一种高坝服役安全空间警戒域诊断方法技术

本发明专利技术公开了一种高坝服役安全空间警戒域诊断方法，其特征在于包括如下步骤：(1)根据高坝效应量监测资料，构建高坝效应量原始监测数据信息源矩阵X，得到标准化数据矩阵

【技术实现步骤摘要】
一种高坝服役安全空间警戒域诊断方法
本专利技术涉及高坝服役安全空间警戒域诊断方法，属于高坝安全监测领域。
技术介绍
目前，有利地形及中低高度的水工程建设基本结束，大坝的建设高度及规模日趋增加，300m级的高坝不断出现，与此同时，其周遭环境的不利工况越来越多，如何在极为恶劣的环境下建造及保证高坝的安全运行变得极为艰巨，如何保证该类重大工程在超出目前所有规范所规定的情况下，实现安全建设及后期的运行，成为了一个重要的课题，由于存在技术标准落后、监测手段陈旧、试验技术结果可参考性差、新技术实际应用无法推广等问题，使得高坝建设及运行服役风险的不断增大以及相关的风险评定与调控理论和技术及其法规极度匮乏，严重影响了高坝工程的高效建设及长效服役，与当前我国各领域内的增强技术应用及科研创新不相匹配，是亟待需要增强的重大关键领域。大坝服役性态转异预警是预防大坝失事的重要手段，依据高坝安全实测数据，综合应用先进的数学、力学等理论和方法，准确估计各种荷载组合下大坝变形、渗流、应力等的警戒值，可实现高坝安全预警，其对于及时发现大坝服役过程中的潜在隐患，进而采取适合的工程与非工程调控措施，以有效降低大坝灾变风险。意识形态决定人们习惯于单变量分析，其把客观存在的众多变量间错综复杂关系进行了割裂，孤立地借助单一变数作为评估事物优劣的依据，因而不利于全面揭露事物演化本质。传统多通过拟定单测点效应量警戒值的方法实现大坝安全预警，多聚焦于大坝某点变形、渗流、应力等警戒值的拟定问题研究，选取的多是某点的监测数据，较少考虑相邻测点或同一坝段各测点间的关联，其已经无法满足对高坝大库服役安全性态评估；另一方面，单测点警戒值拟定方法如小概率法存在对监测序列要求长且概率分布模型选择困难，置信区间法存在物理概念不明确，结构分析法存在工作量大、计算耗时等局限；更进一步，单测点拟定警戒值往往人为割裂了测点间联系。故进行多测点联合预警方法研究具有重要意义。
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服役安全空间警戒域诊断方法，突破了大坝安全转异由点到空间的快速预警，借助流形学习中核主成分分析(KPCA)方法提取多测点效应量间内在特征，构建高坝服役性态转异判别警戒域模型，实现高坝安全空间警戒域的拟定。技术方案：为解决上述技术问题，本专利技术的一种高坝服役安全空间警戒域诊断方法，具体包括如下步骤：步骤(1)根据高坝效应量监测资料，构成原始监测数据信息源矩阵X；核主成分分析(KPCA)法建立于主成分分析(PCA)法基础之上。从统计意义上看，PCA法是利用少数综合变量替代原先繁多变量，使得少数综合变量在表达原先繁多变量足够多信息的同时，变量间无相关关系，从而实现特征提取和变量精准约简。假设大坝服役系统存在m个监测效应量，每个效应量序列有n个监测值{xij}(i＝1,2,…,n；j＝1,2,…,m)，构成n×m监测数据矩阵X：式中：矩阵X亦可表示为[xj](j＝1,2,…,m)或[xi]T(i＝1,2,…,n)；假定效应量约简后得到综合特征变量{z1,z2,…,zp}(p≤m)，综合特征变量由原始效应量线性组合而成，表示为：式中：矩阵L亦可表示为[lj](j＝1,2,…,m)或[li]T(i＝1,2,L,m)。为便于分析综合特征变量性质，假定{xj}(j＝1,2,…,m)的所有线性组合中方差最大为z1，即var(z1)最大，则z1称为第一主成分；(l21,l22,…,l2m)垂直于(l11,l12,…,l1m)，且使var(z2)最大，则z2称为第二主成分；以此类推，zp为第p主成分。{z1,z2,…,zp}可表示对大坝服役性态内在特征的提取结果。PCA法所具有特点与性质如下：①主成分间互不相关。即对任意i,j(i≠j)，主成分zi与zj互不相关，相关系数为0，corr(zi,zj)＝0；②组合系数{li}构成的向量为单位向量，其实质表达对应主成分在空间中的方向；③各主成分方差依次递减，但方差总和保持不变，即存在var(z1)≥var(z2)≥…≥var(zp)和方差总和保持不变性说明，主成分分析实质上是原始效应量的线性组合，仅对原始效应量进行转变，在此过程中，原始效应量所含信息多少并未改变。④从数学上可以证明，组合系数{lij}(i＝1,2,…,p；j＝1,2,…,m)是原始效应量{xj}(j＝1,2,…,m)协方差矩阵的前p个较大特征根对应的特征向量，综合变量即主成分zi的var(zi)(i＝1,2,…,p)恰好是前p个较大特征根λi，可以得到：步骤(2)对原始监测数据信息源矩阵X进行标准化处理，以消除量纲、避免计算过程中发生“大数吃小数”现象；由主成分所具有的性质，可以进行主成分推求。针对大坝效应量构成矩阵Xn×m，对其每一效应量进行标准化处理以消除量纲差异或避免“大数吃小数”现象，标准化处理结果为：式中：Aj为效应量实测数据均值；Sj为效应量实测数据标准差。寻求矩阵Lm×m实现原始效应量到综合变量转变：[zj]T＝L[xj]T(4)矩阵L的第i行li是样本协方差矩阵Cm×m的第i个特征向量：即PCA的关键在于求解协方差矩阵的特征值：λili＝Cli(i＝1,2,…,m)(6)式中：λi为协方差矩阵C的特征根；li为λi对应的特征向量。在确定主成分个数后，将标准化后的数据矩阵在选择的特征向量上投影，获得综合变量，完成大坝服役性态内在特征提取。步骤(3)选择合适核函数，将标准化后数据矩阵由低维数据空间映射到高维数据空间；核主成分分析(KPCA)法，其通过非线性映射将输入空间的大坝效应量实测数据投影到高维特征空间，在高维特征空间中对映射数据做PCA分析，因此具有较强的非线性处理能力，其基本原理与实现思路如附图2所示。步骤(4)在高维数据空间中，获得数据矩阵的协方差矩阵并求取其特征根λi和特征向量v；在运用KPCA法进行分析的前提是要深刻理解从低维到高维升维分析的必要性，是将在低维空间中非线性或线性不可分的效应量数据特征映射到高维空间后，使其特征线性或接近线性进而可分。KPCA法在实现过程中存在两个关键点：关键一：为更好地处理非线性数据，引入非线性映射函数，将大坝效应量原始数据空间映射到高维特征空间；关键二：空间中的任一向量都可由该空间中的所有样本线性表示。在m维空间中输入n个点{xi}(i＝1,2,…,n)构成大坝效应量原始数据矩阵Xn×m。定义非线性映射函数φ(·)，将这些点由低维输入空间映射到高维特征空间相对应原始效应量点集可由表示，这是KPCA法实现关键一，并依式(3)进行标准化处理得到即在特征空间中进行PCA分析需得到矩阵的协方差矩阵在此基础上，求解协方差矩阵的特征值和特征向量：由于非线性映射函数φ(·)具有隐性，φ(xi)不可直接得到，因而不能用传统的特征值分解或奇异值求解获得上式特征值λ及特征向量v。将式(7)和式(8)进行组合，可以得到：从式(9)可以看出，特征向量v可由样本φ(xi)线性组合表示，这是KPCA法实现关键二，于是可以得到：式中：α＝[a1,a2,…,an]T为线性系数张量。综合式(7)、式(8)和式(10)，并左乘矩阵得到：引入n×n核矩阵则式(11)可以表达为：即转化为求解下式特征根问题：Kα＝λKα(本文档来自技高网...

【技术保护点】
1.一种高坝服役安全空间警戒域诊断方法，其特征在于包括如下步骤：(1)根据高坝效应量监测资料，构建高坝效应量原始监测数据信息源矩阵X；(2)对原始数据信息源矩阵X进行标准化处理，得到标准化数据矩阵

【技术特征摘要】
1.一种高坝服役安全空间警戒域诊断方法，其特征在于包括如下步骤：(1)根据高坝效应量监测资料，构建高坝效应量原始监测数据信息源矩阵X；(2)对原始数据信息源矩阵X进行标准化处理，得到标准化数据矩阵(3)选择选择满足Mercer条件的核函数，将标准化后数据矩阵由低维数据空间映射到高维数据空间；(4)在高维数据空间中，获得数据矩阵的协方差矩阵求取协方差矩阵的特征根与特征向量v；(5)对特征根λi降序排序，并调整相应特征向量；(6)根据主成分个数确定方法，确定主成分个数并提取特征向量vi；(7)计算标准化后数据矩阵在特征向量vi上的投影，该投影即为降维后的数据，完成高坝服役安全空间警戒域诊断的主成分提取工作；(8)在获得高坝服役安全空间警戒域诊断的主成分基础上，借助T2统计量实现高坝安全警戒域构建；(9)若观测值落在警戒域外，则大坝服役性态发生转异；若观测值落在警戒域内，则大坝服役性态未发生转异。2.根据权利要求1所述的一种高坝服役安全空间警戒域诊断方法，其特征在于：所述步骤(1)中大坝服役系统存在m个监测效应量，每个效应量序列有n个监测值{xij}(i＝1,2,…,n；j＝1,2,…,m)，构成n×m监测数据矩阵X：式中：矩阵X亦可表示为[xj](j＝1,2,…,m)或[xi]T(i＝1,2,…,n)。3.根据权利要求2所述的一种高坝服役安全空间警戒域诊断方法，其特征在于：所述步骤(2)中，假定效应量约简后得到综合特征变量{z1,z2,…,zp}(p≤m)，综合特征变量由原始效应量线性组合而成，表示为：式中：矩阵L亦可表示为[lj](j＝1,2,…,m)或[li]T(i＝1,2,L,m)；为便于分析综合特征变量性质，假定{xj}(j＝1,2,…,m)的所有线性组合中方差最大为z1，即var(z1)最大，则z1称为第一主成分；(l21,l22,…,l2m)垂直于(l11,l12,…,l1m)，且使var(z2)最大，则z2称为第二主成分；以此类推，zp为第p主成分，{z1,z2,…,zp}可表示对大坝服役性态内在特征的提取结果；由主成分所具有的性质，可以进行主成分推求，针对大坝效应量构成矩阵Xn×m，对其每一效应量进行标准化处理以消除量纲差异或避免“大数吃小数”现象，标准化处理结果为：式中：Aj为效应量实测数据均值；Sj为效应量实测数据标准差。4.根据权利要求2所述的一种高坝服役安全空间警戒域诊断方法，其特征在于：所述步骤(3)中利用满足Mercer条件的核函数将标准化后数据矩阵由低维数据空间映射到高维数据空间。5.根据权利要求2所述...

【专利技术属性】
技术研发人员：苏怀智，任杰，韩彰，杨孟，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32