基于SVM法的大坝安全稳定预测模型分析及应用

发布时间：2021-11-20 22:38

　　为了便于大坝安全监控,建立了一种具有小样本、非线性的SVM大坝安全系数预测模型。以白羊山水库工程为例,探讨了该模型的应用。在考虑坝高、坝基土层、坝基沉降等因素的情况下,采用遗传算法对预测模型的松弛系数及惩罚因子进行优化搜索,并用该模型对大坝进行安全稳定预测。经检验,预测精度可以满足设计要求。 

【文章来源】：黄河水利职业技术学院学报. 2020,32(04)

【文章页数】：5 页

【部分图文】：

大坝总体布置示意图

松弛系数ξ和惩罚因子C是用来解决样本数据误差问题的参数。本文采用遗传算法，搜索其最优参数，并将搜索过程中出现过的所有参数变量与相应预测精度值都记录下来，绘成直观的等高线图（如图3所示）和三维视图（如图4所示）。经分析，得到根据表3中样本集所建SVM预测模型的最佳惩罚因子C为0.108 8，最佳松弛系数ξ为0.574 3。3.2 核函数比选

利用表3中的5组样本集建立大坝安全稳定预测模型，之后随机选取大坝沿线另外3个断面的数据作为检验样本，对预测值与计算值进行比较，结果如表4所示。由表4可知，利用本次所建SVM预测模型可以较好地进行大坝安全稳定预测，其预测误差绝对值最大仅为0.004。图4 SVM预测模型参数寻优3D视图

【参考文献】：
期刊论文
[1]基于BBO-SVM的大坝变形预测模型与性能验证[J]. 刘志,刘泽,杨金辉,高培培,朱光华,胡少华.  水利水电技术. 2020(08)
[2]基于IABC-LSSVM的大坝变形监控模型研究[J]. 刘浩.  水利技术监督. 2020(04)
[3]某水库大坝安全监测系统设计[J]. 魏海涛.  小水电. 2020(03)
[4]大坝安全监测的ARIMA-BP组合预测模型[J]. 王成,胡添翼,顾艳玲,张磊,姓海涛.  三峡大学学报(自然科学版). 2018(01)
[5]大坝安全监测统计模型的比较与选择[J]. 张杰.  中国标准化. 2016(17)
[6]我国水库大坝病险类型和成因机制分析[J]. 马志强.  人民长江. 2013(S1)

博士论文
[1]基于智能计算的大坝安全监测方法研究[D]. 宋志宇.大连理工大学 2007

硕士论文
[1]基于LS-SVM的河道洪水预报研究[D]. 丁海蛟.昆明理工大学 2016



本文编号：3508214