【技术实现步骤摘要】
一种基于ARIMA-GC-SVR的高拱坝谷幅变形预测分析方法
本专利技术涉及高拱坝谷幅变形预测分析方法，具体涉及一种基于ARIMA-GC-SVR的高拱坝谷幅变形预测分析方法。
技术介绍
谷幅变形是一种自然现象，该现象主要发生在高拱坝建设运营期间，资料显示，谷幅变形是高拱坝面对的重要挑战，会影响拱坝工作性态和长期安全性。谷幅变形监测是反映山体变形的重要指标，原理是在河谷两岸上按需要设置多对测线，通过记录测线长度的变化，分析得到谷幅随时间的变化关系。目前对谷幅变形的研究成果相对较少，尚未形成统一认识和研究体系，主要集中在通过监测数据对比分析进行的定性研究。此外部分学者通过建立合理的数值模型，采用有限元模拟的方法开展谷幅变形相关的研究，但均是利用有限元仿真分析来分析谷幅变形对拱坝应力应变状态及安全特性的研究，而尚未针对谷幅变形这一特定现象开展详细的研究。ARIMA模型是一种预测具有长期变化特征的变量的时间序列模型，已被广泛运用在水文气象要素预测方面；GC是一种模糊计算方法，可以将复杂数据点信息融合为具有代表的信息要...
【技术保护点】
1.一种基于ARIMA-GC-SVR的高拱坝谷幅变形预测分析方法，其特征在于，包括以下步骤：/n(1)对坝区相关监测数据进行预处理，建立影响因素数据分析体系；所述数据分析体系包括三层数据矩阵，分别为一级数据矩阵、二级数据矩阵和三级数据矩阵；/n(2)对所述坝区相关监测数据进行预测处理，分析比较监测数据特点，选用ARIMA法对一级数据矩阵进行目标时段内预测，扩充一级数据矩阵，更新二级数据矩阵、三级数据矩阵；/n(3)根据工程计算需求，确定粒计算窗口长度，计算窗口数量，基于三级数据矩阵，构建单次计算影响因子矩阵；/n(4)根据所述单次计算影响因子矩阵，结合谷幅变形值矩阵，选用粒...
【技术特征摘要】 【专利技术属性】
1.一种基于ARIMA-GC-SVR的高拱坝谷幅变形预测分析方法，其特征在于，包括以下步骤：
(1)对坝区相关监测数据进行预处理，建立影响因素数据分析体系；所述数据分析体系包括三层数据矩阵，分别为一级数据矩阵、二级数据矩阵和三级数据矩阵；
(2)对所述坝区相关监测数据进行预测处理，分析比较监测数据特点，选用ARIMA法对一级数据矩阵进行目标时段内预测，扩充一级数据矩阵，更新二级数据矩阵、三级数据矩阵；
(3)根据工程计算需求，确定粒计算窗口长度，计算窗口数量，基于三级数据矩阵，构建单次计算影响因子矩阵；
(4)根据所述单次计算影响因子矩阵，结合谷幅变形值矩阵，选用粒计算构建粒化矩阵；
(5)根据所述粒化矩阵，构建SVR模型，对粒化矩阵进行预测长度为单位窗口的区间预测分析；
(6)将粒化数据尺度还原，确定预测终点日期；若预测终点日期小于目标预测日期，更新步骤(3)的单次计算影响因子矩阵及步骤(4)的粒化矩阵，重新进行区间预测，直到预测终点日期大于目标预测日期；
(7)整理计算结果，得出谷幅变形值预测区间。
2.根据权利要求1所述的高拱坝谷幅变形预测分析方法，其特征在于：步骤(1)中，所述坝区相关监测数据包括库水位高程、库水位升降速率、各测线谷幅变形累计值、坝区单日气温均值及坝区单日降雨量。
3.根据权利要求1或2所述的高拱坝谷幅变形预测分析方法，其特征在于：步骤(1)中，以实际监测影响因素值矩阵为一级数据矩阵，以体现影响因素潜在表现形式的高维影响因子矩阵为二级数据矩阵，以通过计算筛选出的相对重要影响因子矩阵为三级数据矩阵。
4.根据权利要求1或2所述的高拱坝谷幅变形预测分析方法，其特征在于：步骤(1)中，所述预处理包括去除异常值、删除缺失值。
5.根据权利要求3所述的高拱坝谷幅变形预测分析方法，其特征在于：所述三级数据矩阵的确定方法为基于LASSO建立高维因子回归模型，以二级矩阵包含的基础影响因子为自变量，变形值为因变量，通过稀疏矩阵筛选出相对重要影响因子作为三级矩阵基础元素。
技术研发人员：徐卫亚，史宏娟，王环玲，孟庆祥，闫龙，程志超，
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。