The present invention discloses a joint prediction method of multipoint deformation behavior of high dam, which includes the following steps: (1) select the deformation monitoring data of multiple points in the high dam project, use the wavelet soft threshold de-noising method to denoise; (2) determine the model input factor, analyze the main components of the selected factors, extract the main components, and (3) denoise the multi test points. The post data and the main components are normalized and divided into training samples and prediction samples. (4) according to the training samples, the improved particle swarm optimization algorithm is used to optimize the SVM parameters of support vector machine C and sigma, and the training of support vector machines is completed. (5) the model is predicted by the trained model and the model is used to model the model. Evaluation of forecast effect. A joint prediction method of multi point deformation state of high dam has solved the problems of low prediction precision, large model, slow running speed, long calculation time and single point prediction. It has the advantages of high precision, short treatment period and joint prediction of multi point space-time.
【技术实现步骤摘要】
一种高坝多点变形性态联合预报方法
本专利技术涉及高坝多点变形性态联合预报方法,属于高坝工程安全监测领域。
技术介绍
水利工程,尤其是高坝大库工程,在防洪、发电、航运、供水、灌溉、养殖、旅游等方面带来了巨大的社会经济效益,为国民经济的发展做出了巨大贡献。但是由于人们对自然力量、材料性能、结构机理、施工控制以及人为损坏等影响高坝安全的因素认识不够充分,使得很多大坝都处于带病状态,病变隐患若得不到及时发现和处理,很有可能引发大坝整体或者局部的灾变甚至溃坝失事,给社会造成严重的经济损失、生命财产损失。若能布设齐全的安全监测设施并持续监测,及时对安全监测资料进行处理与分析,重视大坝变形、渗流等监控模型、监控指标等的构建和应用,很多安全隐患可以被发现、灾难性事故能够被避免。变形作为大坝安全状况最直观、最综合的体现,对其变化特征的科学分析、辨识、预报以及评价,一直是大坝安全管理的重点,相关模型、方法等长期被坝工安全科研人员所关注和探研,但由于大坝变形影响因素众多、驱动机制复杂,给精细辨识变形时空特征、精确预报变形变化性态带来了极大的困难。近年来,虽然相关学者通过不断引入模糊数学、灰色理论、小波分析、人工神经网络、支持向量机等理论用于监测资料进行,研究了大坝安全预报方法,但其存在预报精度较低、模型大、运行速度慢、计算时间长、只能单点预测等问题,故急需研发一种大坝变形性态多测点联合预报模型与方法。
技术实现思路
专利技术目的:为了克服现有技术中存在的不足,本专利技术提供一种高坝多点变形性态联合预报方法,解决了传统方法预报精度低、模型大、运行速度慢、计算时间长、单测点预测等问题, ...
【技术保护点】
一种高坝多点变形性态联合预报方法,其特征在于,包括以下步骤:(1)选取高坝工程中若干测点的变形监测数据,采用小波软阈值去噪法去噪;(2)确定模型输入因子,对所选因子进行主成分分析,提取主成分;(3)对多测点去噪后数据及各主成分进行归一化处理,分为训练样本、预测样本;(4)依据训练样本,利用改进粒子群算法对支持向量机SVM参数C、σ进行寻优,完成对支持向量机的训练;(5)依据预测样本,用训练好的支持向量机进行样本预测,进行模型预报效果评价。
【技术特征摘要】
1.一种高坝多点变形性态联合预报方法,其特征在于,包括以下步骤:(1)选取高坝工程中若干测点的变形监测数据,采用小波软阈值去噪法去噪;(2)确定模型输入因子,对所选因子进行主成分分析,提取主成分;(3)对多测点去噪后数据及各主成分进行归一化处理,分为训练样本、预测样本;(4)依据训练样本,利用改进粒子群算法对支持向量机SVM参数C、σ进行寻优,完成对支持向量机的训练;(5)依据预测样本,用训练好的支持向量机进行样本预测,进行模型预报效果评价。2.根据权利要求1所述的高坝多点变形性态联合预报方法,其特征在于:所述步骤(1)中小波软阈值去噪法包括以下步骤:(11)根据大坝变形监测数据序列s的特性,选择合适的小波函数和分解层数n;(12)对数据序列s进行小波分解,得各低频、高频子序列的小波系数;(13)计算各高频子序列的噪声标准方差σ;(14)选择一种阈值确定方法,确定各高频子序列的阈值T,对各高频子序列的小波系数进行处理(15)将低频子序列的小波系数与经过阈值去噪处理后的高频子序列小波系数进行重构,即可得去噪后的变形监测数据序列。3.根据权利要求1所述的高坝多点变形性态联合预报方法,其特征在于:所述步骤(4)步骤以下步骤:(41)对选取的大坝变形测值序列样本进行归一化处理,并确定输入样本,设定粒子个数、种群迭代次数...
【专利技术属性】
技术研发人员:苏怀智,杨贝贝,韩彰,杨孟,骆鸿,方正,吴文源,
申请(专利权)人:河海大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。