基于Prophet模型的江坪河水电站面板堆石坝变形预测

发布时间：2024-05-12 00:05

　　基于机器学习的时间序列预测方法能够挖掘时序数据本身的规律,可提高大坝变形预测的精度。以江坪河水电站面板堆石坝为研究对象,对监测资料进行分析,采用Prophet机器学习模型建立堆石坝变形监测数据的时间序列预测模型,并采用贝叶斯优化Prophet模型的超参数。预测结果表明,利用机器学习模型预测堆石坝变形的精度是可以接受的,且实施过程方便快捷,无需太多的人工干预,对建立面板堆石坝的长期变形的实时动态预测模型与高堆石坝全生命周期的性状评估与隐患及时预警具有一定的实用价值。

【文章页数】：6 页

【部分图文】：

图1大坝L0+010.000断面监测点布置(高程:m)

江坪河水电站工程安全监测设备是根据坝址的地形地质条件、混凝土面板堆石坝结构和施工特点等进行设计布置的，主要是为了解大坝填筑施工期及运行期坝基、坝体的变形和渗流情况，并掌握相应时期坝基、坝体的变形和渗流的规律，以利于现场施工质量控制，并为判断大坝结构安全提供依据。坝体沉降监测以坝L....

图2垂直位移过程线

本文选取江坪河水电站面板堆石坝L0+010.000断面SG1a-01～SG1a-12测点的监测资料，并对监测数据进行自相关性检测，见图3。图3中，1个滞后期代表1个月。从图3可以看出，在滞后期小的数据之间的自相关性很高，随着滞后期变大，数据之间的自相关性也随之减弱，呈现出短期相关....

图3监测数据自相关性检测

运用上述步骤对大坝变形进行预测，并将预测结果与测试集相比较。为更直观地表现预测效果，图5给出了同一时刻SG1a-01～SG1a-12的预测误差。图5中，点越靠近y=x这条线说明这一时刻该测点的预测值与实际值越接近，即预测误差越小。从图5可以看出，在各时刻下各测点的预测值与实际值均....

图4大坝变形预测步骤

图3监测数据自相关性检测图5同一时刻各测点预测误差

本文编号：3970565