论文部分内容阅读
为保障大坝的安全运行和确保下游人民生命财产的安全,在大坝的整个生命周期内应进行安全监测,实践证明,该工作发挥了极其重要的作用。作为大坝安全监测研究领域中的重要方向之一,安全监控预测模型的研究一直是该领域研究的一个热点问题。预测模型通过大量的实测数据建立,可达到监控和判断大坝安全状况的目的。然而,由于某些监测量影响因素复杂,其影响机理难以用确定的函数关系表达,或监测数据系列短、信息缺失等,以致常用的预测模型精度低、可靠性差,难以满足工程日常管理和研究的需求。因此,采用新的理论和方法研究高精度、高可靠性的预测模型,对完善监测数据分析处理理论和提高大坝安全管理水平具有重要的理论和现实意义。本文采用神经网络理论,重点研究大坝水平位移与影响因素之间的非线性映射关系,进而对大坝变形规律进行分析和预测,主要研究内容和结论如下:(1)研究了基于遗传算法的神经网络预测模型。由于BP神经网络存在训练速度较慢、易陷入局部最小值等缺陷,本文引入具有全局优化能力的遗传算法对BP神经网络进行优化,构建了一种基于遗传神经网络的大坝变形预测模型。该模型采用遗传算法的选择、交叉和变异操作,对神经网络初始的权值和阈值进行优化,利用优化好的初始的权值和阈值对大坝多源监测数据训练集进行学习,利用建立好的模型进行分析预测,其精度有一定的提高。(2)提出了一种改进的自适应遗传神经网络模型。该模型从遗传算法的基本原理出发,一方面对选择算子进行改进,摒弃了传统的轮盘赌法和最优个体保存策略,采用不同遗传操作阶段保存不同比例的最优个体进行直接遗传到下一代的策略,增加了初始种群的多样性,同时保存了最优的个体;另一方面,摒弃了传统的固定交叉、变异概率和自适应的交叉、变异概率,采用一种具有种群进化初期良好的自适应交叉、概率,使得该算法能够依据自身所处的环境自适应地调整参数。基于以上改进策略,大大提升了基本遗传算法的全局寻优能力。(3)研究了基于粒子群算法神经网络预测模型。由于粒子群算法具备全局寻优能力,对BP神经网络的初始的权值和阈值进行优化,可有效克服BP算法的固有缺陷;探讨了基于小波分析理论和BP神经网络相结合的小波神经网络模型。小波神经网络用小波元替代神经元,通过仿射变换建立起小波变换和网络系数之间的连接,可进一步提高网络的泛化能力和可靠性。(4)利用实测数据对所研究模型进行了分析验证。分析结果表明,改进的自适应遗传神经网络模型相比于基本的BP神经网络、遗传神经网络等模型,不仅提高了预测精度和收敛速度,而且具有更好的稳定性,有很好的实际应用价值。