大坝变形与水位、温度、时效等较多因素非线性相关,支持向量机(Support Vector Machine, SVM)适用于小样本、非线性、高维学习问题,在大坝安全变形监控上具有很大的优越性。阐述了支持向量机的原理,介绍了应用SVM建立混凝土坝变形监控模型的步骤及其参数优化方法。针对预测样本数目的合理取值问题,通过实例分析,研究基于SVM的混凝土坝变形监控模型的预测能力。结果表明,基于SVM的混凝土坝变形监控模型短期预测能力优于长期预测能力,且其预测能力受预测集数目的影响大于算法优化的影响。因此,合理选择预测集数目对变形监控模型有效预测尤为重要。
Abstract
Dam deformation is nonlinearly correlated with water level, temperature, aging and many other factors. Support vector machine (SVM) is of great superiority in dam safety monitoring as it accommodates small sample, nonlinear and high dimensional learning problems. In this article, the principle of SVM is expounded, the procedures of building an SVM-based deformation monitoring model are summarized, and parameter optimization method is introduced as well. The prediction ability of the SVM-based monitoring model for concrete dam deformation is analyzed through a case study. Results demonstrate that the short term prediction ability of the model is better than its long term prediction ability; the prediction ability is affected by the number of prediction sets rather than by algorithm optimization. The results indicate that selecting an appropriate number of prediction sets is important to the validity of the model.
关键词
混凝土坝 /
变形监控 /
SVM /
粒子群算法 /
预测能力 /
实例分析
Key words
concrete dam /
deformation monitoring /
Support Vector Machine /
particle swarm optimization /
prediction ability /
case analysis
{{custom_sec.title}}
{{custom_sec.title}}
{{custom_sec.content}}
参考文献
[1] 顾冲时, 苏怀智. 混凝土坝工程长效服役与风险评定研究述评[J]. 水利水电科技进展, 2015, 35(5):1-12.
[2] 顾冲时, 苏怀智, 王少伟. 高混凝土坝长期变形特性计算模型及监控方法研究进展[J]. 水力发电学报, 2016, 35(5):1-14.
[3] 杨晓晓, 刘 懿, 王 超,等. 基于改进PSO算法和SVM的大坝监控模型研究[J]. 人民长江, 2015, 46(18):97-100.
[4] 杜传阳, 郑东健. 基于SVM理论的大坝变形监测模型改进方法研究[J]. 三峡大学学报(自然科学版), 2015, 37(2):10-14.
[5] 杜传阳, 郑东健, 张 毅,等. 基于动态SVM-MC的大坝变形监测模型及应用[J]. 水电能源科学, 2015,(1):71-74.
[6] 杜传阳, 郑东健, 张 毅,等. 基于改进PSO-SVM-MC模型的大坝变形监测模型[J]. 水电能源科学, 2015,(2):74-77.
[7] 钱 程, 李连基, 周子东. SVM-RBFNN组合模型在某混凝土双曲拱坝变形监测中的应用[J]. 水电能源科学, 2015,(12):93-95.
[8] 张洪银, 童严文, 谢继香. 混沌序列GA-SVM模型在滑坡监测中的应用[J]. 人民黄河, 2014, 36(12):114-117.
[9] 李涧鸣, 包腾飞, 卢远富,等. 基于GAMPSO-SVM的大坝变形监控模型[J]. 三峡大学学报(自然科学版), 2015, 37(6):42-46.
[10]屠立峰, 王 慧, 顾 微. 基于GCS-SVM的大坝变形监测非线性预警模型[J]. 中国农村水利水电, 2015,(5):114-116.
[11]Matlab中文论坛.MATLAB神经网络30个案例分析[M]. 北京:北京航空航天大学出版社, 2010: 286.
[12]肖浩波, 谷艳昌. 混凝土坝安全监控最小二乘支持向量机模型[J]. 长江科学院院报, 2013, 30(5):34-37.
[13]赵 娜, 贾世魁, 王 健,等. PSO优化算法的参数研究[J]. 机械与电子, 2013,(11):3-6.
[14]范振东, 崔伟杰, 陈 敏,等. 基于IPSO-RVM的大坝安全预警模型[J]. 长江科学院院报, 2016, 33(2):48-51.
[15]吴中如. 水工建筑物安全监控理论及其应用[M]. 北京:高等教育出版社, 2003: 406.
基金
国家自然科学基金项目(51579086,51479054,51379068,51139001);江苏省杰出青年基金项目(BK20140039);江苏高校优势学科建设工程项目(YS11001)
PDF(2171 KB)
