基于最优步长与模型动态选择的特高拱坝响应预测方法技术

本发明专利技术公开了一种基于最优步长与模型动态选择的特高拱坝响应预测方法包括：数据预处理，确定数据中的错误值与缺失值；使用最优化步长和插值法预测数据，根据绝对误差选择最优插值模型，即最优参数包括：步长和插值方法，使用最优步长的样本数据和最优的插值方法，对待预测的反应特高拱坝工作性态的应力值进行预测；使用小波神经网络方法预测数据，将原始数据分为训练样本和测试样本，选定输入层的节点个数和迭代次数，用训练样本对小波神经网络进行训练，然后用训练好的小波神经网络预测测试样本；对实验得到的预测结果进行分析，用于对此次最优化步长和插值方法的应力预测模型和基于小波神经网络的应力预测结果进行评估，确定应力安全阈值。

【技术实现步骤摘要】

本专利技术涉及一种基于最优步长与插值模型动态选择的特高拱坝响应预测方法，具 体涉及一种基于特高混凝土拱坝结构响应物理特征量的最优步长和插值方法预测模型和 小波神经网络短期预测方法，属于水工建筑物中大坝安全监测检测

技术介绍
大坝安全监测对于水库能否正常运行至关重要，大坝安全阈值是在对大坝风险分 析的基础上，对大坝安全等级的识别，从而确定大坝是否处在安全的临界条件。大坝的安全 监测主要包括对大坝坝体的固定测点按照一定频率连续地进行仪器测量、对采集来的数据 进行资料整编和分析，通过计算和查证原始观测数据来实现监测资料的连续性与准确性。 我国西部地区各大水电基地开发中建设了一批世界顶级的特高拱坝，坝高在260m 至305m之间，这些特高拱坝的安全正常运行是其所属水电站安全运行和发电效益的根本 保证。为了解特高拱坝在施工期、蓄水期和运行期的工作状态，防患于未然，保证工程安全； 指导施工，保证工程质量；反馈设计，积累工程经验，设计了一套完整的大坝安全监测系统。 大坝安全监测系统需要监测坝体表面位移、坝体内部变形、坝体应力应变、坝体裂缝变形、 渗流渗压以及地震反应等监测内容。大坝安全控制历来都是水利水电工程领域中的重大课 题，目前国内对复杂的大坝防洪安全评价仍以定性分析方法为主，根据大坝安全评价导则 的有关规定依靠一些工程经验以得出其安全性等级划分的结论为大坝的除险加固等决策 提供支撑。从传统的安全评价方法向概率的风险分析方法过渡是普遍趋势。通过分析大坝 整体受力情况和对应的监测资料，发现大坝应力等响应量在蓄水期水位快速上升过程中变 化，及时评判拱坝工作性态，确保工程安全和效益。 对于大坝安全监测，安全阈值作为一项重要的参考数据对于监测分析具有重要意 义。因此，根据监测项目的历史监测数据，选取最优的监测数据数学统计模型，计算精确的 安全阈值，是安全监测预测模型必须解决的问题，也是本专利技术所要解决的问题。
技术实现思路
专利技术目的：本专利技术是基于对反应特高拱坝工作性态的应力等物理响应量监测，分 析其安全阈值。为了分析得到反应特高拱坝工作性态的应力等物理响应量的安全阈值，需 要分析大坝应力监测项目的监测数据，得出较为准确的估计值。为此，本专利技术提出了基于最 优动态步长和插值的应力预测模型和基于小波神经网络的短期应力预测。与以往的预测方 法不同，本专利技术一方面可以动态地选取样本容量，另一方面可以动态地选择插值方法，在使 用小波神经网络进行短期预测时，也随机比较了选择不同输入节点个数即样本容量时的预 测准确度。本专利技术均是根据对绝对误差的统计判断预测效果。 技术方案：一种，包括以 下四个方面： (1)数据预处理，将原始的应力监测数据进行清理，确定数据中的错误值与缺失 值； (2)使用最优化步长和插值法预测数据，根据绝对误差选择最优插值模型，即最优 参数包括：步长和插值方法，使用最优步长的样本数据和最优的插值方法，对待预测的应力 值进行预测； (3)使用小波神经网络方法预测数据，将原始数据分为训练样本和测试样本，选定 输入层的节点个数和迭代次数，用训练样本对小波神经网络进行训练，然后用训练好的小 波神经网络预测测试样本； (4)结果分析与报表生成，对实验得到的预测结果进行分析，用于对此次最优化步 长和插值方法的应力预测模型和基于小波神经网络的应力预测结果进行评估。 所述内容（1)数据预处理，将原始监测数据导入，清理数据中的错误值与缺失值， 最后，画监测数据散点图，初步认识应力数据的变化规律，具体为： (1. 1)数据导入，将原始的应力监测数据及数据采集时间作为时间序列数据进行 插值分析； (1. 2)数据清理，监测数据由于受到检测仪器、自然、人为等因素影响，存在监测数 据读数错误和缺失的情况。为了提高预测的准确性，对原始监测数据进行清理，采用四分位 数和差分法相结合的方法判别错误数据。 (1. 3)四分位数法计算：利用箱线图原理，将所有的原始应力数据按升序排列后 分成上下四分位数分别为Ql和Q3,定义四分点间距为IQR = Q3-Q1。若原始应力监测数据 位于区间内，则视为正常值，否则作为疑似错误数据再进行 处理。 (1.4)由于四分位数法只能剔除明显偏离整体的错误数据点，采用差分法进 一步对疑似错误数据进行甄别。对于原始监测时序数据，计算相邻两点之差的绝对值 Iy2IiL Iy3_y2l，…，IynIniI，再求出这组数的中位数median。若任意相邻两个数据满足 y1+1-yi|彡8*median，则视为正常数据；否则再判断其前一组数据Iy1I llI以及后一组的 y1+2-y1+11是否满足条件判断条件，若这两组数据同时不满足判断条件，则认为原始监测数 据y1+1为异常数据。否则，则认为数据是正常数据。中位数具有稳定性，利用中位数进行判 别错误数据，可以避免噪声数据影响。 (1. 5)对于缺失数据，采用三次样条插值的方法进行估计，三次样条插值对于数据 变化较大的情形，所形成的曲线最平滑，效果最好。 (1. 6)做应力数据的时序散点图，通过观察数据的分布情况和变化趋势，对数据变 化规律有一个初步的认识。 所述内容（2)使用最优化步长和插值法预测数据，根据绝对误差选择最优模型， 即最优参数：样本容量（步长）和插值方法，使用最优样本容量的数据和最优的插值方法， 对待预测的应力值进行预测，具体为： (2. 1)样本选择，针对所选择的候选插值模型，样本容量下限设为3,上限设为20， 分别符合小步长预测的准确度和小样本的要求。从原始应力监测数据库中读取应力数据， 作插值分析，预测应力监测数值； (2. 2)分别采用三次样条插值、拉格朗日插值、三次多项式插值方法作为候选插值 模型，从样本容量下限开始，使用处在所选样本容量内的数据对候选插值模型分别计算插 值多项式中的未知参数值，得到对应的插值多项式，用其计算所需预测的应力值，得到绝对 误差，绝对误差作为模型选择参考标准，得到最优样本容量和插值模型，并且可以分析模型 本身的合理性以及预测的准确性； (2. 3)将样本容量加1，进行步骤（2. 2)操作。如果增加样本容量，并且在此样本 容量下最优插值模型的绝对误差减小，则将此时的绝对误差、样本容量、插值模型更新为最 新的最小绝对误差、最优样本容量和插值模型。 (2. 4)若样本容量大于20时，不再进行最优插值模型选择计算。 所述内容（3)使用小波神经网络方法预测应力，将原始数据分为训练样本和测试 样本，选定输入层的节点个数和迭代次数，用训练样本对小波神经网络进行训练，然后用训 练好的小波神经网络预测测试样本，具体为： (3. 1)将原始应力监测数据集划分为训练样本和测试样本，训练样本大小设为 1000个，其余为测试样本； (3. 2)设定小波神经网络的参数，包括输入层节点个数、隐含层节点个数、输出层 节点个数、迭代次数。采用4天应力监测数据预测第5天的应力数值，因此，输入层4个节 点，输出层1个节点，隐含层节点个数和迭代次数设定为8和1500。 (3. 3)参数设置完成后，用连续900个监测数据作为训练样本，训练小波神经网 络；当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种基于最优步长与模型动态选择的特高拱坝响应预测方法，其特征在于，包括以下步骤：(1)数据预处理，将反应原始的特高拱坝工作性态的物理响应量——应力监测数据进行清理，确定数据中的错误值与缺失值；(2)使用最优化步长和插值法预测数据，根据绝对误差选择最优插值模型，即最优参数包括：步长和插值方法，使用最优步长的样本数据和最优的插值方法，对待预测的应力值进行预测；(3)使用小波神经网络方法预测数据，将原始数据分为训练样本和测试样本，选定输入层的节点个数和迭代次数，用训练样本对小波神经网络进行训练，然后用训练好的小波神经网络预测测试样本；(4)对实验得到的预测结果进行分析，用于对此次最优化步长和插值方法的应力预测模型和基于小波神经网络的应力预测结果进行评估。

【技术特征摘要】

【专利技术属性】
技术研发人员：艾永平，易魁，肖海斌，邱小弟，卢吉，迟福东，陈豪，毛莺池，周晓峰，王龙宝，贾必聪，许峰，谭彬，余记远，曹学兴，
申请(专利权)人：华能澜沧江水电股份有限公司，河海大学，
类型：发明
国别省市：云南;53