基于BBO-SVM的大坝变形预测模型与性能验证

发布时间：2021-11-27 05:09

　　针对大坝监测数据小样本、高维度和非线性的特点,引入支持向量机（SVM）机器学习方法,采用生物地理学优化算法（BBO）优化其惩罚因子c和核函数参数g,建立了基于BBO-SVM的大坝变形预测模型。结合2011—2016年水口大坝4个测点共900组环境量与效应量监测数据,对模型预测性能进行了验证,并将预测结果与SVM、PSO-SVM和ABC-SVM大坝变形预测模型进行对比。结果表明:文中提出的BBO-SVM模型不仅预测精度高,且稳定性更好,4个测点的均方根误差分别达到了0.332 0、0.473 5、0.405 7、0.222 8,拟合优度分别达到了0.910 4、0.961 0、0.962 4、0.956 9。本研究可提高大坝安全监测成果利用,对于大坝健康状态预测评估具有一定的工程指导意义。 

【文章来源】：水利水电技术. 2020,51(08)北大核心

【文章页数】：7 页

【部分图文】：

大坝环境监测变量与效应量映射关系

每个岛屿对应各自的迁入率和迁出率,岛屿内物种数量决定该岛屿迁入、迁出率大小。一般来说HSI高的岛屿容纳的物种数量多,岛屿内的资源竞争激烈,资源的枯竭导致岛屿不再适应生物的生存,因此该类岛屿迁入率低迁出率高;相反,低HIS的岛屿一般物种数量较少,反而能够吸引其他岛屿物种的迁入,此类岛屿迁入率高迁出率低。迁移操作实现了物种之间的信息交换,扩大了BBO算法的全局寻优范围,从而实现了对最终结果的优化。本文迁移模型选用更加契合自然规律的余弦迁移模型如图2所示。设最大物种数Smax=n,当岛屿内物种数为m时,该岛屿的迁入率λm、迁出率μm分别为

式中,gs为岛屿内物种数量为s时发生突变的概率;gmax为最大突变概率;Ps为岛屿内物种数量为s的概率;Pmax是Ps的最大值。Ps可以根据迁入率λ和迁出率μ来确定如下

【参考文献】：
期刊论文
[1]基于系统生存性的骨干网架搜索方法[J]. 林潇,刘洋,许立雄,马晨霄,朱嘉远.  电测与仪表. 2019(12)
[2]基于BP神经网络的大坝新多测点位移模型[J]. 季威,刘晓青,林潮宁,陶园.  水利水电技术. 2019(02)
[3]全国水库大坝安全监测现状调研与对策思考[J]. 王健,王士军.  中国水利. 2018(20)
[4]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)
[5]基于CS-BBO优化SVM的汽轮机转子故障诊断[J]. 石志标,葛春雪.  振动.测试与诊断. 2018(03)
[6]基于NMEA-BP大坝变形监测模型研究[J]. 贾强强,苏怀智,郭芝韵,李丹,李鹏鹏.  水利水电技术. 2018(01)
[7]基于ABCA-SVM的大坝变形预警模型[J]. 钱程,李连基,周子东.  人民黄河. 2018(04)
[8]基于安全监测信息的大坝位移时变预测模型研究[J]. 张书华,赵中华.  水力发电. 2015(04)
[9]基于改进的PSO-SVM法的大坝安全非线性预警模型研究[J]. 范振东,崔伟杰,郭芝韵,张毅.  水电能源科学. 2014(11)
[10]基于SVM理论的大坝安全预警模型研究[J]. 苏怀智,温志萍,吴中如.  应用基础与工程科学学报. 2009(01)

博士论文
[1]基于神经网络的大坝安全监控模型研究[D]. 张帆.东南大学 2016



本文编号：3521614