CN101699477B - 精确预测大坝变形的神经网络方法 - Google Patents
精确预测大坝变形的神经网络方法 Download PDFInfo
- Publication number
- CN101699477B CN101699477B CN2009101849359A CN200910184935A CN101699477B CN 101699477 B CN101699477 B CN 101699477B CN 2009101849359 A CN2009101849359 A CN 2009101849359A CN 200910184935 A CN200910184935 A CN 200910184935A CN 101699477 B CN101699477 B CN 101699477B
- Authority
- CN
- China
- Prior art keywords
- dam
- observation
- mtd
- deformation
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000000611 regression analysis Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 230000032683 aging Effects 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
精确预测大坝变形的神经网络方法是一种采用回归模型和神经网络的融合技术的方法,利用大坝变形观测历史数据,采用回归分析模型和神经网络技术的融合,精确预测大坝的变形,从而提高了对大坝安全评价的准确性,对“大坝安全监控”具有重要的现实意义。具体为:1)收集大坝变形观测历史资料、2)数据预处理、3)回归分析、4)神经网络模拟、5)计算大坝变形值。本发明方法的特点:对于大坝变形的预测,物理解释好,计算结果稳定,更重要的是,预测精度得到较大提高。预测精度高,从而提高了对大坝安全评价的准确性,对“大坝安全监控”具有重要的现实意义,将取得明显的经济效益。
Description
技术领域
本发明是利用大坝变形观测历史数据,采用神经网络技术精确预测大坝变形的一种方法,属于“水利”学科中的“大坝安全监控”技术领域。
背景技术
目前,大坝安全已经成为公共安全问题,它关系着下游人民的生命和财产安全。而大坝变形监测和变形分析是保障大坝安全运行的重要手段之一。因此变形数据的处理分析是大坝安全监控中的一项很重要的工作。
变形分析的主要任务是由实测资料建立数学模型。然后,应用这些模型对大坝的运行进行变形预测,同时对模型中的各个分量进行物理解释,藉此对其性态进行准确及时的评估,了解其安全状况,及时地采取安全措施。20世纪70年代,陈久宇教授等将统计回归分析应用于大坝安全监测资料分析,并对其进行物理成因解释,还提出了时效变化的指数模型、双曲函数模型、对数模型、线性模型等。80年代中期,吴中如院士等从“徐变理论”出发推导了坝体顶部时效位移的表达式,用周期函数来模拟温度、水压等周期荷载,并用非线性二乘法进行参数估计;吴中如院士还提出了坝顶水平位移的时间序列分析法以及连拱坝位移确定性模型的原理和方法,并在实际工程中得到了成功应用。我国邓聚龙教授20世纪80年代在国际会议上首次提出灰色***(GS,Grey system)理论;李珍照教授等于1991年将GS理论引入到大坝安全监测资料分析领域。近20多年来,模糊数学、灰色理论、神经网络、滤波法、小波分析、遗传算法、混沌动力学、模糊聚类分析、似然推理和模糊评判等各种理论和方法也纷纷被引入大坝安全监测资料分析中,并取得了一定的成果。此外,国内外学者提出了多种监控模型对大坝安全监测资料进行分析,如位移分布模型、数字滤波模型、优化组合模型、岭回归与主成分回归模型等。
综上所述,大坝安全监控的模型按数学模型分类可以分为四类:统计模型;确定性模型;混合模型;新兴的方法有神经网络监控模型。各种预测方法均有其优缺点,但概括起来,这些方法存在以下不足:
1)统计模型是目前使用最广泛的一种模型,但它是一种经验模型,物理解释欠缺;而且大坝变形预测的精度不高。
2)确定性模型和混合模型等方法,物理解释较好,但计算复杂,假设条件较多(需要较多的人工干预),使用时不方便,且预测精度也不高。
3)有一些基于神经网络的大坝变形预测模型,虽然预测精度有所提高,但计算时间长,计算结果不稳定。
针对这些方法存在的以上不足,本发明通过研究神经网络技术,巧妙地实现了回归分析模型和神经网络技术的融合。本发明方法的特点:对于大坝变形的预测,物理解释好,计算结果稳定,更重要的是,预测精度得到较大提高。预测精度高,从而提高了对大坝安全评价的准确性,对“大坝安全监控”具有重要的现实意义。
发明内容
技术问题:本发明是提供一种精确预测大坝变形的神经网络方法,利用大坝变形观测历史数据,采用回归分析模型和神经网络技术的融合,精确预测大坝的变形,从而提高了对大坝安全评价的准确性,对“大坝安全监控”具有重要的现实意义。
技术方案:本发明的大坝变形的预测方法为:
a.收集大坝变形观测历史资料:选定大坝,收集该大坝某测点至少连续3年的变形观测资料,各观测值至少包含以下3个信息:观测日期,大坝上游水位高程,垂直沉降或水平位移的变形观测值;
b.数据预处理:对每个观测数据分别进行数据预处理,计算影响变形的水压分量、温度分量和时效分量,共计10个数据;其中,水压分量4个,分别为H、H2、H3、H4分别记为x1、x2、x3、x4;温度分量4个,分别为 分别记为x5、x6、x7、x8;时效分量2个,分别为θ、ln(θ)分别记为x9、x10;其中:H为坝前水深,即库水位;t为“观测日”至“建模时段首次观测日”的累计天数;θ为“观测日”至“始测日”的累计天数除以100,“始测日”是指该大坝第1次变形观测的日期;
数据预处理之后,生成后的数据按照规定格式整理,格式为每行信息有13个数据,分别为:序号、观测日期、x1、x2、x3、x4、x5、x6、x7、x8、x9、x10、y;其中,y为变形观测值;
c.回归分析:用多元线性回归方法建立大坝变形与水压分量、温度分量和时效分量之间的确定性函数关系模型,回归分析模型如下:
y=a0+a1·x1+a2·x2+…+a9·x9+a10·x10
式中a0、a1、…、a10为回归模型待定系数。将子样逐个代入上式,可以建立误差方程式,根据最小二乘原理,计算上式中11个待定系数;
d.神经网络模拟:在回归模型的系数求出之后,先根据下式计算各子样的回归分析值y′和回归偏差值Δy:y′i=a0+a1·x1i+a2·x2i+…+a9·x9i+a10·x10i;
Δyi=yi-y′i(下标i表示子样序号);然后,再将计算结果按照规定格式重新整理,格式为每行信息有14个数据,包括:序号,观测日期,x1,x2,...,x9,x10,y′,Δy;
然后,将所有子样的相关信息构成学习样本,利用神经网络BP算法,按11×P×1的网络结构对学习样本进行训练,
d1).BP网络的输入层元素个数为11个,分别为:x1、x2、...、x10、y′,
d2).BP网络的隐含层元素个数为P个,P值计算公式为:P=15+INT(S/10),S为子样个数,
d3).BP网络的输出层元素个数为1个,为:Δy,
神经网络训练结束后,实质上就得到了该测点Δy的神经网络计算模型,该测点的大坝变形回归模型偏差值Δy*均可根据该神经网络模型计算得到;
e.计算大坝变形值:大坝变形预测的计算公式为:y*=y′+Δy*;式中,y′为根据回归方程计算得到的回归分析值;Δy*为由神经网络模拟计算得到的回归模型偏差值;y*为该测点的大坝变形预测的计算结果。
有益效果:本发明的精确预测大坝变形的神经网络方法具有以下优点:
(1)利用回归模型与神经网络的融合技术,对大坝变形进行预测,计算结果稳定,预测精度高;
(2)大坝变形的预测精度高,从而提高了对大坝安全评价的准确性,对“大坝安全监控”具有重要的现实意义。
附图说明
图1是大坝变形预测的神经网络BP网络结构图。
具体实施方式
下面结合具体实例,对本发明方法的具体实施方式作进一步详细说明。实施例为华东地区的CC大坝。
1)收集大坝变形观测历史资料
选定大坝,收集该大坝某测点至少连续3年的变形观测资料(每月保证有1次观测值)。各观测值至少包含以下3个信息:观测日期,大坝上游水位高程,变形观测值(垂直沉降或水平位移)。
实施例,CC大坝5#坝体第104号点,观测时间为1999年~2006年(连续8年),该点的垂直位移观测数据见表1。
表1CC大坝5#坝体第104号点的垂直位移观测数据和上游水位高程数据
2)数据预处理
对每个观测数据分别进行数据预处理,计算影响变形的水压分量、温度分量和时效分量,共计10个数据,其中,水压分量4个,分别为H、H2、H3、H4(记为x1、x2、x3、x4);温度分量4个,分别为(记为x5、x6、x7、x8);时效分量2个,分别为θ、1n(θ)(记为x9、x10)。
其中:
H-坝前水深,即库水位(坝前水深=上游水位高程-坝基高程);本例,CC大坝5#坝基高程为90m;
t-“观测日”至“建模时段首次观测日”的累计天数;本例,“建模时段首次观测日”为1999-01-11,故t为“观测日”距“1999-01-11”的累计天数;
θ-“观测日”至“始测日”的累计天数除以100,“始测日”是指该大坝第1次变形观测的日期;本例,CC大坝5#坝基“始测日”为1979-01-20,故θ为“观测日”至“1979-01-20”的累计天数除以100。
数据预处理之后,生成后的数据按照规定格式整理。具体数据见表2。每个观测数据为1行,每行信息包括13个数据,分别为:序号、观测日期、x1、x2、x3、x4、x5、x6、x7、x8、x9、x10、y。其中,y为变形观测值。
表2数据预处理之后的数据格式
续表2数据预处理之后的数据格式
3)回归分析
用多元线性回归方法建立大坝变形与各效应量(水压分量、温度分量和时效分量)之间的确定性函数关系模型。回归分析模型如下:
式中a0、aj(j=1,2,…10)为回归模型待定系数。表2中的每行数据为一个子样,将所有子样(设为S个)逐个代入上式,可以建立S个误差方程式,误差方程式通式为:
式中下标i表示子样序号。上式写成矩阵形式为:
其中, 然后,
按照下式计算待定参数X的估计值:
本例以1999年1月~2004年12月共72组数据进行建模,以2005年~2006年的数据用来预报(检验),以便检验本发明方法的变形预测效果。为了增加检验数据的密度,对2005年~2006年的垂直位移数据和坝前水深数据采用线性插值的方法进行加密,加密后2005年~2006年的数据为35组。【说明:实际操作时,可取全部样本的70%作为学习样本,30%作为检验样本,用来检验模型的应用效果。】实例计算结果如下(见表3):
表3大坝变形预测回归分析模型计算结果表
4)神经网络模拟
在回归模型的系数求出之后,先根据下式计算各子样的回归分析值y′和回归偏差值Δy:
y′i=a0+a1·x1i+a2·x2i+…+a9·x9i+a10·x10i (5)
Δyi=yi-y′i (6)
然后,再将计算结果按照规定格式整理(参看表4)。每行信息有14个数据,包括:序号,观测日期,x1,x2,...,x9,x10,y′(回归值),Δy(回归偏差值)。
表4用于建立BP神经网络模型的数据
序号 | 观测日期 | x1 | x2 | … | x9 | x10 | y′ | Δy |
1 | 1999-1-11 | 14.12 | 199.3744 | 80.1600 | 4.3840 | 1.1226 | -0.5026 | |
2 | 1999-2-6 | 13.01 | 169.2601 | 80.4200 | 4.3873 | 1.4257 | -0.4157 | |
3 | 1999-3-17 | 13.73 | 188.5129 | 80.8000 | 4.3920 | 1.3440 | 0.4360 | |
4 | 1999-4-13 | 17.9 | 320.4100 | 81.0700 | 4.3953 | 0.8634 | 0.4266 | |
5 | 1999-5-17 | 17.92 | 321.1264 | 81.4000 | 4.3994 | -0.0234 | 0.1334 | |
6 | 1999-6-15 | 19.92 | 396.8064 | 81.6900 | 4.4029 | -0.8414 | 0.4914 | |
7 | 1999-7-1 | 30.18 | 910.8324 | 81.8500 | 4.4049 | -0.5626 | 0.1226 | |
… | ||||||||
96 | 2006-12-29 | 16.42 | 269.6164 | 108.8900 | 4.6903 | -0.4194 | 0.0294 |
然后,将前72个子样的相关信息构成学习样本,利用神经网络BP算法,按11×P×1的网络结构(参看图1)对学习样本进行训练,
(1)BP网络的输入层元素个数为11个,分别为:x1、x2、...、x10、y′,
(2)BP网络的隐含层元素个数为P个,P值计算公式为:P=15+INT(S/10),S为子样个数,
(3)BP网络的输出层元素个数为1个,为:Δy,
神经网络训练结束后,实质上就得到了该测点Δy的神经网络计算模型,该测点的大坝变形回归模型偏差值Δy*均可根据该神经网络模型计算得到。
5)计算大坝变形值
大坝变形预测的计算公式为:
y*=y′+Δy* (7)
式中,y′为回归分析值(根据回归方程计算得到);Δy*为回归偏差值(由神经网络模拟计算得到);y*为该测点的大坝变形预测的计算结果。
6)精度比较
本例有35组检验数据,可以用来检验不同方法的效果。利用中误差M来评价其精度:
式中,yi *为第i点的不同方法计算结果,yi为第i点的已知值,n为检验点的个数(注:中误差M越小,精度越高,表明预测效果越好)。检验结果见表5。与回归模型相比,本发明方法预测精度可提高40%。
表5检验精度结果
Claims (1)
1.一种精确预测大坝变形的神经网络方法,其特征在于,该方法包括以下步骤:
a.收集大坝变形观测历史资料:选定大坝,收集该大坝某测点至少连续3年的变形观测资料,各观测记录至少包含以下3个信息:观测日期,大坝上游水位高程,垂直沉降或水平位移的变形观测值;
b.数据预处理:对每个观测记录分别进行数据预处理,计算影响变形的水压分量、温度分量和时效分量,共计10个数据;其中,水压分量4个,H、H2、H3、H4,依次记为x1、x2、x3、x4;温度分量4个,依次记为x5、x6、x7、x8;时效分量2个,θ、ln(θ),依次记为x9、x10;其中:H为坝前水深,即库水位;t为“观测日”至“建模时段首次观测日”的累计天数;θ为“观测日”至“始测日”的累计天数除以100,“始测日”是指该大坝第1次变形观测的日期;
数据预处理之后,生成后的数据按照规定格式整理,格式为每行信息有13个数据,依次分别为:观测记录序号、观测日期、x1、x2、x3、x4、x5、x6、x7、x8、x9、x10、y;其中,y为变形观测值;
c.回归分析:用多元线性回归方法建立大坝变形与水压分量、温度分量和时效分量之间的确定性函数关系模型,回归分析模型如下:
y=a0+a1·x1+a2·x2+…+a9·x9+a10·x10
式中a0、a1、…、a10为回归模型待定系数;将观测记录逐个代入上式,可以建立回归分析模型,根据最小二乘原理,计算上式中11个待定系数;
d.神经网络模拟:在回归模型的系数求出之后,先根据下式计算各观测记录的回归分析值y′和回归偏差值Δy:y′i=a0+a1·x1i+a2·x2i+…+a9·x9i+a10·x10i;Δyi=yi-y′i,下标i表示观测记录序号;然后,再将计算结果按照规定格式重新整理,格式为每行信息有14个数据,依次包括:观测记录序号,观测日期,x1,x2,...,x9,x10,y′,Δy;
然后,将所有观测记录的相关信息构成学习样本,利用神经网络BP算法,按11×P×1的网络结构对学习样本进行训练,
d1)BP网络的输入层元素个数为11个,分别为:x1、x2、…、x10、y′,
d2)BP网络的隐含层元素个数为P个,P值计算公式为:P=15+INT(S/10),S为观测记录个数,
d3)BP网络的输出层元素个数为1个,为:Δy,
神经网络训练结束后,就得到了该测点Δy的神经网络计算模型,该测点的大坝变形回归模型偏差值Δy*根据该神经网络模型计算得到;
e.计算大坝变形值:大坝变形预测的计算公式为:y*=y′+Δy*;式中,y′为根据回归方程计算得到的回归分析值;Δy*为由神经网络模拟计算得到的回归模型偏差值;y*为该测点的大坝变形预测的计算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101849359A CN101699477B (zh) | 2009-10-21 | 2009-10-21 | 精确预测大坝变形的神经网络方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101849359A CN101699477B (zh) | 2009-10-21 | 2009-10-21 | 精确预测大坝变形的神经网络方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101699477A CN101699477A (zh) | 2010-04-28 |
CN101699477B true CN101699477B (zh) | 2012-06-27 |
Family
ID=42147935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101849359A Expired - Fee Related CN101699477B (zh) | 2009-10-21 | 2009-10-21 | 精确预测大坝变形的神经网络方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101699477B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102425148B (zh) * | 2011-09-02 | 2014-01-08 | 铁道第三勘察设计院集团有限公司 | 基于静力触探和bp神经网络的路基沉降快速预测方法 |
CN102750443B (zh) * | 2012-06-04 | 2015-04-08 | 河海大学 | 一种碾压混凝土坝层面性态综合评价方法 |
CN103353295B (zh) * | 2013-05-20 | 2015-11-18 | 东南大学 | 一种精确预测大坝坝体垂直变形量的方法 |
CN104089979A (zh) * | 2014-07-17 | 2014-10-08 | 温州大学 | 一种海涂围堤堤身内部缺陷程度识别方法 |
CN105571645A (zh) * | 2016-01-25 | 2016-05-11 | 潘祖国 | 一种大坝自动化监测方法 |
CN105809246B (zh) * | 2016-02-25 | 2018-02-02 | 东南大学 | 一种基于bp‑时间序列融合的地铁结构变形预报方法 |
CN105956662A (zh) * | 2016-04-20 | 2016-09-21 | 东南大学 | 一种基于bp-回归分析预测模型的地铁结构变形预报方法 |
CN106355540A (zh) * | 2016-09-18 | 2017-01-25 | 三峡大学 | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 |
CN106649966B (zh) * | 2016-10-18 | 2020-01-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于多测点特征信息的大坝变形性态诊断方法 |
CN108228819A (zh) * | 2017-12-29 | 2018-06-29 | 武汉长江仪器自动化研究所有限公司 | 基于大数据平台的大坝变形预测方法 |
CN108805192B (zh) * | 2018-06-01 | 2019-04-02 | 河海大学 | 基于分层网络结构的监测数据分析方法 |
CN108985340B (zh) * | 2018-06-22 | 2021-06-01 | 西安电子科技大学 | 基于双模型融合的盾构施工地面沉降量预测方法 |
CN110188399B (zh) * | 2019-05-07 | 2020-10-16 | 河海大学 | 一种基于多相关序列的大坝安全监测单测点评价方法 |
CN110111377B (zh) * | 2019-06-06 | 2022-10-21 | 西南交通大学 | 一种考虑地震位移场的震后区域性滑坡危险性评估方法 |
CN110728038A (zh) * | 2019-09-26 | 2020-01-24 | 南京河海南自水电自动化有限公司 | 基于回归分析的大坝监测方法 |
CN110705179A (zh) * | 2019-09-30 | 2020-01-17 | 山东大学 | 基于融合神经网络的导水裂缝带高度精确预测方法及*** |
CN110909413A (zh) * | 2019-12-09 | 2020-03-24 | 山东大学 | 一种混凝土面板堆石坝水平位移预测精确方法及*** |
CN111047476A (zh) * | 2019-12-09 | 2020-04-21 | 山东大学 | 基于rbf神经网络的大坝结构安全监控精确预测方法及*** |
CN111177218B (zh) * | 2019-12-25 | 2022-08-30 | 深圳市东深电子股份有限公司 | 一种基于大数据分析的大坝安全分析方法 |
CN111105097B (zh) * | 2019-12-25 | 2022-07-29 | 河海大学常州校区 | 一种基于卷积神经网络的大坝变形预测***和方法 |
CN111275255A (zh) * | 2020-01-17 | 2020-06-12 | 南昌大学 | 一种混凝土坝变形监测预报模型的构建方法 |
CN112434750B (zh) * | 2020-12-04 | 2023-05-16 | 中国电建集团华东勘测设计研究院有限公司 | 基于卷积神经网络的大坝监测数据发展模式识别方法 |
CN113359573A (zh) * | 2021-06-30 | 2021-09-07 | 华能澜沧江水电股份有限公司 | 一种大坝安全智能预测方法及其装置 |
CN113283183A (zh) * | 2021-07-08 | 2021-08-20 | 国网新源控股有限公司 | 基于dpso-anfis的弃渣坝变形预测方法 |
CN114154686A (zh) * | 2021-11-16 | 2022-03-08 | 东南大学 | 一种基于集成学习的大坝变形预测方法 |
CN115758252B (zh) * | 2022-09-15 | 2024-04-16 | 南京河海南自水电自动化有限公司 | 基于多源信息融合技术的监测信息实时处理与分析方法 |
CN117634652B (zh) * | 2024-01-26 | 2024-04-09 | 西安理工大学 | 基于机器学习的大坝变形可解释预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101344389A (zh) * | 2008-08-20 | 2009-01-14 | 中国建筑第八工程局有限公司 | 一种利用神经网络预测隧道围岩位移的方法 |
-
2009
- 2009-10-21 CN CN2009101849359A patent/CN101699477B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101344389A (zh) * | 2008-08-20 | 2009-01-14 | 中国建筑第八工程局有限公司 | 一种利用神经网络预测隧道围岩位移的方法 |
Non-Patent Citations (2)
Title |
---|
段鹏等.基于遗传规划模型的大坝变形监测预测模型.《水电自动化与大坝监测》.2007,第31卷(第5期),66-68. * |
胡伍生.变形分析的神经网络技术应用实例.《测绘工程》.2008,第17卷(第3期),37-42. * |
Also Published As
Publication number | Publication date |
---|---|
CN101699477A (zh) | 2010-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101699477B (zh) | 精确预测大坝变形的神经网络方法 | |
Morando et al. | Proton exchange membrane fuel cell ageing forecasting algorithm based on Echo State Network | |
Tien | A research on the grey prediction model GM (1, n) | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CN111191191B (zh) | 一种精准预测混凝土坝变形效应的组合模型的构建方法 | |
CN107688701B (zh) | 基于wasp模型的水质软测量及水体富营养化评价方法 | |
CN102880905B (zh) | 一种常顶油干点在线软测量方法 | |
CN111275255A (zh) | 一种混凝土坝变形监测预报模型的构建方法 | |
CN105868164B (zh) | 一种基于有监督的线性动态***模型的软测量建模方法 | |
CN107436983A (zh) | 一种基于多元样本差异的o型橡胶密封圈寿命预测方法 | |
CN106845142A (zh) | 基于改进的粗糙集‑集对分析的水质评价方法 | |
Benedini | Water quality models for rivers and streams. State of the art and future perspectives | |
CN106777997A (zh) | 一种航天器健康状态评估方法 | |
CN113642268B (zh) | 一种河流水华预测方法及*** | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
CN112884197B (zh) | 一种基于双模型的水华预测方法和装置 | |
CN112816352A (zh) | 工程结构损伤识别方法、装置、计算机设备及存储介质 | |
CN103353295B (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN113343601A (zh) | 一种复杂水系湖泊水位和污染物迁移的动态模拟方法 | |
Su et al. | Prototype monitoring data-based analysis of time-varying material parameters of dams and their foundation with structural reinforcement | |
CN101673096B (zh) | 一种丹参注射液生产浓缩过程密度的软测量方法 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
Mlybari | Application of soft computing techniques to predict construction labour productivity in Saudi Arabia | |
Zhang et al. | Multivariate discrete grey model base on dummy drivers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120627 Termination date: 20141021 |
|
EXPY | Termination of patent right or utility model |