本发明属于水电工程大坝安全监控领域,具体涉及一种大坝安全监控中长期预报方法。
背景技术:
1、传统的大坝安全监控模型主要有:数理统计模型、确定性模型、混合模型。各监控模型中涉及到的主要变量有:水压分量fh(t)、温度分量ft(t)和时效分量fθ(t)。以大坝位移变形为例,其中fh(t)、ft(t)分别表示水位、温度变化对位移观测点的影响,实际工程中无论是应用显示函数表达式还是通过有限元计算水位、温度变化的影响程度均较为准确;而fθ(t)表示由于时间效应导致的岩土体材料塑性变形、混凝土材料徐变、湿化变形、流变等变形,目前常用线性、多项式和对数函数的线性组合近似拟合。由于fθ(t)表征的内容复杂,非线性特性明显,仅利用显示函数组合形式结合最小二乘回归方法,能做到较好拟合原观测数据并在较短的时间内提供一定预测能力,但由于对fθ(t)内在信息挖掘较少,很难在中长期预测中保证预测精度。
2、随着学科发展,越来越多的智能算法、系统理论、机器学习算法等逐渐被引入到大坝安全监控中,以上算法能较好拟合原监测数据,部分算法能做到对数据趋势的长期预测,但由于其不能将主要影响变量fh(t)、ft(t)和fθ(t)分离讨论,使得监控模型完全处于纯数学解释中,对工程实际信息没有引入,并且无法深入分析影响因素导致的效应量变化趋势。
3、因此,研究一种大坝安全监控中长期预测模型,该模型能有效考虑工程实际结构变化、分量描述能力、并改进fθ(t)中信息挖掘,使得安全监控模型的中长期预测预报精度得到保证。
技术实现思路
1、本发明的目的是针对上述问题,提供一种大坝安全监控中长期预报方法,实现模型引入工程实际运行参数,分离不同影响因素,准确描述时效分量变化趋势,提高现阶段监控模型的中长期预报精度。
2、本发明的技术方案是大坝安全监控中长期预报方法,包括以下步骤:
3、步骤1:利用有限元软件建立目标水电站的大坝三维有限元模型;
4、步骤2:根据大坝实际工作性态,设置大坝三维有限元模型计算边界条件和本构方程、输入网格节点信息、岩土体和混凝土材料设计参数、接触面、荷载集信息,计算并得到大坝三维有限元模型应力场和位移场;
5、步骤3:将大坝三维有限元模型计算所得位移与实测位移值进行优化拟合,反演得到现阶段工程真实岩土体和混凝土材料参数;
6、步骤4:根据大坝实际工作性态,再次设置大坝三维有限元模型计算边界条件和本构模型、输入网格节点信息、现阶段真实岩土体和混凝土材料参数、接触面、水压荷载,计算大坝三维有限元模型仅在不同上游库水位作用下的位移变化范围,记为不同库水位下水压分量产生的位移};
7、步骤5:建立位移变化的数理统计模型:
8、δ=δh(x)+δt(x)+δθ(x)
9、其中,δh(x)为水压分量产生的位移量;δt(x)为温度分量产生的位移量;δθ(x)为时间效应分量产生的位移量;
10、步骤6:利用多元线性回归理论中逐步回归方法拟合统计模型,挑选出显著性水平较高的因子;判断确认统计模型复相关系数、残差和离差平方和满足要求后,利用统计模型得到和分别为根据统计模型得到的水压、温度、时间效应分量产生的位移量的预测值;
11、步骤7:基于支持向量机方法(support vector machine,svm)建立时间t与时效分量之间的支持向量机预测模型,计算得到预测时间效应分量
12、步骤8:构建中长期预测综合模型
13、其中a、b分别为模型修正系数,b0为常数项;
14、步骤9:采用遗传算法求解中长期预测综合模型的a、b,目标函数为的最小值;
15、步骤10:根据步骤9计算得到的a、b以及中长期预测综合模型,计算大坝位移变化的预测值。
16、以水压分量为例,水压分量产生的位移量的统计模型为:
17、
18、因此,位移统计模型可简写表示为:
19、
20、其中,δ表示测点总位移量;x表示自变量;b0表示常数项,b1、b2、...、bn均为回归系数。
21、优选地,步骤7中,采用matlab软件建立时间t与时效分量之间的支持向量机预测模型,具体过程包括:
22、(1)在自变量时间t和时效分量的序列样本中,随机取部分样本作为训练集并调用svmtrain函数,形成初步的支持向量机预测模型;
23、(2)在剩余样本中随机取序列样本作为测试集,调用svmpredict函数,验证支持向量机预测模型的可靠度和准确性是否合格,若合格,便可用于时间效应分量的预测;若不合格,通过调整模型参数、增加训练集等方式,不断优化训练支持向量机预测模型,达到合格的目的;
24、(3)调用svmpredict函数,输入回归或预测时间变量t,得到预测时间效应分量
25、相比现有技术,本发明的有益效果包括:
26、1)本发明提出了一种大坝安全监控中长期预报模型,通过建立有限元模型和反演技术完整引入了大坝工作实际性态,解决了传统模型未考虑工程实际或以设计状态引入工程性态的缺点;
27、2)通过引入svm机器学习模型建立时间和时效分量的非线性关系,深入挖掘时间效应所蕴含信息和趋势变化,保证了监控模型中长期预测精度;同时根据机器学习原理,监控时间越长,训练集数据越多,其后续预测越精确;
28、3)通过不同方式对大坝安全监控模型的水压分量、温度分量和时效分量的求解,不仅保证了整体模型的预报精度,也更加清晰反映了各影响因素作用下效应量的变化趋势。
1.大坝安全监控中长期预报方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的大坝安全监控中长期预报方法,其特征在于,以水压分量为例,水压分量产生的位移量的统计模型为:
3.根据权利要求1或2所述的大坝安全监控中长期预报方法,其特征在于,步骤7中,采用matlab软件建立时间t与时间效应分量之间的支持向量机预测模型,具体过程包括: