法律状态公告日
法律状态信息
法律状态
2020-05-05
授权
授权
2019-11-19
实质审查的生效 IPC(主分类):E02B1/00 申请日:20190528
实质审查的生效
2019-10-25
公开
公开
技术领域
本发明属于大坝安全运行控制领域,具体涉及一种基于变形的拱坝运行期实时安全监控阈值确定方法。
背景技术
高拱坝一般承受巨大的水推力,应力水平高,一旦出现问题对社会、生态、经济等各方面影响大,因此确保高拱坝安全正常运行是项目业主、设计、施工、科研以及国内水利水电管理部门的主要责任,是国家防洪、供水、发电、生态以及人民生命财产安全的重要保障,对于特高拱坝来说,任务尤其艰巨。拱坝运行期安全评价主要有两种方式:一是国家或行业层面定期或专门的安全检查,全面评价大坝安全性,一般5年一次,时效性差;二是大坝运营部门日常安全监控,动态分析大坝运行是否正常并就异常状态进行预警,具有良好的时效性,对于确保大坝正常运行意义重大。
混凝土坝做为一个动态变化的复杂系统,结构形式的特殊性和工作环境的复杂性,决定了大坝安全受到诸多因素的影响,同时工作性态以变形、应力、温度、渗流、渗压和开裂等多种形式表现出来。变形做为高拱坝工作性态最直观的反映,与应力应变、渗流渗压和结构开裂相互关联,大坝工作性态和安全状态的变化会在变形中反映出来。
高拱坝变形监控已建立了比较完备的方法体系,包变形监控模型和阈值确定等。变形监控模型中,统计模型、混合模型应用较为广泛,新型算法不断引进,如灰色理论、小波分析、神经网络等,上述算法计算速度快,可以实现对大坝性态的快速诊断;确定性模型基于结构仿真进行分析,具有严格的物理基准,通过反馈分析,可以得到比较准确的变形预测结果,但限于计算能力和计算速度,目前实时监控中应用较少。
现有模型概括起来有以下不足:
(1)统计模型是使用最为广泛的一种模型,是一种经验模型,缺乏物理背景和解释能力,外延性差,对于未出现过的超高超低水位或温度无法进行准确监控;
(2)基于神经网络、遗传算法等的大坝变形监控模型,与统计模型类似,同样缺乏明显的物理背景和解释,同时外延性差,还具有计算时间长的特点;
(3)混合模型和确定性模型,物理解释好,但计算复杂,普遍采用单一或者上下限的恒定监控值,实时动态监控精度不高。
现有技术有用单点或多点统计分析方法,小波分型方法或网络神经分析方法,主要是依据变形监测量,水位监测量,温度监测量,进行拟合,建立变形与水位、温度、时效等之间的数学关系。如:
Y(H,T,t)=f1(H)+f2(T)+f3(t)
式中:f1(H)、f2(T)和f3(t)分别为水位分量、温度分量和时效分量。
采用该拟合函数,根据实际水位、温度、时间等进行预测分析。
另外采用小波分析等进行分析确定,如主要步骤为:
(1)选取高坝工程中若干测点的变形监测数据,采用小波软阈值去噪法去噪;
(2)确定模型输入因子,对所选因子进行主成分分析,提取主成分;
(3)对多测点去噪后数据及各主成分进行归一化处理,分为训练样本、预测样本;
(4)依据训练样本,利用改进粒子群算法对支持向量机SVM参数C、σ进行寻优,完成对支持向量机的训练;
(5)依据预测样本,用训练好的支持向量机进行样本预测,进行模型预报效果评价。
该方法运行过程中,应用统计模型做长期预报(时间、水位、温度等)与当前样本有大幅度的外延是不合理的,同时模型缺乏物理基准,无法判断机理解释。
还有根据常规变形监控指标的计算方法,考虑参数区间不确定性,选取变形最不利工况,拟定该坝段变形安全监控指标的区间值,大坝最大变形监控指标取区间最大变形监控指标的上限值,最小变形监控指标取区间最小变形监控指标的下限值。如:
综上所述,现有技术问题包括:
(1)广泛使用的统计方法或新型算法给出的预测变形无法有效外延,即对于曾经出现过的水位、温度、坝肩变形的造成的影响可以实现短时间预测,但一旦出现超高或超低水位等,现有方法无法进行准确预测;
(2)现有混合方法或确定性方法给出的监控阈值普遍是基于极限高水位或者低水位等计算得到的恒定值,或者上下限值,与实际运行过程中的水位、温度等变化无关,无法实现精确监控。
发明内容
针对上述方法存在的不足,本发明采用全坝全过程仿真分析方法,结合深度算法或插值算法,得到大坝各个监测点变形的动态实时监控阈值,本发明的特点:准确预测大坝变形,实现物理机制良好解释,同时监控指标阈值实时动态变化,能够实现实时精准监控,对于大坝安全监控具有重要的现实意义。
具体的技术方案为:
基于变形的拱坝运行期实时安全监控阈值确定方法,包括以下步骤:
(1)对大坝结构、施工、运行、环境、监测资料进行全面分析,建立反映结构主要特征的网格模型;
(2)基于大坝变形监测资料,结合水位、温度、坝肩变形、徐变等,采用统计模型对大坝各正倒垂测点进行回归分析,得到大坝水压、温度、坝肩变形、时效等变形分量;
(3)基于水压变形分量,进行结构模量参数反演分析,得到符合实际的材料性能参数;
(4)采用上述反馈参数,基于拟定水位、温度、坝肩坝肩变形、徐变等,进行全坝全过程仿真分析,预测一定时间内的大坝变形,给出大坝所有正倒垂测点变形随时间变化,确定各点变形基准值;
(5)采用符合实际的材料性能参数,进行大坝坝面水压、库盘水压、环境温度、温度回升、坝肩变形及大坝徐变变形单因素分析,得到不同单因素作用下变形发展规律;包括不同水位下各测点变形大小,如水位变化自死水位以下20m到坝顶高程以上20m,每隔2m计算一次;环境温度自月极低温度至月极高温度,每隔2℃计算一次等;
(6)在实际运行过程中,水库水位w、温度T、坝肩变形δf、徐变cτ是持续变化的,设某时间点t时水库水位wt、环境温度Tt、坝肩变形δft、徐变cτt,对应大坝变形值应为:
δdt=f(wt,Tt,δft,cτt)
而初始预测给定的基准值对应水位是wt0、环境温度Tt0、坝肩变形δft0、徐变cτt0,对应大坝变形基准值为:
δdt0=f(wt0,Tt0,δft0,fτt0)
则初始预测基准值与实际运行过程中的基准值存在水位、温度、坝肩变形、徐变等不同导致的差异Δδ,进行修正,即:
δdt=δdt0+Δδ;
变形修正采用多维插值算法实现;设存在N个M维输入数据X及其对应输出数据Y,对每个输入数据Xi进行排序,在此基准上计算输出数据Yi,即:
根据原预测仿真时计算水位、温度、坝肩变形、徐变以及当前水位、温度、坝肩变形、徐变,采用插值函数y,综合计算得到修正值Δδ:
Δδ=y(wt0,Tt0,δft0,cτt0,wt,Tt,δft,cτ)。
(7)在变形值δdt确定后,给定各点变形允许变幅Δδdt,得到变形阈值δdt_per:
δdt_per=δdt±Δδdt
Δδdt确定方式是:基于运行期各点已有监测数据和预测数据,计算两者各个时刻偏差的平方和,得到平均偏差Δa及最大偏差Δmax,根据平均偏差与最大偏差比例r=Δa/Δmax,确定允许偏差:
Δδdt=2~3Δa或Δδdt=1~2Δmax
即在一些偶然因素影响下,大坝变形值与预测值有些偏差是正常的,但不允许超过这个区间,一旦超过,则处于异常状态,需要进行预警。
步骤2中,主要目的是取得变形分量,可采用统计方法,也可以采用神经网络等其他方法实现;
步骤4中,在大坝运行过程中,已达到过极限运行水位的情况下,也可以采用统计回归等类似方法取得变形基准值;
步骤7中变形修正方法可以采用多维插值算法,也可以采用其他类似的算法实现;
步骤8中允许偏差可以采用平均偏差或最大偏差确定,也可以采用其它类型的偏差。
本发明有益效果是:
(1)能够基于大坝变形物理机制进行变形预测,外延性能好;
(2)能够在大量仿真计算基准上实现大坝变形快速预测和给定监控值;
(3)能够根据实际情况实时动态给出监控值,实现精确监控。
附图说明
图1是本发明监控方法流程图;
图2是本发明实施例拱坝体型示意图;
图3是本发明实施例拱坝网格模型图;
图4是本发明实施例大坝实测上游水位过程线;
图5是本发明实施例大坝实测下游水位过程线;
图6是本发明实施例大坝实测温度过程线;
图7是本发明实施例正倒垂测点布置示意图;
图8是本发明实施例典型测点PL13-3变形分离曲线;
图9是本发明实施例拱坝混凝土材料分区图;
图10是本发明实施例大坝典型坝段13#坝段实测变形曲线图;
图11是本发明实施例大坝典型测点PL13-3计算变形与实测变形对比图;
图12是本发明实施例大坝典型测点PL13-3计算变形与水位关系曲线;
图13是本发明实施例大坝测点实测变形与调整变形示意图;
图14是本发明实施例典型测点PL13-3大坝实测变形与监控值对比图。
具体实施方式
下面结合附图所示对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
下面以一拱坝为例,对本发明进行实例说明,采用的方法如图1所示:
实例:拱坝
步骤1,对大坝结构、施工、运行、环境、监测等各种资料进行全面分析,建立反映结构主要特征的网格模型。
拱坝体型如图2、图3所示,坝高305m,拱冠顶部厚度16m,底部厚度63m。
上、下游水位如图4、图5所示,正常水位为1880m。
多年平均温度如图6所示。
步骤2,基于大坝变形监测资料,如图7所示,结合水位、温度、坝肩变形等,采用统计模型对大坝各正倒垂测点进行回归分析,得到大坝水压、温度、坝肩变形等变形分量。
正倒垂测点布置如图7所示。
拱坝典型#13坝段的回归拟合参数如表1所示。
表1拱坝典型#13坝段的回归拟合参数
典型测点PL13-3变形分离曲线如图8所示。
步骤3,根据步骤2,基于水压变形分量,进行结构模量等参数反演分析,得到符合实际的材料性能参数。
反馈后结构模量参数如表2所示。
表2拱坝材料反演性能参数表
拱坝混凝土材料分区如图9所示。
步骤4,根据步骤3反馈的参数,基于拟定水位、温度、坝肩变形等变化情况,进行全坝全过程仿真分析,预测2019年至2024年的大坝变形,给出大坝正倒垂测点变形随时间变化,该值为基准值。
大坝实测变形曲线如图10所示。
典型测点PL13-3计算变形与实测变形曲线对比及预测变形如图11所示。
步骤5,采用符合实际的材料性能参数,进行大坝坝面水压、库盘水压、环境温度、温度回升、坝肩变形及大坝徐变变形单因素分析,得到不同单因素作用下变形发展规律,包括不同水位下各测点变形大小,水位变化自1840m开始,取1840m、1860m、1880m、1900m、1905m水位高程进行计算;环境温度自月极低温度至月极高温度,取差值-5℃、-2℃、2℃、5℃计算。
变形与水位关系曲线如图12所示。
步骤6,对大坝变形值采用多维插值算法进行变形修正。根据原预测仿真时计算水位、温度和坝肩变形以及当前水位、温度和坝肩变形,综合计算得到修正值。
大坝实测变形与调整变形示意如图13所示。
步骤7,在基准值确定后,给定各点变形允许的变化区间,波动阈值的变幅,基于运行期各点监测数据和预测数据,计算两者各个时刻的标准方差,得到平均偏差及最大偏差,在此基准上,根据平均偏差与最大偏差比例,确定允许偏差。
典型测点PL13-3实测变形与监控值对比如图14所示。
综上所述,本发明准确预测大坝变形,实现物理机制良好解释,同时监控指标实时动态变化,能够实现实时精准监控。
机译: 助听器的目标增益曲线确定方法,涉及基于选定的声音传导部分来对测量的阈值水平进行均衡,以及基于水平的阈值水平来确定目标增益曲线
机译: 用于车辆的制动力确定方法,包括通过基于检测到的值与力之间的相关性来确定力,以及基于在车辆运行期间获得的数据来确定相关性。
机译: 处理实时注释消息,基于实时注释消息总数与终端屏幕上可显示的实时注释消息的阈值数量的比率