基于MIC-BBO-SVM的大坝渗流预测模型

发布时间：2021-11-25 14:18

　　为监控大坝运行过程中的异常状态,准确预测大坝渗流量的变化趋势,采用最大信息系数（MIC）量化渗流量与影响因子之间的相关性大小并从中选取主导因子作为输入变量,通过引入生物地理学优化算法（BBO）并以K折交叉验证意义下的平均均方根误差为损失函数来优化支持向量机（SVM）作为预测模型,以某水电站工程的拦河大坝为例进行模型验证。结果表明:MIC-BBO-SVM模型的拟合优度、均方根误差、平均绝对误差和平均绝对百分比误差分别为0.957 5,0.155 0 m³/h,0.135 6 m³/h,11.51%,预测性能明显优于逐步回归模型、SVM模型和MIC-SVM模型,可为大坝渗流安全监测提供参考与借鉴。 

【文章来源】：中国安全生产科学技术. 2020,16(11)北大核心CSCD

【文章页数】：7 页

【部分图文】：

大坝渗流效应量影响因素

渗流量影响因子优选

栖息地物种迁徙模型

【参考文献】：
期刊论文
[1]基于遗传算法优化支持向量机的大坝安全性态预测模型[J]. 谷艳昌,吴云星,黄海兵,庞琼.  河海大学学报(自然科学版). 2020(05)
[2]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)
[3]基于最大互信息系数属性选择的冷轧产品机械性能预测[J]. 颜弋凡,安路达,吕志民.  中南大学学报(自然科学版). 2020(01)
[4]多维复杂关联因素下的大坝变形动态建模与预测分析[J]. 李明超,任秋兵,孔锐,杜胜利,司文.  水利学报. 2019(06)
[5]铁路事故持续时长预测背景下的影响因素分析[J]. 樊梦琳,郑伟.  中国安全科学学报. 2019(S1)
[6]一种基于GA的新型生物地理学优化算法研究[J]. 王宁,魏利胜.  系统仿真学报. 2020(09)
[7]基于SVM的通风系统故障诊断惩罚系数与核函数系数优化研究[J]. 周启超,刘剑,刘丽,黄德,邓立军,蒋清华.  中国安全生产科学技术. 2019(04)
[8]MIC-PCA耦合算法在径流预报因子筛选中的应用[J]. 王丽萍,李宁宁,马皓宇,纪昌明,李贵博.  中国农村水利水电. 2018(09)
[9]基于SVM的混凝土坝变形监控模型预测能力实例分析[J]. 钱秋培,崔伟杰,包腾飞,李慧.  长江科学院院报. 2018(08)
[10]基于EEMD-BBO-ELM的短期风电功率预测方法[J]. 时彤,杨朔.  分布式能源. 2018(03)



本文编号：3518308