一、時(shí)間水位因子模型在大壩變形分析中的應(yīng)用（論文文獻(xiàn)綜述）
羅朝林,陳武奮,張波,梁?jiǎn)⒈?sup>[1]（2022）在《基于小波優(yōu)化神經(jīng)網(wǎng)絡(luò)在大壩變形預(yù)測(cè)的應(yīng)用》文中研究指明針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)大壩變形預(yù)測(cè)模型存在網(wǎng)絡(luò)收斂速度慢、陷入局部極值點(diǎn)、泛化能力差的不足,結(jié)合了小波的時(shí)頻局部分析能力與神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自組織的特點(diǎn)構(gòu)建了基于小波神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測(cè)模型;選取廣州市李溪攔河壩4#沉降實(shí)測(cè)值為研究對(duì)象,將2016年1月至2019年6月共557組數(shù)據(jù)作為模型訓(xùn)練集建立模型;2019年7月至2019年10月95組數(shù)據(jù)作為模型驗(yàn)證集,用于評(píng)判模型性能。通過小波神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)測(cè)試集預(yù)測(cè)結(jié)果表明:基于BP神經(jīng)網(wǎng)絡(luò)變形預(yù)測(cè)模型均方誤差為0.138、確定性系數(shù)為0.748;基于小波神經(jīng)網(wǎng)絡(luò)變形預(yù)測(cè)模型均方誤差為0.025、確定性系數(shù)為0.927,小波神經(jīng)網(wǎng)絡(luò)在大壩變形預(yù)測(cè)中具有收斂速度快、預(yù)測(cè)精度高和泛化能力強(qiáng)等特點(diǎn)。
徐肖遙[2]（2020）在《基于多因素神經(jīng)網(wǎng)絡(luò)模型的大壩變形預(yù)測(cè)研究》文中研究指明我國河流眾多、徑流豐沛、落差巨大,蘊(yùn)藏著非常豐富的水電資源。其陸地水力資源理論蘊(yùn)藏量在10MW及以上的河流共有3886條,分別建有共9.8萬余座水壩,在提供清潔能源同時(shí),還對(duì)防洪、供水、灌溉起重要作用。于上個(gè)世紀(jì)80年代以前建設(shè)的老壩基本上為土石壩,出險(xiǎn)的幾率較高。目前,我國200米級(jí)以上高壩主要集中在西部地區(qū),高海拔、高地震烈度、高邊坡、地質(zhì)條件極為復(fù)雜,需要對(duì)大壩的安全監(jiān)測(cè)進(jìn)行研究。由于大壩的變形是一個(gè)受水壓因子、時(shí)效因子、溫度因子等多因素共同影響的、長期的、非線性的復(fù)雜變化過程,而傳統(tǒng)方法是利用單一的理論方法、算法模型進(jìn)行大壩變形預(yù)測(cè),所以這種基于理想嚴(yán)格的假定條件之下的傳統(tǒng)模型難以取得良好的預(yù)測(cè)效果。在此情況下,引入能夠進(jìn)行復(fù)雜邏輯運(yùn)算和非線性關(guān)系實(shí)現(xiàn)的一種非線性信息處理模型——人工神經(jīng)網(wǎng)絡(luò),構(gòu)建對(duì)大壩的變形預(yù)測(cè)模型。為此,本文以神經(jīng)網(wǎng)絡(luò)中近年研究熱點(diǎn)的極限學(xué)習(xí)機(jī)為基礎(chǔ)研究手段,結(jié)合遺傳算法、粒子群優(yōu)化算法,提出組合模型,并創(chuàng)新性地融入了經(jīng)驗(yàn)?zāi)B(tài)分解、補(bǔ)充集合經(jīng)驗(yàn)?zāi)B(tài)分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）濾波、影響因子選擇與分析和差分整合移動(dòng)平均自回歸模型（Autoregressive Integrated Moving Average model,ARIMA）誤差修正等理論知識(shí),構(gòu)建了基于多因素神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測(cè)模型及模型的誤差修正和精度評(píng)定。具體研究內(nèi)容包括以下幾方面:（1）研究學(xué)習(xí)了經(jīng)驗(yàn)?zāi)B(tài)分解的相關(guān)理論和主要特性,并針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition,EMD）存在的問題,深入研究了集合經(jīng)驗(yàn)?zāi)B(tài)分解和補(bǔ)充集合經(jīng)驗(yàn)?zāi)B(tài)分解。由于大壩的變形是多種因素共同作用的結(jié)果,因此通過分解,可以更好的對(duì)應(yīng)分析其物理因素的影響。在此之上,科學(xué)合理進(jìn)行大壩變形監(jiān)測(cè)數(shù)據(jù)的濾波,提高了大壩變形預(yù)測(cè)模型的精度。（2）利用Spearman秩相關(guān)系數(shù)對(duì)智能算法輸入層中主要影響因子進(jìn)行分析評(píng)價(jià),并據(jù)此進(jìn)行影響因子的選擇,最終確認(rèn)大壩變形預(yù)測(cè)模型的影響因子。同時(shí)為消除量綱和數(shù)值差距的影響,對(duì)大壩變形預(yù)測(cè)模型的影響因子和變形監(jiān)測(cè)數(shù)據(jù)進(jìn)行歸一化處理。（3）將遺傳算法、粒子群算法和極限學(xué)習(xí)機(jī)相結(jié)合,利用遺傳算法（Genetic Algorithm,GA）算法和粒子群優(yōu)化算法（Particle Swarm optimization,PSO）算法對(duì)極限學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值和隱含層閾值進(jìn)行優(yōu)化,分別構(gòu)建GA-ELM和PSO-ELM組合模型,并結(jié)合之前選取的多種大壩變形影響因子構(gòu)建基于多因素神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測(cè)模型,結(jié)合實(shí)例驗(yàn)證。（4）利用ARIMA誤差修正模型對(duì)預(yù)測(cè)結(jié)果進(jìn)行殘差修正,減弱大壩變形預(yù)測(cè)模型的預(yù)測(cè)殘差,進(jìn)一步提高模型精度。結(jié)合均方根誤差RMSE、平均絕對(duì)誤差MAE和平均相對(duì)誤差MRE三個(gè)評(píng)價(jià)系數(shù),對(duì)所有預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)分析,驗(yàn)證構(gòu)建的基于多因素神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測(cè)模型的合理性。
謝懷宇[3]（2019）在《基于改進(jìn)布谷鳥優(yōu)化MKELM和Bootstrap方法的大壩變形預(yù)測(cè)研究》文中進(jìn)行了進(jìn)一步梳理大壩變形預(yù)測(cè)對(duì)于分析大壩服役性態(tài),保證大壩安全運(yùn)行具有重要的理論與現(xiàn)實(shí)意義。然而,現(xiàn)有變形預(yù)測(cè)模型如統(tǒng)計(jì)模型、神經(jīng)網(wǎng)絡(luò)模型等采用線性回歸、梯度下降等建模方式,存在難以有效表達(dá)變形序列高維非線性特征、易陷入局部最優(yōu)的不足,因此模型的預(yù)測(cè)精度有待進(jìn)一步提升;同時(shí),在對(duì)變形觀測(cè)數(shù)據(jù)進(jìn)行建模預(yù)測(cè)時(shí),監(jiān)測(cè)數(shù)據(jù)的隨機(jī)噪聲、模型結(jié)構(gòu)的主觀選擇、參數(shù)的隨機(jī)設(shè)置等因素對(duì)預(yù)測(cè)結(jié)果的不確定具有較大影響,然而當(dāng)前研究僅能以點(diǎn)預(yù)測(cè)方式進(jìn)行壩體變形的預(yù)測(cè)分析,缺乏有效量化變形預(yù)測(cè)過程中的不確定性,導(dǎo)致難以判斷結(jié)果的可信度。針對(duì)上述問題,本文提出基于改進(jìn)布谷鳥優(yōu)化多核極限學(xué)習(xí)機(jī)（improved cuckoo search-multiple kernel extreme learning machine,ICS-MKELM）和Bootstrap方法的大壩變形預(yù)測(cè)模型,實(shí)現(xiàn)在精確預(yù)測(cè)變形值的同時(shí),通過區(qū)間形式表征預(yù)測(cè)結(jié)果的不確定程度,主要研究內(nèi)容如下:（1）針對(duì)目前大壩變形預(yù)測(cè)模型精度有待提高的問題,提出了基于改進(jìn)布谷鳥優(yōu)化多核極限學(xué)習(xí)機(jī)的大壩變形點(diǎn)預(yù)測(cè)算法。通過將處理非線性問題適用性良好的核極限學(xué)習(xí)機(jī)和泛化、學(xué)習(xí)能力強(qiáng)的混合核相結(jié)合,構(gòu)建高精度的多核極限學(xué)習(xí)機(jī)模型（multiple kernel extreme learning machine,MKELM）。同時(shí)采用基于慣性權(quán)重和混沌理論改進(jìn)的布谷鳥搜索（improved cuckoo search,ICS）算法對(duì)多核極限學(xué)習(xí)機(jī)中核參數(shù)及正則系數(shù)進(jìn)行優(yōu)化,以進(jìn)一步彌補(bǔ)模型易陷入局部最優(yōu)的不足。（2）針對(duì)現(xiàn)有預(yù)測(cè)模型缺乏考慮模型及數(shù)據(jù)中不確定性因素的影響,提出基于改進(jìn)布谷鳥優(yōu)化多核極限學(xué)習(xí)機(jī)和區(qū)間預(yù)測(cè)方法的大壩變形預(yù)測(cè)模型。在改進(jìn)布谷鳥優(yōu)化多核極限學(xué)習(xí)機(jī)點(diǎn)預(yù)測(cè)算法的基礎(chǔ)上,引入Bootstrap區(qū)間預(yù)測(cè)方法,通過重復(fù)抽樣的形式估計(jì)模型和樣本兩者中如數(shù)據(jù)噪聲、模型結(jié)構(gòu)選擇的主觀性、模型參數(shù)設(shè)置的隨機(jī)性等因素造成的不確定性影響,以構(gòu)造對(duì)應(yīng)的預(yù)測(cè)區(qū)間,從而實(shí)現(xiàn)對(duì)結(jié)果不確定程度的量化表征。（3）結(jié)合我國西南某工程為研究對(duì)象,進(jìn)行了大壩變形預(yù)測(cè)應(yīng)用研究。采用所提出的基于改進(jìn)布谷鳥優(yōu)化MKELM和Bootstrap方法的預(yù)測(cè)模型進(jìn)行大壩變形預(yù)測(cè)研究。將其與標(biāo)準(zhǔn)布谷鳥優(yōu)化多核極限學(xué)習(xí)機(jī)、單核極限學(xué)習(xí)機(jī)、極限學(xué)習(xí)機(jī)等預(yù)測(cè)方法對(duì)應(yīng)的點(diǎn)預(yù)測(cè)和區(qū)間預(yù)測(cè)結(jié)果進(jìn)行比較分析,結(jié)果表明,本文模型具有優(yōu)越性和一致性,其在均方誤差和寬度范圍綜合指數(shù)兩項(xiàng)指標(biāo)中的改進(jìn)率最高可分別達(dá)到36.45%和93.48%,表現(xiàn)出良好的點(diǎn)預(yù)測(cè)和區(qū)間預(yù)測(cè)精度。
劉冬臨[4]（2019）在《基于一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)的混凝土壩壩基揚(yáng)壓力監(jiān)控模型研究》文中研究指明壩基揚(yáng)壓力是混凝土壩安全監(jiān)測(cè)中的一項(xiàng)重要物理量,通過對(duì)它的監(jiān)測(cè)分析,可以掌握壩基的滲流形態(tài),了解防滲帷幕和排水系統(tǒng)的工作性能以及壩體的穩(wěn)定情況。本文首先闡述兩種常規(guī)壩基揚(yáng)壓力監(jiān)控模型——逐步回歸分析模型和BP神經(jīng)網(wǎng)絡(luò)模型。逐步回歸分析模型原理簡(jiǎn)單,操作方便,且可進(jìn)行因子分離,定量研究各因子對(duì)揚(yáng)壓力的影響;但無法對(duì)非線性系統(tǒng)進(jìn)行模擬,預(yù)測(cè)精度很難保證。BP神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了輸入到輸出的高度非線性映射,預(yù)測(cè)精度一般較高;但無法展開各因子對(duì)揚(yáng)壓力影響的定量研究。同時(shí),常規(guī)模型輸入因子內(nèi)容多樣、數(shù)目多。在此基礎(chǔ)上,本文提出一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)壩基揚(yáng)壓力監(jiān)控模型。該模型是在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和輸入因子兩個(gè)方面進(jìn)行改變。（1）一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)壩基揚(yáng)壓力監(jiān)控模型將BP神經(jīng)網(wǎng)絡(luò)輸入層和隱藏層之間神經(jīng)元的連接方式由全連接變?yōu)橐粚?duì)一連接,隱藏層和輸出層之間仍保持全連接不變。網(wǎng)絡(luò)結(jié)構(gòu)改變后,模型輸出為各因子影響效應(yīng)線性累加之和的形式,這是模型能實(shí)現(xiàn)因子分離的根本原因。一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)模型不僅實(shí)現(xiàn)了輸入因子與揚(yáng)壓力之間的非線性映射,還可進(jìn)行因子分離,定量研究各因子對(duì)揚(yáng)壓力的影響。同時(shí),網(wǎng)絡(luò)結(jié)構(gòu)的改變使隱藏層神經(jīng)元個(gè)數(shù)等于輸入因子個(gè)數(shù),克服了BP神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元個(gè)數(shù)難以確定的問題。（2）一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)壩基揚(yáng)壓力監(jiān)控模型采用一種新的輸入因子選擇方法。考慮壩基揚(yáng)壓力測(cè)壓孔管水位監(jiān)測(cè)數(shù)據(jù)時(shí)間上的連續(xù)性,用測(cè)壓孔管水位前一次監(jiān)測(cè)值,前后兩次管水位監(jiān)測(cè)時(shí)對(duì)應(yīng)的上游水位變化值、下游水位變化值、降雨變化值和氣溫變化值來預(yù)測(cè)后一次管水位。因子數(shù)目減少為5且內(nèi)容固定,有效控制了輸入因子的個(gè)數(shù),避免了輸入因子內(nèi)容的多樣化。本文利用丹江口大壩壩基揚(yáng)壓力監(jiān)測(cè)資料,在R語言中建立逐步回歸分析模型、BP神經(jīng)網(wǎng)絡(luò)模型和一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)模型。計(jì)算結(jié)果表明一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)模型因子分離結(jié)果可靠,預(yù)測(cè)精度最高;BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度其次;逐步回歸分析模型預(yù)測(cè)精度最低。然后對(duì)一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析,研究發(fā)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)的改變對(duì)模型預(yù)測(cè)精度不會(huì)產(chǎn)生影響,輸入因子的改變才是模型預(yù)測(cè)精度提高的原因。同時(shí),網(wǎng)絡(luò)結(jié)構(gòu)和輸入因子的改變均能減少模型中計(jì)算參數(shù)的個(gè)數(shù),提高模型計(jì)算效率。因此使用一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)模型對(duì)混凝土壩壩基揚(yáng)壓力監(jiān)測(cè)資料進(jìn)行分析是有效可行的,可為大壩的安全運(yùn)行提供科學(xué)依據(jù)。
王仕松[5]（2019）在《基于流固耦合的燈泡貫流式水電站大壩安全性分析》文中指出水電站大壩的安全是在水電站運(yùn)行期間關(guān)注的重點(diǎn),尤其在汛期,水電站大壩的安全更是關(guān)乎下游人民的生命財(cái)產(chǎn)安全。貫流式水電站雖然水頭較低,但距離城市較近,一旦發(fā)生潰壩,直接威脅著整個(gè)城市的安全,因此,對(duì)于貫流式水電站的大壩安全問題正在引起越來越多學(xué)者的關(guān)注。大壩的變形分析涉及的學(xué)科較多,其分析方法的選擇直接關(guān)系著對(duì)大壩安全的判斷及預(yù)測(cè),正確和適當(dāng)?shù)姆治龇椒軌蛄私獯髩蔚陌踩F(xiàn)狀,同時(shí)能預(yù)測(cè)大壩在遭遇極端洪水工況時(shí)各建筑物的可靠性。本文選取黃河干流某典型貫流式水電站作為研究對(duì)象,采用數(shù)值模擬的方法,分析大壩結(jié)構(gòu)在不同泄流工況下的變形特性。首先,根據(jù)研究對(duì)象的相關(guān)設(shè)計(jì)圖紙、參數(shù),建立出大壩主要結(jié)構(gòu)的三維模型。通過改變閘門開度和機(jī)組啟閉情況得到校核、設(shè)計(jì)洪水工況的大壩模型,對(duì)校核、設(shè)計(jì)洪水工況進(jìn)行數(shù)值模擬計(jì)算得到相應(yīng)的泄流流態(tài)、流速,并將計(jì)算結(jié)果與水工模型試驗(yàn)結(jié)果對(duì)比,驗(yàn)證了數(shù)值計(jì)算方法及模型的正確性和可靠性。其次,通過改變閘門開度和機(jī)組啟閉情況得到由水工模型試驗(yàn)確定的在庫水位為1551m的5種運(yùn)行工況泄流方案的大壩模型,對(duì)各泄流方案進(jìn)行數(shù)值模擬計(jì)算,得到不同泄流方案的大壩結(jié)構(gòu)變形特性,通過對(duì)5種泄流方案大壩變形特性進(jìn)行分析,選出僅考慮流固耦合對(duì)變形影響時(shí)的最優(yōu)泄流方案。最后,改變最優(yōu)泄流方案中的機(jī)組啟閉情況,對(duì)不同機(jī)組啟閉情況進(jìn)行數(shù)值模擬計(jì)算,得到各機(jī)組啟閉方案中大壩的變形特性。研究結(jié)果表明:在庫水位為1551m的運(yùn)行工況下,大壩的主要變形發(fā)生在泄洪閘閘墩和閘門上,5種泄流方案中,2、4號(hào)閘門開8.2m的泄流方案（三）閘墩及閘門變形量最小,在僅考慮流固耦合對(duì)變形影響時(shí)是最優(yōu)的泄流方案,不同機(jī)組啟閉方式對(duì)大壩的變形影響較小,不作為大壩變形的主要影響因素。
李世友,王奉偉,沈云中[6]（2018）在《大壩變形時(shí)間序列的奇異譜分析》文中研究表明為了研究大壩變形規(guī)律并分析其影響因子,利用奇異譜分析（SSA）提取大壩變形時(shí)間序列的趨勢(shì)和周期分量,并分析各分量與時(shí)效、溫度和水位因子的關(guān)聯(lián)性。通過分析某大壩實(shí)測(cè)數(shù)據(jù),發(fā)現(xiàn)大壩存在徐變和周期性彈性形變。其中,徐變即趨勢(shì)項(xiàng),主要與時(shí)效因子有關(guān);彈性形變對(duì)應(yīng)的周期項(xiàng)主要與溫度和水位的周期變化有關(guān),且溫度因子與彈性形變的相關(guān)性明顯大于水位因子。利用提取的趨勢(shì)和周期項(xiàng)對(duì)大壩變形時(shí)間序列進(jìn)行擬合并預(yù)測(cè),其擬合和預(yù)測(cè)誤差分別為0.52和0.24 mm;若采用傳統(tǒng)的多元線性回歸模型進(jìn)行擬合和預(yù)測(cè),其誤差則分別為0.81和0.57 mm。這表明奇異譜方法的擬合和預(yù)測(cè)精度均優(yōu)于多元回歸法,能夠更準(zhǔn)確地預(yù)測(cè)大壩變形。
邢尹[7]（2018）在《大壩水平位移神經(jīng)網(wǎng)絡(luò)模型研究》文中指出為保障大壩的安全運(yùn)行和確保下游人民生命財(cái)產(chǎn)的安全,在大壩的整個(gè)生命周期內(nèi)應(yīng)進(jìn)行安全監(jiān)測(cè),實(shí)踐證明,該工作發(fā)揮了極其重要的作用。作為大壩安全監(jiān)測(cè)研究領(lǐng)域中的重要方向之一,安全監(jiān)控預(yù)測(cè)模型的研究一直是該領(lǐng)域研究的一個(gè)熱點(diǎn)問題。預(yù)測(cè)模型通過大量的實(shí)測(cè)數(shù)據(jù)建立,可達(dá)到監(jiān)控和判斷大壩安全狀況的目的。然而,由于某些監(jiān)測(cè)量影響因素復(fù)雜,其影響機(jī)理難以用確定的函數(shù)關(guān)系表達(dá),或監(jiān)測(cè)數(shù)據(jù)系列短、信息缺失等,以致常用的預(yù)測(cè)模型精度低、可靠性差,難以滿足工程日常管理和研究的需求。因此,采用新的理論和方法研究高精度、高可靠性的預(yù)測(cè)模型,對(duì)完善監(jiān)測(cè)數(shù)據(jù)分析處理理論和提高大壩安全管理水平具有重要的理論和現(xiàn)實(shí)意義。本文采用神經(jīng)網(wǎng)絡(luò)理論,重點(diǎn)研究大壩水平位移與影響因素之間的非線性映射關(guān)系,進(jìn)而對(duì)大壩變形規(guī)律進(jìn)行分析和預(yù)測(cè),主要研究內(nèi)容和結(jié)論如下:（1）研究了基于遺傳算法的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。由于BP神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練速度較慢、易陷入局部最小值等缺陷,本文引入具有全局優(yōu)化能力的遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,構(gòu)建了一種基于遺傳神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測(cè)模型。該模型采用遺傳算法的選擇、交叉和變異操作,對(duì)神經(jīng)網(wǎng)絡(luò)初始的權(quán)值和閾值進(jìn)行優(yōu)化,利用優(yōu)化好的初始的權(quán)值和閾值對(duì)大壩多源監(jiān)測(cè)數(shù)據(jù)訓(xùn)練集進(jìn)行學(xué)習(xí),利用建立好的模型進(jìn)行分析預(yù)測(cè),其精度有一定的提高。（2）提出了一種改進(jìn)的自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)模型。該模型從遺傳算法的基本原理出發(fā),一方面對(duì)選擇算子進(jìn)行改進(jìn),摒棄了傳統(tǒng)的輪盤賭法和最優(yōu)個(gè)體保存策略,采用不同遺傳操作階段保存不同比例的最優(yōu)個(gè)體進(jìn)行直接遺傳到下一代的策略,增加了初始種群的多樣性,同時(shí)保存了最優(yōu)的個(gè)體;另一方面,摒棄了傳統(tǒng)的固定交叉、變異概率和自適應(yīng)的交叉、變異概率,采用一種具有種群進(jìn)化初期良好的自適應(yīng)交叉、概率,使得該算法能夠依據(jù)自身所處的環(huán)境自適應(yīng)地調(diào)整參數(shù)?；谝陨细倪M(jìn)策略,大大提升了基本遺傳算法的全局尋優(yōu)能力。（3）研究了基于粒子群算法神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。由于粒子群算法具備全局尋優(yōu)能力,對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始的權(quán)值和閾值進(jìn)行優(yōu)化,可有效克服BP算法的固有缺陷;探討了基于小波分析理論和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的小波神經(jīng)網(wǎng)絡(luò)模型。小波神經(jīng)網(wǎng)絡(luò)用小波元替代神經(jīng)元,通過仿射變換建立起小波變換和網(wǎng)絡(luò)系數(shù)之間的連接,可進(jìn)一步提高網(wǎng)絡(luò)的泛化能力和可靠性。（4）利用實(shí)測(cè)數(shù)據(jù)對(duì)所研究模型進(jìn)行了分析驗(yàn)證。分析結(jié)果表明,改進(jìn)的自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)模型相比于基本的BP神經(jīng)網(wǎng)絡(luò)、遺傳神經(jīng)網(wǎng)絡(luò)等模型,不僅提高了預(yù)測(cè)精度和收斂速度,而且具有更好的穩(wěn)定性,有很好的實(shí)際應(yīng)用價(jià)值。
梁國賀[8]（2017）在《時(shí)空全域代理模型及大壩參數(shù)反演應(yīng)用》文中指出大壩安全監(jiān)測(cè)數(shù)據(jù)的反饋分析是了解其真實(shí)工作性態(tài)的必要手段,針對(duì)該問題的研究對(duì)大壩安全具有重要意義,受到了持續(xù)而廣泛的關(guān)注。“數(shù)字大壩”的發(fā)展產(chǎn)生了多點(diǎn)、多效應(yīng)量的動(dòng)態(tài)測(cè)值序列,如何利用不斷增加的監(jiān)測(cè)數(shù)據(jù)及時(shí)、高效地反饋分析壩工結(jié)構(gòu)的真實(shí)工作性態(tài),值得重點(diǎn)研究。本文圍繞壩工結(jié)構(gòu)反饋分析的全過程,從基于物理模型的參數(shù)反演和基于統(tǒng)計(jì)模型的數(shù)據(jù)分析兩個(gè)方面展開研究,以提高壩工結(jié)構(gòu)參數(shù)反演的效率和促進(jìn)監(jiān)測(cè)數(shù)據(jù)的及時(shí)、有效利用為目的,搭建了大壩監(jiān)測(cè)數(shù)據(jù)的快速反饋分析平臺(tái)。論文獲得的主要研究成果包括以下幾個(gè)方面:（1）基于基向量的概念,建立了時(shí)空全域代理模型。利用雙層本征正交分解提取系統(tǒng)響應(yīng)場(chǎng)在時(shí)間、空間維度的代表性基向量,將響應(yīng)場(chǎng)表示為基向量展開基態(tài)的線性組合,通過理論推導(dǎo)獲得樣本響應(yīng)場(chǎng)在基態(tài)上的組合系數(shù)計(jì)算公式,然后采用徑向基函數(shù)插值模型建立任意參數(shù)與其對(duì)應(yīng)的基態(tài)組合系數(shù)之間的非線性映射關(guān)系。該方法可針對(duì)任意時(shí)空自由度的響應(yīng)場(chǎng)進(jìn)行代理建模,與數(shù)值模型保持相同的輸出量個(gè)數(shù)且可實(shí)時(shí)輸出。（2）開發(fā)了基于時(shí)空全域代理模型的參數(shù)快速反演算法。在低參數(shù)維度條件下,通過合適密度的空間采樣建立較高精度的全域代理模型以模擬有限元計(jì)算,建立與實(shí)測(cè)響應(yīng)的誤差目標(biāo)函數(shù)后,結(jié)合粒子群優(yōu)化算法進(jìn)行快速反演;為進(jìn)一步提高參數(shù)識(shí)別精度,并改善多參數(shù)同時(shí)反演時(shí)建立代理模型消耗過大的不足,提出迭代更新代理模型的優(yōu)化反演策略,以實(shí)現(xiàn)多參數(shù)的精確反演。該反演算法對(duì)系統(tǒng)測(cè)點(diǎn)變化、動(dòng)態(tài)測(cè)量序列以及多效應(yīng)測(cè)值等工程實(shí)際問題的適應(yīng)性更強(qiáng),能夠針對(duì)連續(xù)測(cè)值實(shí)現(xiàn)實(shí)時(shí)地跟蹤反演。（3）提出了基于向量誤差修正模型的大壩響應(yīng)預(yù)測(cè)方法。從多元回歸模型和時(shí)間序列模型出發(fā),引入誤差修正模型兼顧二者優(yōu)點(diǎn),為進(jìn)一步考慮多點(diǎn)測(cè)值間的互相關(guān)特性,提出了基于向量誤差修正模型的響應(yīng)預(yù)測(cè)方法。該方法針對(duì)多測(cè)點(diǎn)測(cè)值同時(shí)建模,考慮了大壩整體工作下多點(diǎn)測(cè)值間的互相關(guān)關(guān)系,能在大壩蓄水初期建立,可在線分析大壩工作性態(tài)并分離各主要影響因素,為仿真模型的參數(shù)反演過程提供參考。
李瑞[9]（2016）在《桐子壕水電站大壩變形觀測(cè)研究與實(shí)踐》文中研究表明隨著我國水電能源的大力發(fā)展,更多的大壩、高壩被修建。大壩所處環(huán)境復(fù)雜,在其運(yùn)行過程中可能受到多方面未知因素的不利影響而發(fā)生安全事故,因此,對(duì)大壩進(jìn)行變形監(jiān)測(cè)很有必要性,利用原型監(jiān)測(cè)資料分析大壩變形的規(guī)律,科學(xué)分析大壩各效應(yīng)量及其影響量之間的關(guān)系,及時(shí)掌握其運(yùn)行狀態(tài)及演變趨勢(shì),及時(shí)發(fā)現(xiàn)危及安全的異常因素,在社會(huì)、經(jīng)濟(jì)效益乃至科學(xué)研究上面都具有重要的意義。目前,大壩監(jiān)測(cè)數(shù)據(jù)采集方法已較成熟,但監(jiān)測(cè)數(shù)據(jù)建模分析仍處于半理論、半經(jīng)驗(yàn)階段,各類分析模型均有所發(fā)展。本文在對(duì)變形監(jiān)測(cè)技術(shù)及變形監(jiān)測(cè)數(shù)據(jù)分析模型系統(tǒng)研究的基礎(chǔ)上,以桐子壕航電樞紐工程為例,詳細(xì)論述了大壩變形監(jiān)測(cè)方案、監(jiān)測(cè)數(shù)據(jù)的處理與分析,并對(duì)幾種典型統(tǒng)計(jì)分析模型進(jìn)行比較分析研究。論文主要包括以下幾個(gè)部分：（1）調(diào)研國內(nèi)外關(guān)于大壩變形監(jiān)測(cè)的文獻(xiàn)、資料,系統(tǒng)梳理和總結(jié)大壩變形監(jiān)測(cè)方法及變形監(jiān)測(cè)數(shù)據(jù)分析方法,并比較分析了各類方法的優(yōu)劣及發(fā)展趨勢(shì)。（2）深入研究各類典型大壩變形監(jiān)測(cè)統(tǒng)計(jì)分析模型原理、方法,包括多元線性回歸分析模型、逐步回歸分析模型、偏最小二乘回歸分析模型、時(shí)間序列分析模型、灰色系統(tǒng)分析模型Kalman濾波模型及人工神經(jīng)網(wǎng)絡(luò)模型等。（3）以桐子壕航電工程為例,確定大壩外部變形監(jiān)測(cè)方案及實(shí)施方法,并分析了方案的可靠性等；簡(jiǎn)單分析桐子壕航電工程大壩水平位移基準(zhǔn)網(wǎng)和垂直位移基準(zhǔn)網(wǎng)的三期監(jiān)測(cè)數(shù)據(jù)成果,通過比較各點(diǎn)的相對(duì)年變化量和差異情況,來判斷基準(zhǔn)點(diǎn)的穩(wěn)定性。同時(shí),對(duì)變形監(jiān)測(cè)成果進(jìn)行初步整理,利用大量的監(jiān)測(cè)數(shù)據(jù),繪制大壩變形的時(shí)間位移過程線圖,并對(duì)大壩變形體態(tài)進(jìn)行了相應(yīng)的分析。（4）應(yīng)用統(tǒng)計(jì)模型進(jìn)行桐子壕航電工程大壩變形預(yù)測(cè)分析；建立多元線性回歸分析模型、逐步回歸分析模型、偏最小二乘回歸分析模型,分析大壩水位、氣溫及時(shí)效與監(jiān)測(cè)點(diǎn)變形的相關(guān)性,獲得了大壩壩體變形主要與溫度相關(guān)的結(jié)論。（5）變形監(jiān)測(cè)數(shù)據(jù)統(tǒng)計(jì)模型分析方法的比較和討論。比較多元線性回歸分析模型、逐步回歸分析模型、偏最小二乘回歸分析模型三類統(tǒng)計(jì)模型的適應(yīng)性及準(zhǔn)確度。通過對(duì)大壩變形監(jiān)測(cè)數(shù)據(jù)典型統(tǒng)計(jì)分析方法比較研究,對(duì)大壩變形規(guī)律的深入分析,為更好地選擇變形監(jiān)測(cè)方法及揭示大壩變形規(guī)律提供參考。
向華琦[10]（2012）在《基于時(shí)間序列分析法的大壩變形監(jiān)測(cè)數(shù)據(jù)分析研究》文中研究說明大壩安全監(jiān)測(cè)對(duì)于保障大壩安全運(yùn)行和確保人民生命財(cái)產(chǎn)安全發(fā)揮著極其關(guān)鍵的作用。作為大壩安全監(jiān)測(cè)領(lǐng)域中的重要方面，大壩變形監(jiān)測(cè)通過對(duì)大壩變形觀測(cè)資料的分析，建立數(shù)學(xué)監(jiān)控模型以監(jiān)控和評(píng)判大壩的安全狀況。常有的監(jiān)控模型有統(tǒng)計(jì)模型、確定性模型等，他們?cè)诮r(shí)都需要原因量；然而有時(shí)某些變形量難以運(yùn)用確定的函數(shù)關(guān)系去建模，或原因量數(shù)據(jù)系列經(jīng)常有信息缺失現(xiàn)象。時(shí)間序列分析具有分析并預(yù)測(cè)復(fù)雜系統(tǒng)發(fā)展趨勢(shì)的能力，其核心思想是在考慮各種因素的綜合作用下用自身的歷史信息去預(yù)測(cè)未來信息。正是在這樣的背景下，本文采用時(shí)間序列分析法對(duì)大壩等水工建筑物變形監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析研究，主要研究內(nèi)容及成果如下：（1）論述并總結(jié)了建立大壩變形統(tǒng)計(jì)學(xué)模型的步驟，并提出了采用因子與模型組合選優(yōu)來建立最佳統(tǒng)計(jì)模型的思想。以廣西長洲水利樞紐為工程實(shí)例，通過對(duì)幾組因子與兩種統(tǒng)計(jì)模型組合選優(yōu)建立了該工程船閘部位沉降量與變形因子間的定量關(guān)系。（2）運(yùn)用時(shí)間序列分析法對(duì)該工程船閘控制樓沉陷測(cè)點(diǎn)建立ARIMA模型，獲得了較好的建模效果，預(yù)測(cè)精度也較高，預(yù)報(bào)結(jié)果表明目前該部位沉降量已基本趨于穩(wěn)定，無明顯發(fā)展趨勢(shì)。建模過程中發(fā)現(xiàn)在該部位測(cè)點(diǎn)趨勢(shì)性明顯的情況下，測(cè)值序列的季節(jié)性容易被趨勢(shì)性覆蓋，ARIMA模型不易識(shí)別其季節(jié)性。（3）對(duì)時(shí)間序列分離趨勢(shì)量和周期量，再對(duì)殘差進(jìn)行時(shí)序分析，建立了季節(jié)周期-ARMA指數(shù)疊合模型，并將該模型運(yùn)用于船閘控制樓測(cè)點(diǎn)ZLD-02中，其效果與ARIMA模型差別不大。（4）運(yùn)用季節(jié)周期-ARMA疊合模型對(duì)實(shí)例工程中泄水閘壩段和船閘部位典型測(cè)點(diǎn)建模并進(jìn)行預(yù)報(bào)，結(jié)果表明這些部位沉陷測(cè)點(diǎn)具有明顯的季節(jié)性沉降變形特征，周期間隔為12個(gè)月，個(gè)別測(cè)點(diǎn)帶有小周期性，基本無明顯趨勢(shì)分量，說明這些部位沉降可解釋為周期性溫度變化所引起。（5）本文還以外江船閘WLD-08測(cè)點(diǎn)沉陷數(shù)據(jù)為例建立了變形顯著性因子的多維CAR時(shí)序模型，發(fā)現(xiàn)其建模效果和精度與季節(jié)周期-ARMA疊合模型相比差距不大，說明該方法在預(yù)報(bào)大壩變形方面也具有一定的應(yīng)用前景。（6）將時(shí)序模型（季節(jié)周期-ARMA疊合模型、多維CAR模型）與統(tǒng)計(jì)模型（多元回歸、逐步回歸）對(duì)比，發(fā)現(xiàn)時(shí)序模型建模效果明顯優(yōu)于傳統(tǒng)統(tǒng)計(jì)模型，且季節(jié)周期-ARMA疊合模型效果稍優(yōu)于多維CAR模型，但是疊合模型不能對(duì)變形原因給出定量解釋，而后者能得到變形顯著因子間的定量表達(dá)式，二者各有優(yōu)劣。時(shí)間序列模型在大壩變形分析和預(yù)測(cè)方面具有很好的效果，能以較高的預(yù)測(cè)精度對(duì)變形數(shù)據(jù)進(jìn)行預(yù)測(cè)和分析，特別對(duì)于短期預(yù)測(cè)，效果更佳。同時(shí)，時(shí)序模型具有動(dòng)態(tài)外延特性，只要及時(shí)更新時(shí)序數(shù)據(jù)，就能保持較高的短期預(yù)測(cè)精度。總之，應(yīng)用時(shí)間序列分析方法可以較準(zhǔn)確地反映大壩變形的分布規(guī)律，能夠以較高的精度進(jìn)行預(yù)報(bào)，可以為大壩等大型水工建筑物的變形提早做出預(yù)警，從而實(shí)現(xiàn)對(duì)工程的安全監(jiān)控，保障建筑物的安全運(yùn)行。
二、時(shí)間水位因子模型在大壩變形分析中的應(yīng)用（論文開題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁面大小,采用多級(jí)分層頁表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過主支變革、控制研究對(duì)象來發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過調(diào)查文獻(xiàn)來獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過創(chuàng)設(shè)一個(gè)與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、時(shí)間水位因子模型在大壩變形分析中的應(yīng)用（論文提綱范文）
（2）基于多因素神經(jīng)網(wǎng)絡(luò)模型的大壩變形預(yù)測(cè)研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 選題背景 |
| 1.2 大壩變形預(yù)測(cè)的研究目的和意義 |
| 1.3 大壩變形預(yù)測(cè)的國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 大壩變形預(yù)測(cè)的研究動(dòng)態(tài) |
| 1.3.2 現(xiàn)有預(yù)測(cè)方法存在的問題 |
| 1.4 主要研究內(nèi)容及技術(shù)路線 |
| 1.4.1 主要研究內(nèi)容 |
| 1.4.2 技術(shù)路線 |
| 第二章 經(jīng)驗(yàn)?zāi)B(tài)分解和去噪 |
| 2.1 經(jīng)驗(yàn)?zāi)B(tài)分解理論 |
| 2.1.1 瞬時(shí)頻率 |
| 2.1.2 本征模函數(shù) |
| 2.1.3 經(jīng)驗(yàn)?zāi)B(tài)分解 |
| 2.2 經(jīng)驗(yàn)?zāi)B(tài)分解的主要特性 |
| 2.2.1 EMD的自適應(yīng)性 |
| 2.2.2 EMD的近似正交性 |
| 2.2.3 EMD的完備性 |
| 2.3 經(jīng)驗(yàn)?zāi)B(tài)分解存在的問題與研究 |
| 2.3.1 端點(diǎn)效應(yīng) |
| 2.3.2 模態(tài)混疊 |
| 2.4 基于補(bǔ)充集合經(jīng)驗(yàn)?zāi)B(tài)分解的去噪 |
| 2.4.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解 |
| 2.4.2 補(bǔ)充集合經(jīng)驗(yàn)?zāi)B(tài)分解 |
| 2.4.3 CEEMD低通濾波去噪 |
| 2.5 本章小結(jié) |
| 第三章 人工神經(jīng)網(wǎng)絡(luò)和智能算法 |
| 3.1 人工神經(jīng)網(wǎng)絡(luò) |
| 3.1.1 人工神經(jīng)網(wǎng)絡(luò)的概述 |
| 3.1.2 人工神經(jīng)網(wǎng)絡(luò)的基本原理 |
| 3.1.3 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式和算法 |
| 3.2 極限學(xué)習(xí)機(jī) |
| 3.2.1 極限學(xué)習(xí)機(jī)的概述 |
| 3.2.2 極限學(xué)習(xí)機(jī)的原理 |
| 3.3 遺傳算法 |
| 3.3.1 遺傳算法的概述 |
| 3.3.2 遺傳算法的工作流程 |
| 3.4 粒子群優(yōu)化算法 |
| 3.4.1 粒子群優(yōu)化算法的概述 |
| 3.4.2 粒子群優(yōu)化算法的數(shù)學(xué)原理與流程 |
| 3.5 本章小結(jié) |
| 第四章 基于多因素神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測(cè)模型的建立 |
| 4.1 大壩變形的影響因子 |
| 4.1.1 影響因子的選擇 |
| 4.1.2 影響因子的相關(guān)性分析 |
| 4.2 GA-ELM融合預(yù)測(cè)模型的設(shè)計(jì) |
| 4.3 PSO-ELM融合預(yù)測(cè)模型的設(shè)計(jì) |
| 4.4 本章小結(jié) |
| 第五章 大壩變形預(yù)測(cè)模型的的實(shí)例應(yīng)用與精度評(píng)定 |
| 5.1 工程概況 |
| 5.2 大壩變形監(jiān)測(cè)數(shù)據(jù)的預(yù)處理 |
| 5.3 基于多因素神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測(cè)研究 |
| 5.3.1 基于多因素GA-ELM的大壩變形預(yù)測(cè)研究 |
| 5.3.2 基于多因素CEEMD-PSO-ELM的大壩變形預(yù)測(cè)研究 |
| 5.4 ARIMA誤差修正模型 |
| 5.5 模型的精度評(píng)定與分析 |
| 5.5.1 評(píng)價(jià)指標(biāo) |
| 5.5.2 評(píng)價(jià)結(jié)果 |
| 5.6 本章小結(jié) |
| 第六章 結(jié)論與展望 |
| 6.1 主要研究成果 |
| 6.2 論文的主要?jiǎng)?chuàng)新點(diǎn) |
| 6.3 后續(xù)研究工作 |
| 參考文獻(xiàn) |
| 致謝 |
| 附錄 |
（3）基于改進(jìn)布谷鳥優(yōu)化MKELM和Bootstrap方法的大壩變形預(yù)測(cè)研究（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 大壩變形預(yù)測(cè)研究現(xiàn)狀 |
| 1.2.2 點(diǎn)預(yù)測(cè)研究現(xiàn)狀 |
| 1.2.3 區(qū)間預(yù)測(cè)研究現(xiàn)狀 |
| 1.3 研究思路與主要內(nèi)容 |
| 1.3.1 研究思路 |
| 1.3.2 主要內(nèi)容 |
| 第2章 基于ICS-MKELM和Bootstrap方法的大壩變形預(yù)測(cè)模型 |
| 2.1 研究框架 |
| 2.2 數(shù)學(xué)模型 |
| 2.2.1 模型概述 |
| 2.2.2 模型輸入樣本選擇 |
| 2.2.3 點(diǎn)預(yù)測(cè)與區(qū)間預(yù)測(cè)的關(guān)系 |
| 2.2.4 模型評(píng)價(jià)指標(biāo) |
| 2.3 本章小結(jié) |
| 第3章 基于改進(jìn)布谷鳥優(yōu)化多核極限學(xué)習(xí)機(jī)的大壩變形點(diǎn)預(yù)測(cè) |
| 3.1 多核極限學(xué)習(xí)機(jī) |
| 3.1.1 極限學(xué)習(xí)機(jī) |
| 3.1.2 核極限學(xué)習(xí)機(jī) |
| 3.1.3 混合核函數(shù)構(gòu)造 |
| 3.2 布谷鳥搜索算法及其改進(jìn) |
| 3.2.1 布谷鳥搜索算法原理 |
| 3.2.2 動(dòng)態(tài)慣性權(quán)重策略 |
| 3.2.3 混沌局部搜索策略 |
| 3.2.4 改進(jìn)布谷鳥搜索算法 |
| 3.3 基于改進(jìn)布谷鳥優(yōu)化多核極限學(xué)習(xí)機(jī)的大壩變形點(diǎn)預(yù)測(cè)步驟 |
| 3.4 本章小結(jié) |
| 第4章 基于Bootstrap法的大壩變形區(qū)間預(yù)測(cè) |
| 4.1 變形預(yù)測(cè)中的不確定性分析 |
| 4.1.1 變形預(yù)測(cè)中不確定性的來源分析 |
| 4.1.2 不確定性的表達(dá)形式分析 |
| 4.2 區(qū)間預(yù)測(cè)方法的數(shù)學(xué)描述 |
| 4.3 基于Bootstrap法的區(qū)間預(yù)測(cè)模型 |
| 4.3.1 Bootstrap法的基本原理 |
| 4.3.2 基于Bootstrap的區(qū)間預(yù)測(cè)方法 |
| 4.3.3 大壩變形區(qū)間預(yù)測(cè)模型建模步驟 |
| 4.4 本章小結(jié) |
| 第5章 工程應(yīng)用 |
| 5.1 工程概況 |
| 5.2 數(shù)據(jù)預(yù)處理 |
| 5.2.1 數(shù)據(jù)均勻化處理 |
| 5.2.2 數(shù)據(jù)歸一化處理 |
| 5.3 監(jiān)測(cè)資料分析 |
| 5.4 基于改進(jìn)布谷鳥搜索算法的參數(shù)選取 |
| 5.5 基于改進(jìn)布谷鳥優(yōu)化MKELM和 Bootstrap的大壩變形預(yù)測(cè) |
| 5.5.1 預(yù)測(cè)結(jié)果分析 |
| 5.5.2 模型的點(diǎn)預(yù)測(cè)和區(qū)間預(yù)測(cè)精度對(duì)比分析與討論 |
| 5.6 本章小結(jié) |
| 第6章 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 發(fā)表論文和參加科研情況說明 |
| 致謝 |
（4）基于一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)的混凝土壩壩基揚(yáng)壓力監(jiān)控模型研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景與意義 |
| 1.2 研究進(jìn)展 |
| 1.3 本文研究內(nèi)容 |
| 2 常規(guī)壩基揚(yáng)壓力監(jiān)控模型 |
| 2.1 逐步回歸分析壩基揚(yáng)壓力監(jiān)控模型 |
| 2.2 BP神經(jīng)網(wǎng)絡(luò)壩基揚(yáng)壓力監(jiān)控模型 |
| 2.3 本章小結(jié) |
| 3 一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)壩基揚(yáng)壓力監(jiān)控模型 |
| 3.1 引言 |
| 3.2 建模思路 |
| 3.3 建模步驟 |
| 3.4 模型的輸入因子 |
| 3.5 模型的優(yōu)點(diǎn) |
| 3.6 本章小結(jié) |
| 4 實(shí)例應(yīng)用 |
| 4.1 丹江口水利樞紐介紹 |
| 4.2 模型的建立 |
| 4.3 模型的比較 |
| 4.4 一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)模型分析 |
| 4.5 本章小結(jié) |
| 5 總結(jié)與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 附錄1 攻讀碩士學(xué)位期間的主要科研成果 |
（5）基于流固耦合的燈泡貫流式水電站大壩安全性分析（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 選題的背景和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì) |
| 1.2.1 國外研究現(xiàn)狀及發(fā)展趨勢(shì) |
| 1.2.2 國內(nèi)研究現(xiàn)狀及發(fā)展趨勢(shì) |
| 1.3 本文主要研究內(nèi)容 |
| 1.4 小結(jié) |
| 2 數(shù)值計(jì)算的基本理論 |
| 2.1 有限元分析基本理論 |
| 2.1.1 計(jì)算理論模型 |
| 2.1.2 位移模式 |
| 2.1.3 彈性力學(xué)基本方程 |
| 2.1.4 最小位能原理 |
| 2.1.5 二維有限元法 |
| 2.1.6 三維有限元法 |
| 2.2 計(jì)算流體動(dòng)力學(xué)基本理論 |
| 2.2.1 流體動(dòng)力學(xué)介紹 |
| 2.2.2 質(zhì)量守恒方程 |
| 2.2.3 動(dòng)量守恒方程 |
| 2.2.4 能量守恒方程 |
| 2.3 計(jì)算流體動(dòng)力學(xué)湍流模型 |
| (1)標(biāo)準(zhǔn)k-ε湍流模型 |
| (2)RNG k-ε湍流模型 |
| (3)標(biāo)準(zhǔn)k-ω湍流模型 |
| (4)SST k-ω湍流模型 |
| 2.4 流固耦合的基本理論 |
| 2.4.1 流固耦合控制方程 |
| 2.4.2 單向流固耦合實(shí)現(xiàn)方法 |
| 2.5 小結(jié) |
| 3 研究對(duì)象工程概況及模型建立 |
| 3.1 工程概況 |
| 3.2 大壩主要結(jié)構(gòu)模型 |
| 3.3 網(wǎng)格劃分 |
| 3.4 數(shù)值計(jì)算參數(shù)設(shè)置 |
| 3.5 網(wǎng)格無關(guān)性驗(yàn)證 |
| 3.6 小結(jié) |
| 4 有限元仿真及模型正確性驗(yàn)證 |
| 4.1 模型試驗(yàn)要求 |
| 4.2 模型設(shè)計(jì)和制作 |
| 4.3 試驗(yàn)與計(jì)算結(jié)果對(duì)比分析 |
| 4.4 |
| 4.4.1 校核洪水工況試驗(yàn)與計(jì)算結(jié)果對(duì)比分析 |
| 4.4.2 設(shè)計(jì)洪水工況試驗(yàn)與計(jì)算結(jié)果對(duì)比分析 |
| 4.5 小結(jié) |
| 5 不同運(yùn)行工況大壩變形分析 |
| 5.1 不同泄流方案大壩變形分析 |
| 5.1.1 泄流方案(一)大壩變形分析 |
| 5.1.2 泄流方案(二)大壩變形分析 |
| 5.1.3 泄流方案(三)大壩變形分析 |
| 5.1.4 泄流方案(四)大壩變形分析 |
| 5.1.5 泄流方案(五)大壩變形分析 |
| 5.2 不同機(jī)組啟閉方式對(duì)大壩變形影響 |
| 5.3 小結(jié) |
| 6 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間發(fā)表論文及科研成果 |
| 致謝 |
（6）大壩變形時(shí)間序列的奇異譜分析（論文提綱范文）
| 1 奇異譜分析法 |
| 2 大壩變形的奇異譜分析 |
| 3 大壩變形預(yù)測(cè) |
| 4 結(jié)語 |
（7）大壩水平位移神經(jīng)網(wǎng)絡(luò)模型研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 大壩形變監(jiān)測(cè)研究進(jìn)展 |
| 1.2.1 監(jiān)測(cè)技術(shù)研究進(jìn)展 |
| 1.2.2 監(jiān)測(cè)數(shù)據(jù)處理研究進(jìn)展 |
| 1.2.3 預(yù)測(cè)模型研究進(jìn)展 |
| 1.2.4 安全評(píng)價(jià)理論研究進(jìn)展 |
| 1.3 存在的主要問題 |
| 1.4 本文主要研究內(nèi)容及技術(shù)路線 |
| 第二章 基于不同神經(jīng)網(wǎng)絡(luò)的大壩水平位移預(yù)測(cè)模型 |
| 2.1 基于BP神經(jīng)網(wǎng)絡(luò)的大壩水平位移預(yù)測(cè)模型 |
| 2.1.1 BP神經(jīng)網(wǎng)絡(luò)的基本原理 |
| 2.1.2 BP神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用與分析 |
| 2.2 基于粒子群神經(jīng)網(wǎng)絡(luò)的大壩水平位移預(yù)測(cè)模型 |
| 2.2.1 粒子群神經(jīng)網(wǎng)絡(luò)的基本原理 |
| 2.2.2 粒子群神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用與分析 |
| 2.3 基于小波神經(jīng)網(wǎng)絡(luò)的大壩水平位移預(yù)測(cè)模型 |
| 2.3.1 小波神經(jīng)網(wǎng)絡(luò)的基本理論 |
| 2.3.2 小波神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用與分析 |
| 2.4 本章小結(jié) |
| 第三章 基于遺傳神經(jīng)網(wǎng)絡(luò)的大壩水平位移預(yù)測(cè)模型 |
| 3.1 遺傳神經(jīng)網(wǎng)絡(luò)的基本原理 |
| 3.2 遺傳神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用與分析 |
| 3.3 基本遺傳神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)與不足 |
| 3.4 本章小結(jié) |
| 第四章 基于改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)的大壩水平位移預(yù)測(cè)模型 |
| 4.1 自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò) |
| 4.1.1 自適應(yīng)遺傳算法 |
| 4.1.2 自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)算法的建立步驟 |
| 4.1.3 自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用與分析 |
| 4.2 改進(jìn)的自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò) |
| 4.2.1 改進(jìn)的自適應(yīng)遺傳算法 |
| 4.2.2 改進(jìn)的自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)的實(shí)施步驟 |
| 4.3 改進(jìn)的自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)模型在大壩水平位移預(yù)測(cè)中的應(yīng)用 |
| 4.3.1 改進(jìn)的自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用與分析 |
| 4.3.2 不同遺傳神經(jīng)網(wǎng)絡(luò)模型綜合比較與分析 |
| 4.3.3 不同神經(jīng)網(wǎng)絡(luò)模型綜合比較與分析 |
| 4.4 本章小結(jié) |
| 第五章 總結(jié)和展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 參考文獻(xiàn) |
| 個(gè)人簡(jiǎn)介、攻讀碩士期間參與的科研項(xiàng)目及發(fā)表的學(xué)術(shù)論文 |
| 致謝 |
（8）時(shí)空全域代理模型及大壩參數(shù)反演應(yīng)用（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題背景及意義 |
| 1.1.1 我國水電事業(yè)的發(fā)展 |
| 1.1.2 大壩安全監(jiān)測(cè)與反饋分析 |
| 1.1.3 研究意義 |
| 1.2 壩工結(jié)構(gòu)參數(shù)反演問題的研究現(xiàn)狀 |
| 1.2.1 逆解法 |
| 1.2.2 直接法 |
| 1.2.3 近似法 |
| 1.3 大壩監(jiān)測(cè)數(shù)據(jù)統(tǒng)計(jì)分析模型的研究現(xiàn)狀 |
| 1.3.1 模型建立方法 |
| 1.3.2 統(tǒng)計(jì)模型建立的關(guān)鍵問題 |
| 1.4 論文的主要工作及創(chuàng)新點(diǎn) |
| 1.4.1 主要工作 |
| 1.4.2 主要?jiǎng)?chuàng)新點(diǎn) |
| 第2章 基于基向量的時(shí)空全域代理模型 |
| 2.1 引言 |
| 2.2 代理建模技術(shù) |
| 2.2.1 代理建模的一般流程 |
| 2.2.2 參數(shù)空間的采樣方法 |
| 2.2.3 映射關(guān)系的構(gòu)造方法 |
| 2.3 本征正交分解-徑向基函數(shù)代理模型 |
| 2.3.1 本征正交分解 |
| 2.3.2 徑向基函數(shù)模型 |
| 2.3.3 形成代理模型 |
| 2.3.4 模型應(yīng)用及存在的不足 |
| 2.4 瞬態(tài)問題的時(shí)空全域代理模型 |
| 2.4.1 時(shí)間和空間基向量的提取 |
| 2.4.2 時(shí)空全域代理模型的建立 |
| 2.5 算例驗(yàn)證 |
| 2.5.1 算例設(shè)計(jì) |
| 2.5.2 模型預(yù)測(cè)效果 |
| 2.5.3 模型建立與輸出效率 |
| 2.6 本章小結(jié) |
| 第3章 基于時(shí)空全域代理模型的參數(shù)反演算法 |
| 3.1 引言 |
| 3.2 直接利用代理模型的在線反演 |
| 3.3 多參數(shù)反演的更新代理模型策略 |
| 3.3.1 高維空間采樣的維數(shù)災(zāi)難問題 |
| 3.3.2 基于迭代更新代理模型的優(yōu)化反演策略 |
| 3.3.3 初始樣本數(shù)量及收斂條件的設(shè)置 |
| 3.4 優(yōu)化算法的選擇 |
| 3.4.1 PSO算法原理 |
| 3.4.2 PSO的基本流程 |
| 3.5 算例驗(yàn)證 |
| 3.5.1 對(duì)流傳導(dǎo)問題的雙參數(shù)算例 |
| 3.5.2 平面?zhèn)鳠釂栴}的多參數(shù)反演算例 |
| 3.6 本章小結(jié) |
| 第4章 基于向量誤差修正模型的大壩響應(yīng)預(yù)測(cè)方法 |
| 4.1 引言 |
| 4.2 觀測(cè)數(shù)據(jù)的平穩(wěn)性檢驗(yàn) |
| 4.2.1 時(shí)間序列平穩(wěn)性檢驗(yàn) |
| 4.2.2 多測(cè)點(diǎn)測(cè)值的相關(guān)穩(wěn)定性檢驗(yàn) |
| 4.3 非平穩(wěn)序列的誤差修正模型 |
| 4.3.1 協(xié)整分析 |
| 4.3.2 誤差修正模型 |
| 4.4 向量誤差修正模型 |
| 4.4.1 模型建立 |
| 4.4.2 模型預(yù)測(cè) |
| 4.5 案例研究 |
| 4.5.1 數(shù)據(jù)前處理 |
| 4.5.2 多測(cè)點(diǎn)測(cè)值相關(guān)穩(wěn)定性檢驗(yàn) |
| 4.5.3 多元回歸與協(xié)整檢驗(yàn) |
| 4.5.4 向量誤差修正模型 |
| 4.5.5 模型預(yù)測(cè)效果 |
| 4.6 本章小結(jié) |
| 第5章 工程應(yīng)用實(shí)例 |
| 5.1 引言 |
| 5.2 大壩監(jiān)測(cè)數(shù)據(jù)反饋分析平臺(tái)的搭建 |
| 5.3 溪洛渡工程 |
| 5.3.1 工程概況 |
| 5.3.2 監(jiān)測(cè)系統(tǒng)布置及數(shù)字大壩建設(shè) |
| 5.4 基于統(tǒng)計(jì)模型的拱壩變形分析與初步評(píng)價(jià) |
| 5.4.1 拱壩工作性態(tài)與模型預(yù)測(cè)對(duì)比 |
| 5.4.2 效應(yīng)量分離結(jié)果 |
| 5.4.3 工作性態(tài)初步評(píng)價(jià) |
| 5.5 拱壩材料參數(shù)及邊界約束的反演 |
| 5.5.1 仿真模型設(shè)置 |
| 5.5.2 壩體混凝土導(dǎo)熱系數(shù)反演 |
| 5.5.3 材料力學(xué)參數(shù)及邊界約束的反演 |
| 5.6 全過程仿真及工作性態(tài)評(píng)價(jià) |
| 5.6.1 壩體變形 |
| 5.6.2 壩體應(yīng)力 |
| 5.7 本章小結(jié) |
| 第6章 結(jié)論與展望 |
| 6.1 主要成果與結(jié)論 |
| 6.2 研究展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果 |
（9）桐子壕水電站大壩變形觀測(cè)研究與實(shí)踐（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 大壩外部變形監(jiān)測(cè)方法現(xiàn)狀 |
| 1.2.2 變形監(jiān)測(cè)數(shù)據(jù)分析方法研究現(xiàn)狀 |
| 1.3 研究內(nèi)容 |
| 1.3.1 主要研究內(nèi)容 |
| 1.3.2 論文結(jié)構(gòu) |
| 第2章 大壩變形監(jiān)測(cè)統(tǒng)計(jì)分析模型基礎(chǔ) |
| 2.1 多元線性回歸分析模型 |
| 2.1.1 基本原理 |
| 2.1.2 回歸方程顯著性檢驗(yàn) |
| 2.1.3 回歸系數(shù)顯著性檢驗(yàn) |
| 2.2 逐步回歸分析模型 |
| 2.3 偏最小二乘回歸分析 |
| 2.3.1 模型概述 |
| 2.3.2 基本原理 |
| 2.3.3 交叉有效性檢驗(yàn) |
| 2.4 大壩變形監(jiān)測(cè)統(tǒng)計(jì)模型分量 |
| 2.4.1 水壓分量 |
| 2.4.2 溫度分量 |
| 2.4.3 時(shí)效分量 |
| 2.5 本章小結(jié) |
| 第3章 桐子壕航電工程大壩變形監(jiān)測(cè)方案與實(shí)施 |
| 3.1 大壩安全監(jiān)測(cè)概況 |
| 3.1.1 桐子壕航電工程概況 |
| 3.1.2 大壩安全監(jiān)測(cè)工程概況 |
| 3.2 大壩變形監(jiān)測(cè)基準(zhǔn)網(wǎng)設(shè)計(jì)與實(shí)施 |
| 3.2.1 水平位移監(jiān)測(cè)基準(zhǔn)網(wǎng)設(shè)計(jì)與實(shí)施 |
| 3.2.2 垂直位移監(jiān)測(cè)基準(zhǔn)網(wǎng)設(shè)計(jì)與實(shí)施 |
| 3.3 大壩外部變形監(jiān)測(cè)方案與實(shí)施 |
| 3.3.1 大壩外部變形水平位移監(jiān)測(cè) |
| 3.3.2 大壩外部變形垂直位移監(jiān)測(cè) |
| 3.4 變形監(jiān)測(cè)成果的整理 |
| 3.4.1 大壩變形監(jiān)測(cè)基準(zhǔn)網(wǎng)穩(wěn)定性分析 |
| 3.5 本章小結(jié) |
| 第4章 變形監(jiān)測(cè)數(shù)據(jù)統(tǒng)計(jì)回歸分析 |
| 4.1 模型因子選擇 |
| 4.2 多元線性回歸模型 |
| 4.2.1 多元線性回歸模型的建立 |
| 4.2.2 多元線性回歸模型預(yù)測(cè)分析 |
| 4.3 逐步回歸模型 |
| 4.3.1 逐步回歸模型的建立 |
| 4.3.2 逐步回歸模型預(yù)測(cè)分析 |
| 4.4 偏最小二乘回歸模型 |
| 4.4.1 偏最小二乘回歸模型的建立 |
| 4.4.2 偏最小二乘回歸模型預(yù)測(cè)分析 |
| 4.5 三類統(tǒng)計(jì)模型比較分析 |
| 4.5.1 回歸系數(shù)比較 |
| 4.5.2 模型因子分離效果比較 |
| 4.5.3 模型預(yù)測(cè)分析準(zhǔn)確性比較 |
| 4.6 本章小結(jié) |
| 第5章 工程中遇到的問題及解決方案 |
| 5.1 工作基點(diǎn)穩(wěn)定性問題及對(duì)策 |
| 5.2 大壩壩體折光影響及解決辦法 |
| 5.3 監(jiān)測(cè)數(shù)據(jù)檢查 |
| 5.3.1 外業(yè)觀測(cè)數(shù)據(jù)檢查 |
| 5.3.2 測(cè)點(diǎn)位移量成果檢查 |
| 5.4 監(jiān)測(cè)數(shù)據(jù)程序化處理及預(yù)報(bào) |
| 第6章 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 附錄 |
| 附錄1 大壩壩頂水平位移多元線性回歸擬合值 |
| 附錄2 大壩垂直位移多元線性回歸擬合值 |
| 附錄3 大壩壩頂水平位移逐步回歸擬合值 |
| 附錄4 大壩垂直位移逐步回歸擬合值 |
| 附錄5 大壩壩頂水平位移偏最小二乘回歸擬合值 |
| 附錄6 大壩垂直位移偏最小二乘回歸擬合值 |
（10）基于時(shí)間序列分析法的大壩變形監(jiān)測(cè)數(shù)據(jù)分析研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 選題背景 |
| 1.2 大壩變形監(jiān)測(cè)資料分析建模研究現(xiàn)狀 |
| 1.2.1 國外研究現(xiàn)狀 |
| 1.2.2 國內(nèi)研究現(xiàn)狀 |
| 1.3 時(shí)間序列分析方法研究現(xiàn)狀 |
| 1.4 論文的研究內(nèi)容 |
| 第二章 大壩變形監(jiān)測(cè)資料的統(tǒng)計(jì)建模方法 |
| 2.1 多元回歸分析的基本理論 |
| 2.1.1 基本思路 |
| 2.1.2 回歸方程 |
| 2.1.3 經(jīng)驗(yàn)回歸方程的求解 |
| 2.1.4 經(jīng)驗(yàn)回歸方程的有效性驗(yàn)證 |
| 2.2 逐步回歸分析法 |
| 2.2.1 逐步回歸基本計(jì)算步驟 |
| 2.2.2 計(jì)算中出現(xiàn)的幾個(gè)實(shí)際問題 |
| 2.3 大壩變形多元線性回歸模型 |
| 2.3.1 各因子的基本理論 |
| 2.3.2 模型中的因子選擇 |
| 2.3.3 建模步驟 |
| 第三章 時(shí)間序列分析基本理論 |
| 3.1 時(shí)序分析概述 |
| 3.1.1 時(shí)序分析的相關(guān)概念 |
| 3.1.2 時(shí)序分析的特點(diǎn) |
| 3.2 時(shí)序分析的基本原理 |
| 3.3 時(shí)序 ARMA 模型體系 |
| 3.3.1 自回歸模型 AR(P) |
| 3.3.2 移動(dòng)平均模型 MA(q) |
| 3.3.3 自回歸移動(dòng)平均結(jié)合模型 ARMA(p，q) |
| 3.4 時(shí)序 ARMA 模型的改進(jìn)——ARIMA 模型 |
| 3.4.1 ARIMA(p，d，q)模型 |
| 3.4.2 ARIMA(P，D，Q)s模型 |
| 3.4.3 ARIMA(p，d，q) (P，D，Q)s模型 |
| 3.5 時(shí)序模型的識(shí)別與階次判定 |
| 3.5.1 差分化 |
| 3.5.2 p、q 的確定 |
| 3.5.3 P、Q 的確定 |
| 3.6 時(shí)序模型參數(shù)估計(jì) |
| 3.7 時(shí)序模型檢驗(yàn) |
| 第四章 時(shí)序分析模型建模與預(yù)報(bào) |
| 4.1 ARIMA 模型建模 |
| 4.1.1 總體流程 |
| 4.1.2 數(shù)據(jù)準(zhǔn)備及預(yù)處理 |
| 4.1.3 平穩(wěn)化處理 |
| 4.1.4 參數(shù)估計(jì)與模型定階 |
| 4.1.5 模型檢驗(yàn)與預(yù)報(bào) |
| 4.2 季節(jié)周期—ARMA 疊合模型建模 |
| 4.2.1 基本原理 |
| 4.2.2 建模步驟 |
| 4.2.3 結(jié)果輸出 |
| 4.3 多維時(shí)序 CAR 模型建模 |
| 4.3.1 多維 CAR 模型參數(shù)估計(jì) |
| 4.3.2 多維 CAR 模型的識(shí)別 |
| 4.3.3 大壩變形主因子多維 CAR 模型建模 |
| 4.3.4 多維 CAR 模型的預(yù)報(bào)及精度分析 |
| 第五章 大壩變形時(shí)序模型工程實(shí)例與模型對(duì)比研究 |
| 5.1 長洲水利樞紐水工建筑物沉陷位移監(jiān)測(cè)數(shù)據(jù)分析 |
| 5.1.1 工程概況 |
| 5.1.2 長洲水利樞紐水工建筑物沉陷位移監(jiān)測(cè)方案 |
| 5.1.3 沉降數(shù)據(jù)分析預(yù)報(bào)結(jié)果 |
| 5.2 時(shí)間序列模型與統(tǒng)計(jì)模型對(duì)比 |
| 第六章 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 附錄 |
| 致謝 |
| 作者簡(jiǎn)介 |
四、時(shí)間水位因子模型在大壩變形分析中的應(yīng)用（論文參考文獻(xiàn)）
- [1]基于小波優(yōu)化神經(jīng)網(wǎng)絡(luò)在大壩變形預(yù)測(cè)的應(yīng)用[A]. 羅朝林,陳武奮,張波,梁?jiǎn)⒈? 水庫大壩和水電站建設(shè)與運(yùn)行管理新進(jìn)展, 2022
- [2]基于多因素神經(jīng)網(wǎng)絡(luò)模型的大壩變形預(yù)測(cè)研究[D]. 徐肖遙. 貴州大學(xué), 2020(04)
- [3]基于改進(jìn)布谷鳥優(yōu)化MKELM和Bootstrap方法的大壩變形預(yù)測(cè)研究[D]. 謝懷宇. 天津大學(xué), 2019(01)
- [4]基于一對(duì)一連接BP神經(jīng)網(wǎng)絡(luò)的混凝土壩壩基揚(yáng)壓力監(jiān)控模型研究[D]. 劉冬臨. 華中科技大學(xué), 2019(03)
- [5]基于流固耦合的燈泡貫流式水電站大壩安全性分析[D]. 王仕松. 西華大學(xué), 2019(02)
- [6]大壩變形時(shí)間序列的奇異譜分析[J]. 李世友,王奉偉,沈云中. 測(cè)繪通報(bào), 2018(09)
- [7]大壩水平位移神經(jīng)網(wǎng)絡(luò)模型研究[D]. 邢尹. 桂林理工大學(xué), 2018(05)
- [8]時(shí)空全域代理模型及大壩參數(shù)反演應(yīng)用[D]. 梁國賀. 清華大學(xué), 2017(02)
- [9]桐子壕水電站大壩變形觀測(cè)研究與實(shí)踐[D]. 李瑞. 西南石油大學(xué), 2016(05)
- [10]基于時(shí)間序列分析法的大壩變形監(jiān)測(cè)數(shù)據(jù)分析研究[D]. 向華琦. 西北農(nóng)林科技大學(xué), 2012(01)
標(biāo)簽：神經(jīng)網(wǎng)絡(luò)模型論文; 預(yù)測(cè)模型論文; 數(shù)據(jù)建模論文; 代理理論論文; bp神經(jīng)網(wǎng)絡(luò)論文;