您现在的位置: 首页> 研究主题> 大坝变形

大坝变形

大坝变形的相关文献在1989年到2023年内共计318篇,主要集中在水利工程、测绘学、自动化技术、计算机技术 等领域,其中期刊论文234篇、会议论文31篇、专利文献55516篇;相关期刊125种,包括城市建设理论研究(电子版)、大地测量与地球动力学、地理空间信息等; 相关会议23种,包括2013年全国大坝安全监测技术与应用学术交流会、中国水力发电工程学会大坝安全专委会2015年会暨大坝安全检测技术与新仪器应用学术交流会、中国测绘地理信息学会2014工程测量分会与矿山测量专委会年会暨全国变形与安全监测学术研讨会等;大坝变形的相关文献由717位作者贡献,包括李征航、梁月吉、任超等。

大坝变形—发文量

期刊论文>

论文:234 占比:0.42%

会议论文>

论文:31 占比:0.06%

专利文献>

论文:55516 占比:99.52%

总计:55781篇

大坝变形—发文趋势图

大坝变形

-研究学者

  • 李征航
  • 梁月吉
  • 任超
  • 吴中如
  • 王新洲
  • 包腾飞
  • 庞光锋
  • 苏怀智
  • 邓兴升
  • 郭芝韵
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

    • 金鑫鑫; 周树国; 黎利兵; 商玉洁; 张春雨
    • 摘要: 以丰满大坝重建工程安全监测结果为基础,研究分析了丰满重力坝在首次蓄水期间的主要变形发展规律和分布特征。结果表明:大坝的水平变形、沉降变形和倾斜角度均在合理范围内,变形分布及变化趋势符合一般规律,大坝横缝变形较小,且无异常发展趋势,坝体变形总体处于正常范围。
    • 罗亦泳; 吴大卫; 张立亭; 黄城; 刘宏宏
    • 摘要: 大坝变形是一个多因素影响下的非线性系统,具有显著的非线性、小样本和高维特点,这些变形特点导致构建精度和可靠性高的大坝变形预测模型难度较大。鉴于高斯过程(GP)学习算法能较好地解决小样本和高维数的非线性建模问题,提出基于异方差高斯过程(HGP)的大坝变形预测新模型。将HGP算法预测结果与BP神经网络(BP)、最小二乘支持向量机(LS-SVM)、标准GP算法进行对比,并且构建了HGP结果的可靠性分析方法。实验结果可知,HGP的精度指标均优于BP、LS-SVM和GP算法,证实HGP算法具有较好的大坝预测精度;由于HGP考虑了变形监测环境的变化,其预测结果的精度优于标准GP算法,表明HGP算法改进策略的有效性;实测值均落在HGP算法估计的95%置信度置信区间内,证实基于HGP算法的大坝变形预测结果精度及可靠性高,有效弥补了当前大坝变形预测模型较少有结果可靠性分析功能的缺点。HGP所有参数均自适应解算,可有效地避免用户参数设置不合理引起的误差,具有更好的实用价值。
    • 韩行进; 杨松林; 匡楚丰; 陈冰; 张健飞; 余天堂
    • 摘要: 基于逐步回归法、偏最小二乘回归法和长短期记忆(LSTM)循环神经网络,构建了五强溪水电站大坝变形预测模型。采用拉伊特准则确定可靠的监测数据,基于可靠的监测数据,构建考虑水压、温度、时效因素的混凝土重力坝变形预测逐步回归和偏最小二乘回归模型,根据五强溪大坝坝顶J23测点2006年~2020年的监测资料获得该测点的沉陷曲线逐步回归和偏最小二乘回归预测模型。根据数值试验,选定的LSTM模型包括2个LSTM层,激活函数采用整流线性单元函数,输入序列长度为20。训练集数据取2006年~2017年的监测值,2018年~2020年的监测数据作为测试集数据。采用随机搜索对LSTM循环神经网络的超参数进行优化。比较3种模型结果可知:3种模型在沉降曲线的预测效果均较好;偏最小二乘回归法能合理地解释各分量;训练数据足够时,LSTM循环神经网络的预测精度非常高;采用偏最小二乘法回归模型或LSTM模型预测J23测点变形更为妥当。
    • 李冰; 徐笑笑
    • 摘要: 针对大坝变形预测模型精度不高、特征提取能力差等问题,构建基于深度置信网络(DBN)的预测模型,以官地水电站2012~2016年的变形数据为例,实现大坝变形后10期的准确预测。结果表明,DBN模型三项评价指标分别为0.23 mm、0.30 mm、7.09%,显著优于其他比较模型,能够更加准确预测大坝变形,为大坝变形预测提供一种新的方法。
    • 欧斌; 吴邦彬; 袁杰; 李淑芳
    • 摘要: 为提升混凝土坝变形预测的精度,采用具有出色的非线性数据挖掘能力与时间序列长、短期预测性能的长短期记忆网络(LSTM),提出了基于LSTM网络的混凝土坝变形预测模型。实例分析表明,相比于常用的逐步回归、多元回归等方法,基于LSTM网络构建的变形预测模型可有效挖掘大坝变形与影响因子间复杂的非线性关系,模型的建模与预测精度均得以显著提升。
    • 范哲南; 刘小生
    • 摘要: 针对大坝变形时间序列的非线性及形变值累计特性,引入NARX神经网络进行分析并实现变形预测。首先,NARX神经网络通过非线性自回归网络与外源输入相结合,较好地解决了传统BP神经网络存在的收敛速度慢和易陷入局部极值等问题;其次,建立基于NARX神经网络的大坝变形预测模型,对原始数据预处理后采用周期为输入序列、变形值为输出序列训练模型;最后,以官地水电站大坝监测序列为例验证NARX神经网络模型预测性能。结果表明,在MSE、MAPE及RMSE三项精度指标测算中,BP神经网络分别为5.10 mm^(2)、30%、3.31 mm,而NARX神经网络分别为0.78 mm^(2)、12%、2.21 mm,均小于BP神经网络的,说明了NARX神经网络模型具有更高的预测精度。此外,NARX神经网络预测模型收敛时间为0.36 s,收敛速度较BP神经网络有较大提升。
    • 李新华; 崔东文
    • 摘要: 为提高水库大坝变形预测精度,研究一种将人工电场算法(AEFA)与极限学习机(ELM)相结合的预测方法。以官地水电站72期大坝沉降数据为例,构建延迟时间为1,嵌入维数为2、3、5的3种ELM预测模型,利用AEFA优化ELM输入层权值和隐含层偏值,构建3种不同嵌入维的AEFA-ELM大坝变形预测模型,并构建对应的AEFA-支持向量机(SVM)、AEFA-BP作预测对比模型。将9种不同嵌入维的AEFA-ELM、AEFA-SVM、AEFA-BP模型用于实例大坝变形数据的训练和预测。结果表明:嵌入维数为2、3、5的AEFA-ELM模型对实例后10期大坝变形预测的平均相对误差分别为3.94%、4.08%、3.67%,预测误差均小于AEFA-SVM、AEFA-BP模型,具有较高的预测精度,对大坝变形预测研究具有一定的参考价值。
    • 司政; 吴艳兵; 段彬; 胡兴伟; 汤荣平; 张会员
    • 摘要: LD水电站蓄水后厂房坝段坝顶变形持续增大,且最大变形超过原计算值。为分析其原因,利用有限元软件对LD水电站厂房坝段进行仿真计算。从外荷载分量、温度分量、时效分量3个方面开展厂房坝段变形计算。将变形叠加后与实测变形相比较,分析坝顶变形持续增大的原因。结果表明:坝顶变形中外荷载分量占比最大,为总变形的50%,其次为时效分量和温度分量,分别占总变形的27%和23%。坝前水位稳定之后坝顶变形增量主要由时效和温度引起,其中时效变形占后期变形增量的86%,温度变形占14%。随着时间的推移,混凝土徐变逐渐收敛,温度场逐渐稳定,时效变形和温度变形趋于稳定,因此坝顶变形不会持续增大。原变形计算对温度及时效影响的考虑不足,导致监测值大于原计算值。建议类似工程变形计算应充分考虑温度与时效对结构变形的影响。研究成果可为河床式电站厂房坝段变形复核及预测提供参考,为解决类似工程问题提供了一种思路。
    • 郑旭东; 王珏; 高升; 李琪
    • 摘要: 在大坝变形监测领域中,由于实际工程的复杂性及外界环境的不确定性,获得的变形观测数据往往存在一定的误差。而误差的存在,直接导致了观测数据波动性的增强,在一定程度上掩盖了工程的实际变形情况。通过弱化大坝变形数据的波动性,进而分离影响大坝变形的多种因素,针对单一或少量的影响因素的周期性和季节性特点,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)模型和季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average,SARIMA)的预测方法。依据小浪底大坝和丰满大坝的变形观测数据进行预测分析。预测结果表明,此方法能够更好地拟合大坝变形的变化趋势,对于大坝沉降变形预报是一种行之有效的预测方法。
    • 杨恒; 岳建平; 邢尹; 周钦坤
    • 摘要: 将深度全连接神经网络引入大坝变形预测领域,结合大坝多源监测数据的训练样本,建立基于深度全连接神经网络的大坝变形预测模型.利用几种常见的深度优化学习算法对模型进行优化训练,通过对比各损失函数的变化曲线选取最优学习算法,进一步构建基于最优学习算法的深度全连接神经网络大坝变形预测模型;最后结合大坝多源监测数据的测试样本对模型进行检验分析,并将预测结果和传统BP神经网络的预测结果进行对比.研究结果表明,本文的深度全连接神经网络模型预测精度高、实用性强,可为大坝安全监控提供参考.
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号