高副坝,大坝处于非常复杂的环境中,因此建立了一个全面的监测系统来评估混凝土坝的运行状态。该系统由许多监测仪器组成,如水库水位、混凝土和空气温度、水平和垂直位移、应力和应变、渗漏、上升压力等。混凝土坝的水平位移是一项重要的测量项目,采用张力线法对其进行测量。大坝正、倒垂观测系统共布置垂线39条,用于监测大坝和坝肩岩体径向和切向的变形量。其中第9#、13#坝段位于大坝中部,位移范围足够大,有助于研究模型的预测性能,故本文取第9#和13#坝段的水平位移建立预测模型且两坝段实测资料连续有效。第9#和13#坝段大坝纵剖面及监测点位如图2所示。图2 大坝特征坝段纵剖面及垂线监测点位示意

图3 大坝变形序列的EMD分解采用基于经验模态分解及马尔科夫链残差差修正的位移预测模型对该大坝水平位移的监测资料进行分析。第9#和13#坝段观测数据选取PL3-5及PL5-5的2016年6月4日—2018年8月3日监测资料,共150组实测资料,其中前120组数据作为拟合组,后30组为预测组,以测点PL3-5为分析算例。

【参考文献】：
期刊论文
[1]基于双马尔科夫链的势概率假设密度滤波[J]. 刘江义,王春平.  电子与信息学报. 2019(02)
[2]利用经验模态分解及小波变换压制微震信号中的随机噪声[J]. 宫月,贾瑞生,卢新明,彭延军,赵卫东,张杏莉.  煤炭学报. 2018(11)
[3]基于时间序列与长短时记忆网络的滑坡位移动态预测模型[J]. 杨背背,殷坤龙,杜娟.  岩石力学与工程学报. 2018(10)
[4]基于AdaBoost集成的WPSO-RBF大坝变形监控模型[J]. 沈晶鑫,房彬,郑东健,郭芝韵,李丹.  长江科学院院报. 2018(05)
[5]基于v-SVR和MVPSO算法的边坡位移反分析方法及其应用[J]. 漆祖芳,姜清辉,周创兵,向柏宇,邵敬东.  岩石力学与工程学报. 2013(06)
[6]混凝土坝安全监控的确定性模型及混合模型[J]. 吴中如.  水利学报. 1989(05)
[7]混凝土坝的位移确定性模型研究[J]. 吴中如,刘观标.  大坝观测与土工测试. 1987(01)
[8]应用实测位移资料研究刘家峡重力坝横缝的结构作用[J]. 陈久宇.  水利学报. 1982(12)

硕士论文
[1]基于免疫学原理的遗传算法在土石坝反分析中的应用[D]. 张美英.河海大学 2006



本文编号：3227839