结合门限回归和改进支持向量机面板坝坝顶沉降预测方法技术

本发明专利技术公开了结合门限回归和改进支持向量机面板坝坝顶沉降预测方法，具体包括如下步骤：步骤1：获取沉降数据；步骤2：处理数据；步骤3：确定支持向量机核函数；步骤4：采用启发式的粒子群优化算法对支持向量回归机的正则化参数C，多项式核参数d，径向基核参数g进行优化选择；步骤5：建立结合门限回归和改进支持向量机的坝顶沉降预测模型；步骤6：结合建立好的结合门限回归和改进支持向量机的面板堆石坝坝顶沉降预测模型。该方法解决现有技术中的根据现有经验公式不能准确预测坝顶沉降的问题。

【技术实现步骤摘要】
结合门限回归和改进支持向量机面板坝坝顶沉降预测方法
本专利技术属于水利水电工程施工
，具体涉及结合门限回归和改进支持向量机面板坝坝顶沉降预测方法。
技术介绍
面板堆石坝是一种由当地土料、石料或混合料以抛填、碾压等方法填筑成的挡水坝，因其具有结构简单、工程造价低、适应变形性能良好、对地基的要求低、施工速度快等特点，使混凝土面板堆石坝已经成为最具竞争力的一种坝型，在水利水电工程建设中得到了广泛的应用。随着国家在水利基础建设方面的大力投入以及面板堆石坝自身的优越性，近几年该坝型逐步向超高坝型发展，同时坝体的变形控制也面临着诸多困难，尤其在坝体稳定、面板裂缝等方面。坝体的变形控制是面板堆石坝建设最关键的一项考虑因素，如何有效合理地评价和控制面板堆石坝变形，是决定面板堆石坝进一步发展的重要因素。引起坝体失稳的主要原因之一是坝顶沉降，坝顶沉降位移过大会导致面板变形、裂缝、渗漏等问题，严重威胁坝体安全。在传统设计中，坝顶沉降考虑不超过坝高的2％，但是坝顶永久沉降位移并不能精确估计，因为大坝建成后会发生徐变。如果能预测出坝顶沉降，就能够对坝体潜在危险做出及时应对，减少损失和危害。因此，坝顶沉降的预测对指导大坝的设计、运行、稳定尤为重要。目前预测面板堆石坝坝顶沉降的方法主要包括数值计算、离心模型试验法以及传统的经验预测方法。数值模型计算需要的计算参数很依赖试验结果，而试验中的缩尺效应不可避免会对堆石料试验结果的准确性产生影响。离心模型试验技术目前多用于黏土心墙堆石坝，在面板堆石坝力学特性的研究上离心模型试验运用较少。此外，离心模型试验法的高成本、模型边界的处理、模型的简化等实验局限性在某种程度上也限制了其应用。当前面板堆石坝的设计仍然主要基于工程判断和工程经验，因此预测面板堆石坝坝顶沉降的方法至关重要。国内外一些学者提出了预测坝顶沉降的模型。比如早期Lawton和Lester基于11个大坝实例数据建立了坝顶沉降和坝高之间简单的经验预测公式。Sowers对14个面板堆石坝的坝顶沉降开展研究，建立了考虑坝高和测量时间的坝顶后期沉降的经验预测公式。这些经验预测公式考虑的变形控制因素较少，建立的往往是变形特性与坝高、测量时间之间的直接经验公式，且采用的大坝实例数也较少。基于上述经验预测公式的不足，Clements考虑了测量时间的影响，基于68个大坝的实测数据建立了坝顶沉降与坝高之间的经验预测公式。这个计算方程只考虑了坝高一个因素，而坝体沉降受多个因素的影响，如坝高、孔隙比、时间、形状系数、垂直压缩模量等。由于这些参数也会互相影响，显然用此类经验公式并不能准确预测坝顶沉降。为了克服传统经验预测方法的不足，智能和机器学习算法不断用于面板堆石坝的变形预测。李金凤、杨启贵等研究了神经网络模型在面板堆石坝堆石体施工期沉降变形预测中的应用；Kim基于30个面板堆石坝的实测坝顶沉降数据，采用人工神经网络方法建立了预测相对坝顶沉降的智能预测模型。混凝土面板堆石坝变形预测的神经网络模型容易陷入局部极小值，学习过程收敛速度慢，同时学习样本的数量和质量对最终结果影响较大。因此，针对坝顶沉降的预测方法有必要进行进一步深入的研究。
技术实现思路
本专利技术的目的是提供一种结合门限回归和改进支持向量机面板坝坝顶沉降预测方法，解决现有技术中的根据现有经验公式不能准确预测坝顶沉降的问题。本专利技术所采用的技术方案是，结合门限回归和改进支持向量机面板坝坝顶沉降预测方法，具体包括如下步骤：步骤1：获取沉降数据步骤2：处理数据分别计算坝顶沉降预测指标CS与六个预测因子之间的相关系数，取相关系数最大的因子作为门限变量；根据多元门限回归分析理论对所确定的门限变量进行计算，确定出门限变量相应的门限值，从而建立对应的子数据集；步骤3：确定支持向量机核函数将具有不同特性的核函数以线性组合的形式构成一类新的混合核函数；步骤4：采用启发式的粒子群优化算法对支持向量回归机的正则化参数C，多项式核参数d，径向基核参数g进行优化选择；步骤5：建立结合门限回归和改进支持向量机的坝顶沉降预测模型；步骤6：结合建立好的结合门限回归和改进支持向量机的面板堆石坝坝顶沉降预测模型。本专利技术的特点还在于，步骤1的具体过程为：从已构建的面板堆石坝坝顶沉降预测指标实例实测数据库中选取出n个均包含预测因子坝高X1、孔隙率X2、河谷形状因子X3、地基条件X4、堆石强度X5、运行时间X6和坝顶沉降预测指标CS的实例；对每个实例中的坝顶沉降预测指标CS进行无量纲化处理，即Y＝CS/H，即取为坝顶沉降变形相对坝高的比值。步骤2的具体过程为：步骤2.1：利用SPSS软件计算每个实例的坝顶沉降预测指标Y与坝高X1、孔隙率X2、河谷形状因子X3、地基条件X4、堆石强度X5、运行时间X6之间的相关系数，将n个实例样本中相关系数最大的预测因子Ximax＝{Xi1,Xi2,…,Xin}按其值从小到大顺序排列，对所构建的实例数据库也随Ximax的顺序相应重新排列，得坝顶沉降预测指标Y的新序列Y′；步骤2.2：对坝顶沉降预测指标Y的新序列Y′进行二分割，将分成的两段分别记为：Y′(1,k)，Y′(k+1,n)，其中k是任意分割点；计算得到坝顶沉降预测指标Y的新序列Y′序列的总方差所分成两段的组内方差和为所分成两段的组间方差B2＝V2-S2；步骤2.3：用显著性水平判断系数F＝[B2(n-2)]/S2来检验将坝顶沉降预测指标Y的新序列Y′所分成两段的两组数据间的显著性差异，对序列Y′共进行L＝n-1次二分割，计算n-1个F值，记为：F1(xi)，F2(xi)，…，Fn-1(xi)，选择所对应的任意分割点k即为第i个因子的最优分割点，记为k*；通过计算得出的m个最优分割点即为所对应的m个门限值，m个门限值将整个实例数据库划分为m+1个子数据库。步骤3的具体过程为：将具有局部特性的全局核函数Kpoly和具有全局特性的局部核函数Krbf以线性组合Kmix＝ηKpoly+(1-η)Krbf的形式构成一类新的且满足Mercer定理的混合核函数Kmix。步骤4的具体实施过程为：(1)读取样本数据，把样本数据归一化到[0,1]区间；(2)确定粒子数量pop＝20，学习因子参数c1和加速度学习因子c2，调节学习步长，分别初始化设置为c1＝1.4、c2＝1.6，最大进化代数maxgen＝100，正则化参数C的变化范围为[0.0001,100]，径向基核参数g的变化范围为[0.0001,1000]，多项式核参数d取默认值3，随机产生每个粒子(C，g)的初始位置并产生初始速度(3)对每个粒子进行回归训练，把K折交叉验证的均方误差作为粒子的适应值，把初始位置作为每个粒子的个体极值位置Pbest，把适应值最优的位置作为粒子群的全局最优位置gbest；(4)对初始种群训练完成后，根据公式更新粒子的位置和速度，并使更新后的数值在设定的范围内；其中，t是进化代数，是第t次迭代时第i个本文档来自技高网...

【技术保护点】
1.结合门限回归和改进支持向量机面板坝坝顶沉降预测方法，其特征在于，具体包括如下步骤：/n步骤1：获取沉降数据/n步骤2：处理数据/n分别计算坝顶沉降预测指标CS与六个预测因子之间的相关系数，取相关系数最大的因子作为门限变量；根据多元门限回归分析理论对所确定的门限变量进行计算，确定出门限变量相应的门限值，从而建立对应的子数据集；/n步骤3：确定支持向量机核函数/n将具有不同特性的核函数以线性组合的形式构成一类新的混合核函数；/n步骤4：采用启发式的粒子群优化算法对支持向量回归机的正则化参数C，多项式核参数d，径向基核参数g进行优化选择；/n步骤5：建立结合门限回归和改进支持向量机的坝顶沉降预测模型；/n步骤6：结合建立好的结合门限回归和改进支持向量机的面板堆石坝坝顶沉降预测模型。/n

【技术特征摘要】
1.结合门限回归和改进支持向量机面板坝坝顶沉降预测方法，其特征在于，具体包括如下步骤：
步骤1：获取沉降数据
步骤2：处理数据
分别计算坝顶沉降预测指标CS与六个预测因子之间的相关系数，取相关系数最大的因子作为门限变量；根据多元门限回归分析理论对所确定的门限变量进行计算，确定出门限变量相应的门限值，从而建立对应的子数据集；
步骤3：确定支持向量机核函数
将具有不同特性的核函数以线性组合的形式构成一类新的混合核函数；
步骤4：采用启发式的粒子群优化算法对支持向量回归机的正则化参数C，多项式核参数d，径向基核参数g进行优化选择；
步骤5：建立结合门限回归和改进支持向量机的坝顶沉降预测模型；
步骤6：结合建立好的结合门限回归和改进支持向量机的面板堆石坝坝顶沉降预测模型。


2.如权利要求1所述的结合门限回归和改进支持向量机面板坝坝顶沉降预测方法，其特征在于，所述步骤1的具体过程为：
从已构建的面板堆石坝坝顶沉降预测指标实例实测数据库中选取出n个均包含预测因子坝高X1、孔隙率X2、河谷形状因子X3、地基条件X4、堆石强度X5、运行时间X6和坝顶沉降预测指标CS的实例；对每个实例中的坝顶沉降预测指标CS进行无量纲化处理，即Y＝CS/H，即取为坝顶沉降变形相对坝高的比值。


3.如权利要求1所述的结合门限回归和改进支持向量机面板坝坝顶沉降预测方法，其特征在于，步骤2的具体过程为：
步骤2.1：利用SPSS软件计算每个实例的坝顶沉降预测指标Y与坝高X1、孔隙率X2、河谷形状因子X3、地基条件X4、堆石强度X5、运行时间X6之间的相关系数，将n个实例样本中相关系数最大的预测因子Ximax＝{Xi1,Xi2,…,Xin}按其值从小到大顺序排列，对所构建的实例数据库也随Ximax的顺序相应重新排列，得坝顶沉降预测指标Y的新序列Y′；
步骤2.2：对坝顶沉降预测指标Y的新序列Y′进行二分割，将分成的两段分别记为：Y′(1,k)，Y′(k+1,n)，其中k是任意分割点；计算得到坝顶沉降预测指标Y的新序列Y′序列的总方差所分成两段的组内方差和为所分成两段的组间方差B2＝V2-S2；
步骤2.3：用显著性水平判断系数F＝[B2(n-2)]/S2来检验将坝顶沉降预测指标Y的新序列Y′所分成两段的两组数据间的显著性差异，对序列Y′共进行L＝n-1次二分割，计算n-1个F值，记为：F1(xi)，F2(xi)，…，Fn-1(xi)，选择所对应的任意分割点k即为第i个因子的最优分割点，记为k*；通过计算得出的m个最优分割点即为所对应的m个门限值，m个门限值将整个实例数据库划分为m+1个子数据库。


4.如权利要求1所述的结合门限回归和改进支持向量机面板坝坝顶沉降预测方法，其特征在于，步骤3的具体过程为：
将具有局部特性的全局核函数Kpoly和具有全局特性的局部核函数Krbf以线性组合Kmix＝ηKpoly+(1-η)Krb...

【专利技术属性】
技术研发人员：温立峰，张海洋，李炎隆，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61