ACO-BP神经网络在大坝监测数据处理中的应用研究

摘要

近年来，随着水利水电事业的高速发展，大坝的规模不断扩大，其施工条件也越来越复杂，大坝的安全问题变得尤为重要。大坝安全监测是大坝安全管理工作的必要组成部分，是降低工程风险、减少事故发生、反映大坝实际工作状态的重要手段。水库大坝的原型监测资料的分析，是对大坝进行安全评判的科学依据。因此对大坝观测资料做出及时、合理、有效的分析是大坝安全监控的重要工作之一。BP神经网络作为目前应用最为广泛的信息处理方法，特别是其具有强大的非线性函数逼近能力、自组织、自学习和自适应能力，使其在大坝监测数据分析与处理方面得到广泛的应用。但在BP神经网络应用于大坝观测数据分析的实际过程中，也存在一些不足之处。因此需要采取一定的方法和措施来改善BP神经网络的算法性能。本文的主要研究内容和成果如下:
　　(1)系统阐述BP神经网络的算法原理、特点和算法步骤等，分析其局限性和改进思路，在分析土石坝各效应量与其影响量之间的关系的基础上编制了BP网络建模程序。
　　(2)研究了蚁群算法的原理和特点等，针对BP神经网络收敛速度慢、易陷入局部极小值等弱点，将具有全局寻优能力的蚁群优化算法(Ant Colony Optimization，ACO)引入BP神经网络模型，用来优化BP神经网络的初始权阈值，进而建立了ACO-BP神经网络预测模型。
　　(3)对建立好的ACO-BP神经网络预测模型进行了工程实例应用研究。结合大坝渗流、位移监测数据进行了拟合预测，并与BP神经网络模型拟合预测结果进行比较，分析得出ACO-BP网络模型的收敛速度更快、预测精度更高。
　　(4)利用某工程的变形监测资料，对大坝的变形区间进行定级预测，建立了在理论上更符合变形实际的ACO-BP神经网络的大坝变形区间预测模型，通过预测结果分析发现，基于ACO-BP神经网络的大坝变形区间预测模型可以满足生产实际的精度需求，也是一种值得采用的预测模型。

目录

声明

摘要

1 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 监测数据处理的现状与发展

1．2．2 监测数据处理存在的问题

1．3 本文的主要研究内容与技术路线

2 BP神经网络模型研究

2．1 人工神经网络概述

2．1．1 人工神经网络概念

2．1．2 人工神经元模型

2．2 BP神经网络理论

2．2．1 BP神经网络原理

2．2．2 BP神经网络学习算法

2．2．3 BP神经网络的设计

2．3 土石坝渗流BP网络模型

2．3．1 建模因子及BP结构的确定

2．3．2 BP网络模型的程序实现

2．3．3 算例分析

2．4 土石坝位移BP网络模型

2．4．1 建模因子及BP结构的确定

2．4．2 BP网络模型的程序实现

2．4．3 算例分析

2．5 本章小结

3 ACO-BP神经网络模型的建立

3．1 BP神经网络的局限性及改进思路

3．1．1 BP神经网络的局限性

3．1．2 BP神经网络的改进思路

3．2 蚁群算法

3．2．1 蚁群算法的起源

3．2．2 蚁群算法的研究及应用领域

3．2．3 蚁群算法的基本原理

3．2．4 蚁群算法数学模型及实现

3．2．5 蚁群算法的参数设置

3．3 ACO-BP神经网络模型的建立

3．3．1 基本思想

3．3．2 算法流程

3．4 本章小结

4 基于ACO-BP神经网络在大坝监测数据分析中的应用

4．1 工程概况

4．2 监测概况

4．2．1 大坝渗流监测

4．2．2 大坝位移监测

4．3 ACO-BP神经网络模型在大坝渗流监测中的应用

4．3．1 BP结构的确定

4．3．2 MATLAB实现蚁群算法对BP网络的优化

4．3．3 成果分析

4．4 ACO-BP神经网络模型在大坝位移监测中的应用

4．4．1 BP结构的确定

4．4．2 MATLAB实现蚁群算法对BP网络的优化

4．4．3 成果分析

4．5 ACO-BP神经网络模型在大坝变形区间预测中的应用

4．6 本章小结

5 结论与展望

5．1 结论

5．2 展望

致谢

参考文献

附录