一、大坝变形观测数据的动态聚类分析(论文文献综述)
宋洋[1](2021)在《重力坝变形监测数据缺失值处理方法研究》文中认为随着我国水利工程的快速发展,大坝安全监测的任务也日益加重。变形值作为反映重力坝安全状态的综合变量,是评判结构性能的重要指标,对坝体变形值进行监测分析可以更好地了解坝体变形规律、预测坝体变形趋势,对重力坝的安全稳定运行具有重要意义。然而,大坝运行中面临很多不确定因素且监测周期较长,从数据采集到数据传输再到数据存储的过程中,如仪器损坏、网络中断均会导致数据缺失。由于目前的数据分析方法及程序均基于数据的完备性进行实现,当存在数据缺失时会导致分析结果的可靠性降低,不利于后期的大坝安全性态评价工作。因此,如何对变形监测数据中的缺失值进行有效插补,以得到更高质量的数据集,对于大坝安全监测预警预报结果可靠性的提高具有重要意义。本文针对不同类型的缺失值,基于重力坝变形时空分布规律,利用深度学习模型长短时记忆神经网络(LSTM)分别构建了数据修复模型对缺失值进行插补。主要研究内容与成果如下:(1)针对重力坝变形监测数据中的缺失值问题,通过分析大量实际监测数据,对缺失值的成因、模式、产生机制以及传统缺失值处理方法进行研究。同时,通过工程实例计算表明,当重力坝预测模型的训练集存在缺失值时,预测模型的精度会明显下降,不能准确反映测点的真实位移情况,证明了对监测数据缺失值进行插补的必要性。(2)针对单测点数据缺失问题,基于最大信息系数(MIC)进行相关性分析,量化了变形监测数据中同类型效应量之间以及效应量与环境量之间的关系,引入长短时记忆神经网络(LSTM)挖掘不同变量间的特征信息,建立了基于MIC-LSTM的变形监测数据缺失值修复模型。研究结果表明,通过MIC相关性分析优选输入因子后,模型的缺失数据修复精度有明显提升;在选择模型的输入因子时,应选用同类型的测点数据作为自变量进行分析,且应根据相关性分析结果优先选择相关系数最高的测点作为模型的输入因子。(3)针对多测点数据缺失问题,利用自适应噪声完全集合经验模态分解(CEEMDAN)分解变形序列,基于排列熵(PE)算法对不同尺度分量的复杂度进行评估,为减小计算规模及计算误差,对复杂度相似的分量进行重组,建立基于CEEMDAN-PE-LSTM的重力坝多测点数据缺失值修复模型。计算结果表明,与传统预测模型相比,本文提出的多测点插补模型对变形监测数据缺失值的修复精度较高,能准确反映缺失数据段的监测值实际变化规律,通过实例计算验证了模型具有良好的泛化性与普适性。(4)为验证缺失值插补对预测模型精度提升的有效性,构造了四种不同缺失率的数据集,分别用本文所提出的M-L及C-P-L缺失值插补方法及传统缺失值处理方法对缺失数据集进行插补。基于不同插补方法得到的数据集,利用传统预测模型支持向量机(SVM)、BP神经网络以及LSTM神经网络进行预测。结果表明,使用M-L及C-P-L缺失值插补方法得到的数据集进行预测时结果精度较高、误差较小,且在不同缺失率下的稳定性均较好,说明这两种方法能有效应用于提升监测数据质量。通过多测点结果对比分析进一步证明了本文所提出插补方法的有效性与普适性。
朱芬[2](2020)在《密度峰值聚类算法研究及其在大坝监测数据中的应用》文中提出大坝监测系统不断完善的同时,监测点数目日益增多,积累了大量存在复杂相关性的监测数据,需采用有效的数据挖掘方法,快速、准确地对监测数据的复杂相关性进行挖掘,筛选出典型监测点,及时掌握大坝安全性态。密度峰值聚类算法(Clustering by Fast Search and Find of Density Peaks,CFSFDP)作为新提出的一种数据挖掘方法,对数据集分布形状要求低且对噪声不敏感,能快速实现任意形状数据集的精准聚类,在处理复杂数据上具有显着优势,但该方法在实际数据分析应用中存在不足。本文将可拓关联函数引入密度峰值聚类算法中,克服聚类过程中样本点出现大量连错问题;借鉴进化算法思想对改进算法进一步优化,克服其在运行过程中稳定性问题;最后将改进算法应用于大坝监测数据处理中,准确筛选出大坝变形、裂缝及应力应变典型监测点。全文研究内容如下:(1)提出了一种基于可拓关联函数的改进密度峰值聚类算法(Extension Correlation Function-CFSFDP,EC-CFSFDP),克服CFSFDP算法在确定聚类中心及分配非簇心点时,易出现大量连错的问题。本文主要从簇心选取和非簇心点分配策略两方面进行改进,以降低样本连错效应。引入平均差异度概念作为样本点密度度量方式,避免重复存在多个相同密度样本点对簇心选取的干扰,在此基础上,构建归一化决策函数,改善变量分布不均匀现象,确保簇心准确地挑选;在非簇心点分配策略上,引入可拓关联函数替代传统基于距离的相似度度量方式,基于样本点k邻域思想,构建各簇的节域与经典域,进而获得代表样本点相似度大小的可拓关联函数值,基于该值的大小完成非簇心点的精准聚类,降低连错效应。改进算法在没有增加时间复杂度的同时提高了聚类准确率,但由于分配策略中k邻域值的选取缺乏科学依据,对算法的稳定性有一定影响。(2)提出了一种自动选取k邻域的优化聚类算法(AUTO EC-CFSFDP,AEC-CFSFDP),采用遗传算法对k邻域值优化,克服EC-CFSFDP算法中k邻域值对算法稳定性影响的问题。通过引入簇类相似度和簇间相似度指标,定义聚类效果平衡准则函数,作为迭代过程中衡量k值好坏的目标函数;在选择交叉变异过程中引入自适应交叉概率及自适应变异概率降低交叉、变异概率对种群多样性的影响,提高算法收敛速度并获得全局最优的k值;将最优k值传入EC-CFSFDP算法中自动完成聚类。实验证明,该方法克服了EC-CFSFDP算法稳定性不高的问题,通过对比分析发现AEC-CFSFDP算法的准确率上高于EC-CFSFDP算法及IDPCA算法、DBSCAN算法和k-means算法,对样本分布的状态要求较低,能实现对不同分布形式的数据集高效聚类,并且算法时间复杂度并未增加。(3)将AEC-CFSFDP算法应用于某水电站大坝典型监测点的选取。对监测数据的缺失值采用平均值插补法进行处理,并对其进行标准化处理,对预处理后的数据从大坝位移、裂缝及应力应变三方面的监测点分别进行聚类分析,挑选出典型监测点,采用平均总误差指标对大坝典型位移监测点挑选的可行性进行分析,并将本文方法与DBSCAN算法、OPTICS算法及k-means三种算法所挑选的典型监测点进行对比分析。本文所提的AEC-CFSFDP算法在大坝位移、裂缝及应力应变监测数据分析中所挑选的典型监测点误差满足大坝工程可行性要求的同时,挑选的准确率整体上高于其他三种分析方法,表明所提的AEC-CFSFDP算法在大坝监测数据中具有较好的适用性及较高的准确率。本文结合关联函数和进化算法思想,改进了传统密度峰值聚类算法存在的不足,通过实验分析证明改进算法克服了连错性并提高了算法稳定性。实时监测、分析大坝变形、裂缝及应力应变监测数据是保障大坝安全运行的关键,将改进的密度峰值聚类算法应用于存在复杂相关性的大坝监测数据的挖掘,筛选出典型监测点,为大坝工作人员运行管理工作提供重要的理论分析指导。
梁彬彬[3](2019)在《高心墙堆石坝施工期沉降监控模型研究》文中研究说明高心墙堆石坝施工期具有环境复杂性以及变形不确定性,其监测数据表现为一系列包含噪声且波动性较大的短序列数据。由于高心墙堆石坝施工期坝体变形较大,且变形是最能直观可靠地反映大坝运行状况的重要观测量之一。因此,对变形原始观测资料进行处理分析是近年来国内外研究大坝工作状况的主要方法之一。本文在国家自然基金“混凝土坝长期变形特性数值分析及安全监控方法”(NO.51769017)的资助下,开展了“高心墙堆石坝施工期沉降监控模型研究”。通过对高心墙堆石坝施工期沉降监测数据的分析,考虑施工期沉降变形受多种因素影响,加入对残差的分析,综合运用数学和力学方法,构建高心墙堆石坝施工期沉降监控模型及多测点模型,探索高心墙堆石坝沉降的演变规律,为高心墙堆石坝的设计与施工提供指导和决策。主要内容如下:(1)考虑高心墙堆石坝施工期工作环境和受荷条件复杂多变的特点,分析了高心墙堆石坝施工期监测数据,探究了填筑高度、温度、降雨、坝体及坝基岩体蠕变对大坝沉降变形的影响特性,基于高心墙堆石坝施工期沉降实测数据,综合运用灰色理论和马尔可夫链理论,构建高心墙堆石坝施工期灰色马尔可夫链预测模型。(2)研究了大坝沉降因子的选择,探究了填筑历史对坝体蠕变的影响规律,在考虑填筑高度、降雨、坝体和坝基岩体蠕变的基础上,基于Duncan-Chang模型和流变模型理论,建立了高心墙堆石坝施工期沉降非线性时变统计模型。并采用ARIMA理论进一步对残差进行分析预测,将残差预测结果添加到未考虑的常规监控模型中,构建了高心墙堆石坝施工期沉降非线性时变模型。(3)考虑传统单测点模型不能从整体上反映高心墙堆石坝施工期沉降变形的特点,基于BP神经网络,构建了高心墙堆石坝施工期多测点模型,该模型兼顾监测仪器的位置信息,从而更好的反映出不同测点之间的相互关系,计算结果表明,该模型具有较高的拟合及预测精度。
秦全乐[4](2019)在《环境激励下水工混凝土结构的模态识别与损伤诊断方法》文中认为水工混凝土结构包括混凝土坝、船闸、溢洪道和引水塔等建筑物,这些建筑物一旦发生破坏,将可能会对下游人民的生命安全及财产安全带来极大的隐患,因此对于水工混凝土结构的安全监测及健康诊断显得至关重要。传统的人工监测费时费力且难以对结构内部的实时状态进行及时、有效的判断,对于水库大坝的应力、位移、水位等静力要素的监测可借助统计模型对结构的运行状态做出一定程度的评判,而动力监测可借助地震、泄流及人为活动等环境激励的作用对结构的分部及整体进行实时监测,在时效性及经济性方面有很突出的优势。本文针对环境激励下水工混凝土结构模态识别及损伤诊断问题,在实测结构地震响应及数值仿真的基础上进行研究。主要研究内容和成果如下:模态识别方法根据识别域主要分为时域、频域和时频域,各种方法可根据实测振动数据识别得到系统模态。在结构模态识别中,即使在结构未发生变化的情况下,各次结构的识别结果因不同激励源及噪声等因素也往往存在一定的随机性,尤其是数据较多的情况F,提取结构稳定模态存在一定的困难。本文提出了基于模态识别的系统特征稳定模态动态聚类提取方法,并借助一个重力坝的实际工程算例,验证了本文所提出稳定模态动态聚类方法的适用性及可操作性针对环境量对结构模态的影响效应这一问题,结合结构动力学理论、有限元法及模态识别技术进行定性研究。采用附加质量法来模拟水库动水对坝体上游的作用,借助有限元数值计算及模态识别技术,分析水位对水工混凝土重力坝模态的影响,结果表明重力坝的特征频率随着水位的降低呈现出增大的特点。根据相关学者的研究成果,即温度改变而导致结构模态发生变化主要是由于其弹性模量发生改变,采用有限元法进行数值计算及模态识别技术,分析环境温度对水工混凝土重力坝模态的影响,结果表明在各水位下重力坝的特征频率随着环境温度的增大而减小分析了结构损伤诊断的频率指标在结构受损情况下的变化机理。针对在实际工程中因损伤引起结构模态变化幅度可能较小而导致难以辨识的问题,将局部离群因子算法引入到水工混凝土结构的损伤诊断中,提出了基于局部离群因子(local outlier factor,LOF)的水工混凝土结构损伤诊断方法。在数值分析和工程实例中取得了非常不错的效果。本文在水工混凝土结构模态识别与损伤诊断方面做了一定程度的研究,指出了稳定模态聚类方法,定性分析了环境量对水工混凝土重力坝模态的影响规律,提出的基于LOF的水工混凝土结构损伤诊断方法为应对水工混凝土结构因损伤引起的模态指标微小变化辨识的问题提供了新的解决思路,以上成果可为后期进一步研究提供一定的基础。
豆红磊[5](2019)在《灰色理论预测模型在宁邦超高层基坑变形监测中的应用研究》文中进行了进一步梳理随着十三届全国人大二次会议的顺利召开,国务院总理李克强在政府工作报告中指出:对建筑行业、交通运输行业等行业现行减税降费政策。我国城市化建设行业得到进一步支持,高大建筑及深基坑工程呈现出雨后春笋的发展态势。大规模的大型地下商场的建设,高层建筑的地下室和大型的市政工程施工都面临深基坑工程,不断刷新着基坑工程的深度和规模的记录,由此基坑安全性愈显重要。对工作现场来说,新的发展趋势需新的施工工艺支撑,这一热点问题由此而来,研究深基坑变形稳定性监测预测发展趋势及安全问题至关重要。本文以湖南省娄底市宁邦超高层深基坑工程案例为依托,监测数据采用日本进口SDL30精密电子水准仪获取,应用灰色理论模型对基坑变形监测数据进行分析,主要研究内容如下:(1)系统介绍灰色理论方法,重点说明GM(1,1)预测模型。通过对传统GM(1,1)模型机理进行研究,分别从原始序列和背景值构造两方面进行优化,建立优化的GM(1,1)预测模型。(2)依托基坑工程案例,对该基坑变形监测方案进行分析。重点研究监测点的布设、监测频率、监测报警值及观测程序和步骤,并对监测点的实测值进行分析,掌握基坑的变形特征。(3)基于监测点实例数据,结合MATLAB计算软件编程,分别用传统GM(1,1)模型、优化的GM(1,1)模型对监测点进行对比分析,并运用残差合格模型、小误差概率合格模型和均方比合格模型进行精度检验。(4)针对监测点原始序列出现较大误差或遗漏时,模型预测精度不高,提出一种基于Lagrange修正的动态GM(1,1)模型。依托工程实例,结合传统GM(1,1)模型进行研究分析,结果表明Lagrange修正的动态GM(1,1)模型的可靠性、准确性。
王飞[6](2017)在《基于碾压质量实时监控的高心墙堆石坝沉降变形分析理论与应用》文中认为高心墙堆石坝在建设过程中受自重及水压等荷载耦合作用产生变形,且上述荷载随建设过程不断变化;因此大坝沉降变形具有很强的动态性及非线性。高心墙堆石坝沉降变形受控与否是工程建设成败的关键,其研究一直是大坝施工质量与安全研究领域的热点问题。现有的高心墙堆石坝沉降变形分析研究中,受到数据获取技术和手段的限制,难以实现沉降变形分析建模数据的实时更新;因此无法精确描述大坝变形影响因素的动态变化,也难以揭露大坝沉降变形时空分布规律。本文通过碾压质量实时监控技术,实时获取高心墙堆石坝碾压施工过程信息,针对高心墙堆石坝沉降变形分析的动态非线性和不确定性等特点,对考虑施工质量影响的高心墙堆石坝沉降变形进行深入研究,取得了如下研究成果:(1)提出了基于碾压质量实时监控的高心墙堆石坝沉降变形分析理论框架,建立了考虑施工质量因素的高心墙堆石坝沉降变形分析模型数学模型,提出了基于碾压施工质量实时监控的高心墙堆石坝沉降变形分析理论,为高心墙堆石坝沉降变形分析提供了理论支撑。大坝碾压施工质量因素是高心墙堆石坝沉降变形分析中的重要影响因素之一。现有研究中,研究学者多将同一填筑分区视为均质体,未考虑施工质量差异导致的坝体压实密度的非均质性。本文首先通过对施工质量与沉降变形影响机制的分析,提出了基于碾压质量实时监控的高心墙堆石坝沉降变形分析理论框架,建立了考虑施工质量因素的高心墙堆石坝沉降变形分析数学模型,实现了对大坝沉降变形分析方法的参数化描述;其次,为客观分析大坝填筑碾压中施工质量因素的影响,建立了高心墙堆石坝施工质量评估数学子模型,详细分析了目标控制函数、研究方法,分解出了施工方案、施工机械参数与坝料性能等各影响因素指标集,为大坝沉降变形中施工质量因素的选取提供了理论基础;最后,建立了高心墙堆石坝沉降变形分析数学子模型,详细介绍了目标控制函数、研究方法,分解出了各影响因素、边界条件与优化控制条件,为沉降变形分析提供了理论基础。(2)结合沉降过程动态非线性特点,提出基于改进M5’-主成分模型树的高心墙堆石坝沉降变形分析方法,克服了传统沉降变形分析模型动态更新难题,实现了对高心墙堆石坝施工期沉降变形的动态分析。由于沉降变形影响因素众多,因素表达式多样,基于碾压质量实时监控数据进行影响因素分析,能够更准确的分析高心墙堆石坝沉降变形与影响因素之间的动态非线性关系,并通过相关性分析甄选沉降变形影响因素及表达式。采用主成分分析法将高维影响因素空间降维为低维空间,并保留影响因素的主要信息。针对高心墙堆石坝沉降变形过程的动态非线性问题,将M5’模型树引入大坝沉降变形分析领域。M5’模型树是分段式线性全局模型,可弥补传统回归分析模型的不足。首先通过对输入变量及其表达式进行相关性分析来确定输入变量及形式。通过劈分、剪枝和平滑三个阶段实现M5’模型建模,但易把有意义的影响因素识别为噪声,因此在节点处用主成分回归分析模型替换多元线性回归分析来实现影响因素的噪声识别。为此,提出了建立改进M5’-主成分模型树,将大坝变形量与影响因素变量之间的关系分成了若干独立的线性模型,可分别确定各模型各变量的回归参数。通过与实测沉降量的对比,验证了改进M5’-主成分模型树的有效性。通过绝对差值和均方根误差两个指标分析,对比了改进M5’-主成分模型树与M5’模型树、多元线性回归模型、主成分回归分析模型的预测结果,结果表明改进M5’-主成分模型树预测大坝沉降量具有更高的精度;通过关联度分析,说明了提出的动态非线性沉降分析方法对沉降变形内在规律的分析具有很高的可靠性,为分析大坝变形提供了新的途径。(3)针对高心墙堆石坝施工质量影响因素中存在的不确定性问题,提出了基于碾压质量实时监控的施工质量评估云-模糊模型与方法,实现高心墙堆石坝碾压施工质量不确定性评估,为客观分析影响大坝沉降变形的施工质量因素提供了新的途径。由于影响大坝压实质量的因素众多,而且存在很强的随机性与模糊性。现有的高心墙堆石坝填筑施工质量评估方法,如多元线性回归及人工神经网络等,未能考虑施工质量的不确定性。通过云模型研究了施工质量影响因素的不确定性,将影响因素进行模糊语言分类。运用云模型基本理论对模糊神经网络进行改进,建立了同时具备模糊推理能力和不确定性分析能力的云-模糊模型。基于碾压质量实时监控系统提出了高心墙堆石坝施工质量评估云-模糊方法,将施工参数与料源参数根据“空间位置”一致原则进行匹配,对施工参数与料源参数进行云分析,确定了云-模糊模型的各项参数,成功用于压实干密度的拟合预测。预测结果表明,云-模糊模型与BP神经网络模型、RBF神经网络模型及多元线性回归模型相比,云-模糊模型的预测结果不但在精度上满足要求,而且更符合施工质量实际规律。基于云-模糊模型预测的仓面压实干密度评估提出了仓面施工质量估方法。结合高心墙堆石坝施工仓面实例,采用云-模糊模型评估方法和全仓面施工质量评估方法,进行了高心墙堆石坝施工质量评估,评估结果表明所选取的仓面施工质量良好。(4)基于碾压质量实时监控与云-模糊评估方法,建立了考虑施工质量因素的高心墙堆石坝沉降变形分析模型,基于改进M5’模型树提出了考虑施工质量因素的沉降变形分析方法,分析了高心墙堆石坝沉降变形过程,为探索高心墙堆石坝沉降变形的空间分布规律提供了科学支持。目前高心墙堆石坝沉降变形分析多集中在分析沉降量与影响因素之间的关系方面的研究,缺乏考虑施工质量因素对沉降变形影响的研究。本文分析了填筑坝料工程特性,基于施工质量实时监控与评估,推导了考虑施工质量因素的填筑因子表达形式,并经经验类比获得了填筑因子影响的时效因子的表现形式,建立了考虑施工质量因素的高心墙堆石坝沉降变形分析模型;基于改进M5’模型树提出了基于碾压施工质量实时监控的高心墙堆石坝沉降变形分析方法,运用考虑施工质量因素的高心墙堆石坝沉降变形分析模型实现了对高心墙堆石坝的沉降过程的预测分析。结合工程应用实例表明,基于碾压质量实时监控的考虑施工质量因素的沉降变形分析方法相比传统分析方法能够更加精细揭示对监测区域变形的空间分布规律,弥补了传统分析方法无法对监测点以外区域变形分析的不足,为高心墙堆石坝的现场施工安全控制提供更为合理的理论依据和技术指导。同时,通过关联度分析,说明了提出的基于实时监控的高心墙堆石坝沉降变形分析方法是可靠的。基于碾压质量实时监控的高心墙堆石坝沉降变形分析的沉降变形的受控,佐证了高心墙堆石坝碾压质量实时监控系统有效保障了高心墙堆石坝的碾压施工质量。
蔡德所,章聪[7](2017)在《灰色动态聚类法在大坝监测中的应用》文中指出灰色动态聚类法采用"段"数据作为基本研究对象有别于常规聚类方法中的"点"数据,利用该方法对面板堆石坝面板挠度变形监测数据开展研究,可确定关键的面板变形段,需要重点监测和分析,同时结合matlab软件建立灰色模型GM(1,1)和多元回归模型对关键段监测数据进行预报拟合,结果表明,对于短期或者残缺的资料,利用灰色动态聚类法处理大坝监测数据具有便捷、高效的优点,模型预报结果拟合度较高.
孙宇,韩毅,祁诣恒[8](2016)在《基于动态聚类法的拱坝变形监控模型研究》文中研究指明拱坝变形的影响因素包括荷载、坝体结构、地形地质条件、材料物理力学性质等,各影响因素之间相互影响,且各影响因素之间的关系及影响因素同拱坝变形之间的关系具有模糊性。应用模糊数学理论,研究并分析了拱坝变形及影响因素间的模糊关系,在此基础上,建立了基于动态聚类法的拱坝变形监控模型。以某拱坝为例,将所建立的拱坝变形监控模型应用于该拱坝的变形监控分析中,结果表明所建的模型有着较高的预测精度。
张瀚,陈建康,高策,肖亚子[9](2014)在《基于熵权集的大坝分部位动态健康评价方法研究》文中进行了进一步梳理针对目前大坝安全评价存在主观性强、结论指导性弱、分析滞后等缺点,提出以部位为对象,以特征时段为区间的大坝动态安全评价方法,根据多效应量来获取指标的隶属度,结合信息熵理论和专家评估法确定指标权重,通过聚类方法进行时段类比。方法已编制为程序,并应用于狮子坪大坝工程安全决策。工程应用表明:该法能够实时给出关键部位安全性态随时段的演变过程,结论以过往性态为基础,便于工程操作,根据监测资料的变化对指标权重予以修正,数据趋于平稳时权重进行减小,反之增大,符合实际,为大坝安全评价提供一种新思路。
何政翔[10](2014)在《模糊聚类和偏最小二乘法在大坝监测数据分析中的应用》文中进行了进一步梳理我国拥有数量众多的大坝和水库,对大坝原型观测资料的分析是掌握大坝真实工作性态的重要手段,为水电站的正常运行管理提供了科学依据。因此,需要对大坝的原型观测资料进行及时,有效地分析。一般大中型水电站,布设有大量安全监测设施,且每一类监测设施有多个监测点(数十个或上百个)。按规范要求,对它们的监测频率较高,常常积累大量的监测数据。若逐点进行建模分析,费时费工,不利于及时掌握大坝的运行性态。因此,本文通过基于模糊关系的聚类分析方法快速地获得了变形观测点的类别划分,对典型观测点建立了偏最小二乘回归模型。主要研究内容及成果如下:(1)以某水电站为例,运用基于模糊等价关系的聚类方法对大坝和船闸的变形监测点进行了模糊聚类分析。利用模糊传递闭包法将模糊相似关系转化为模糊等价关系,选取阀值α进行聚类,应用基于平均每期各点间的变形允许差的评价方法对分类结果进行评价,选出最佳分类,并确定了典型观测点。(2)对选出的典型观测点建立了数学模型。建立模型时选择的影响因素有水位、温度、时效,最后共有9项因子,并选择偏最小二乘法建立回归模型,有效地解决了因子间存在多重相关性及建模样本容量较少的问题。(3)运用建立好的偏最小二乘回归模型对典型测点后5期变形数据进行预报,并和实测值进行比较,结果表明所建立的偏最小二乘回归方程能较好的进行预报。(4)通过模糊聚类分析对变形监测数据进行处理,获得了变形监测点的最佳分类,在每一类中选取一定数量的测点建立数学模型,然后以此模型对这一类变形监测点进行分析。结果表明,对变形监测点的分类合理,并选出了典型观测点,减少纷繁复杂的计算,提高监测数据分析人员的工作效率。
二、大坝变形观测数据的动态聚类分析(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、大坝变形观测数据的动态聚类分析(论文提纲范文)
(1)重力坝变形监测数据缺失值处理方法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 大坝变形监控模型研究现状 |
1.2.2 缺失值插补方法研究现状 |
1.3 本文的研究内容及技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
2 重力坝变形特性及缺失值分析 |
2.1 重力坝变形特征及主要影响因素 |
2.1.1 重力坝变形的一般规律及数据特征 |
2.1.2 重力坝变形主要影响因素 |
2.2 变形监测数据缺失值分析 |
2.2.1 数据缺失问题 |
2.2.2 传统缺失值处理方法 |
2.2.3 工程实例 |
2.2.4 数据缺失对预测模型精度的影响 |
2.3 本章小结 |
3 基于相关性分析的单测点变形监测数据缺失修复模型 |
3.1 时间序列相关性分析方法 |
3.1.1 皮尔逊相关系数 |
3.1.2 最大信息系数 |
3.2 长短时记忆神经网络 |
3.3 基于MIC-LSTM的单测点数据缺失修复模型 |
3.4 工程实例 |
3.4.1 监测数据相关性分析 |
3.4.2 单测点变形监测数据缺失值修复 |
3.5 本章小结 |
4 基于分解组合的多测点变形监测数据缺失修复模型 |
4.1 数据分解组合预处理方法 |
4.1.1 经验模态分解(EMD) |
4.1.2 集合经验模态分解(EEMD) |
4.1.3 自适应噪声完全集合经验模态分解(CEEMDAN) |
4.1.4 排列熵(PE) |
4.2 基于CEEMDAN-PE-LSTM的多测点数据缺失修复模型 |
4.3 工程实例 |
4.3.1 影响分量选取 |
4.3.2 变形时间序列CEEMDAN-PE分解重组 |
4.3.3 多测点变形监测数据缺失值修复 |
4.3.4 缺失值修复结果分析 |
4.4 本章小结 |
5 变形监测数据缺失值插补方法有效性检验 |
5.1 实例数据集 |
5.2 变形监测数据缺失值插补 |
5.2.1 缺失值插补方法 |
5.2.2 插补结果与分析 |
5.3 不同插补方法对变形预测模型精度的影响分析 |
5.3.1 模型参数选择 |
5.3.2 模型评价指标 |
5.3.3 预测结果与分析 |
5.4 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要研究成果 |
(2)密度峰值聚类算法研究及其在大坝监测数据中的应用(论文提纲范文)
摘要 |
ABSTRACT |
符号说明 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 大坝监测数据的研究现状 |
1.2.1 大坝监测数据分析方法研究现状 |
1.2.2 聚类分析在大坝监测数据分析中的研究现状 |
1.3 密度峰值聚类算法研究现状 |
1.3.1 分配策略研究现状 |
1.3.2 时间复杂度研究现状 |
1.3.3 自动确定中心点研究现状 |
1.3.4 自动确定截断距离研究现状 |
1.3.5 集成与应用研究现状 |
1.4 目前存在的问题 |
1.5 论文主要内容及体系结构 |
1.5.1 研究内容及技术路线 |
1.5.2 体系结构 |
1.6 本章小结 |
第二章 密度峰值聚类算法概述 |
2.1 引言 |
2.2 聚类相关指标 |
2.2.1 相似性度量 |
2.2.2 评价指标 |
2.2.3 聚类算法分类 |
2.3 密度峰值聚类算法 |
2.3.1 算法聚类思想 |
2.3.2 算法聚类参数 |
2.3.3 算法聚类过程 |
2.3.4 不足点分析 |
2.4 本章小结 |
第三章 基于可拓关联函数的改进密度峰值聚类算法 |
3.1 引言 |
3.2 算法改进知识 |
3.2.1 可拓关联函数 |
3.2.2 信息熵 |
3.3 基于可拓关联函数的改进密度峰值聚类算法 |
3.3.1 定义 |
3.3.2 改进算法的原理 |
3.3.3 改进后算法的实施步骤 |
3.3.4 时间复杂度分析 |
3.4 实验及对比分析 |
3.4.1 实验数据集 |
3.4.2 EC-CFSFDP算法性能分析 |
3.5 本章小结 |
第四章 自动选取k邻域的优化聚类算法 |
4.1 引言 |
4.2 算法改进知识 |
4.2.1 遗传算法 |
4.2.2 遗传算法改进 |
4.3 AEC-CFSFDP算法 |
4.3.1 算法基本思想 |
4.3.2 AEC-CFSFDP算法实施步骤 |
4.3.3 算法流程图 |
4.3.4 时间复杂度分析 |
4.4 算法实验验证与分析 |
4.4.1 实验数据集和评价指标 |
4.4.2 AEC-CFSFDP算法性能分析 |
4.5 本章小结 |
第五章 AEC-CFSFDP算法在大坝监测数据中的应用 |
5.1 引言 |
5.2 工程概况 |
5.2.1 地理位置及工程规模介绍 |
5.2.2 大坝建筑物 |
5.2.3 大坝监测系统 |
5.3 大坝典型监测点选取 |
5.3.1 数据处理 |
5.3.2 位移典型监测点选取 |
5.3.3 裂缝典型监测点选取 |
5.3.4 应力应变典型监测点选取 |
5.4 验证分析 |
5.5 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 创新点 |
6.3 展望 |
参考文献 |
致谢 |
作者简介 |
1 作者简历 |
2 攻读硕士学位期间发表的学术论文 |
3 参与的科研项目及获奖情况 |
4 发明专利 |
学位论文数据集 |
(3)高心墙堆石坝施工期沉降监控模型研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 心墙堆石坝变形分析研究现状 |
1.2.1 监控模型的研究现状 |
1.2.2 安全监控模型在堆石坝中的应用 |
1.3 本文的主要研究内容 |
1.4 技术路线图 |
第二章 某高心墙堆石坝施工期监测布置及资料分析 |
2.1 某高心墙堆石坝工程概况 |
2.2 监测资料整理分析 |
2.2.1 监测布置 |
2.2.2 环境量分析 |
2.2.3 施工因素分析 |
2.2.4 效应量监测分析 |
2.3 本章小结 |
第三章 高心墙堆石坝施工期沉降灰色马尔可夫链预测模型 |
3.1 概述 |
3.2 高心墙堆石坝GM(1,1)灰色预测模型 |
3.2.1 GM(1,1)建模原理 |
3.2.2 GM(1,1)模型的精度检验 |
3.3 马尔可夫链理论 |
3.3.1 马尔可夫过程 |
3.3.2 沉降变形的状态划分 |
3.3.3 沉降变形状态转移概率矩阵的估计 |
3.4 灰色马尔可夫链预测模型构建 |
3.5 灰色马尔可夫链模型在高心墙堆石坝施工期沉降预测中的应用 |
3.6 本章小结 |
第四章 高心墙堆石坝施工期沉降非线性时变模型 |
4.1 概述 |
4.2 高心墙堆石坝施工期沉降因子分析 |
4.2.1 填筑高度因子 |
4.2.2 降雨因子 |
4.2.3 时效因子 |
4.3 高心墙堆石坝施工期非线性时变统计模型构建 |
4.4 考虑残差效应的高心墙堆石坝施工期沉降监测组合模型 |
4.5 时间序列的预处理 |
4.5.1 时间序列的平稳性检验 |
4.5.2 时间序列的白噪声检验 |
4.5.3 时间序列的平稳性处理 |
4.6 时间序列的四种常用模型 |
4.6.1 移动平均MA模型 |
4.6.2 自回归AR模型 |
4.6.3 自回归移动平均ARMA模型 |
4.6.4 差分自回归移动平均ARIMA模型 |
4.7 考虑残差效应的高心墙堆石坝施工期沉降监测组合模型构建 |
4.8 考虑残差效应的组合模型在高心墙堆石坝施工期沉降预测中的应用 |
4.9 本章小结 |
第五章 基于BP神经网络的大坝多测点模型 |
5.1 概述 |
5.2 多测点模型构建原理 |
5.2.1 BP神经网络算法原理 |
5.2.2 样本的归一化处理 |
5.2.3 输入层、隐含层、输出层的设计 |
5.3 基于BP神经网络的大坝多测点模型构建 |
5.4 基于BP神经网络的大坝多测点模型的应用 |
5.4.1 模型说明 |
5.4.2 基本流程 |
5.4.3 沉降预测 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间研究成果 |
(4)环境激励下水工混凝土结构的模态识别与损伤诊断方法(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及目的 |
1.2 国内外研究现状 |
1.2.1 模态参数识方法及其应用研究现状 |
1.2.2 环境量对模态参数的影响研究现状 |
1.2.3 结构损伤诊断监控模型研究现状 |
1.3 本文主要研究内容及主要工作 |
1.3.1 研究内容 |
1.3.2 技术路线 |
2 基于聚类的结构稳定模态识别方法 |
2.1 结构模态识别方法 |
2.1.1 频域法 |
2.1.2 时域法 |
2.1.3 时频域法 |
2.2 稳定模态参数动态聚类 |
2.2.1 动态聚类的基本思想 |
2.2.2 模态动态聚类的过程 |
2.3 工程实例 |
2.4 本章小结 |
3 环境量对水工混凝土结构特征模态的影响 |
3.1 有限元分析理论 |
3.1.1 模态分析 |
3.1.2 时程分析 |
3.2 库水位影响 |
3.2.1 库水位对坝体动力特性的影响分析 |
3.2.2 库水的数值模拟 |
3.3 环境温度影响 |
3.3.1 环境温度对坝体动力特性的影响分析 |
3.3.2 温度变化效应的模拟 |
3.4 工程算例 |
3.4.1 水位对模态的影响分析 |
3.4.2 温度对模态的影响分析 |
3.5 本章小结 |
4 基于LOF的水工混凝土结构损伤诊断方法 |
4.1 结构损伤对其固有频率的影响 |
4.2 基于ICA的损伤诊断方法 |
4.3 局部离群因子(LOF)算法 |
4.4 损伤诊断指标控制限 |
4.5 基于LOF的水工混凝土结构损伤诊断方法 |
4.6 工程算例 |
4.6.1 数值仿真 |
4.6.2 工程实例 |
4.7 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要研究成果 |
(5)灰色理论预测模型在宁邦超高层基坑变形监测中的应用研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 深基坑变形监测现状及分析方法 |
1.2.2 灰色变形预测模型研究现状 |
1.3 本文研究内容 |
1.4 本文技术路线 |
1.5 论文章节结构 |
第2章 灰色模型理论研究 |
2.1 灰色预测模型 |
2.2 灰色预测模型构建原理 |
2.3 灰色GM(1,1)模型 |
2.4 灰色GM(1,N)模型 |
2.5 灰色DGM(1,1)模型 |
2.6 灰色Verhulst模型 |
2.7 灰色预测模型的可行性判断 |
第3章 深基坑变形预测模型研究 |
3.1 卡尔曼滤波模型 |
3.2 二次指数预测模型 |
3.3 曲线拟合模型 |
3.4 优化的灰色预测模型 |
3.4.1 背景值优化的GM(1,1)模型 |
3.4.2 同时优化初始条件和原始序列的DGM(1,1)模型 |
3.4.3 Lagrange优化的动态GM(1,1)模型 |
第4章 灰色理论模型在宁邦深基坑预测中的应用 |
4.1 工程概况 |
4.2 监测内容及要求 |
4.2.1 监测内容 |
4.2.2 监测要求 |
4.3 基坑监测数据分析 |
第5章 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
附录A 攻读硕士期间发表的学术论文 |
附录B 攻读硕士期间参加的实习项目 |
附录C 本文Matlab程序代码 |
(6)基于碾压质量实时监控的高心墙堆石坝沉降变形分析理论与应用(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 心墙堆石坝变形分析研究现状 |
1.2.2 心墙堆石坝施工质量评估研究现状 |
1.3 主要研究思路与内容 |
1.3.1 研究思路 |
1.3.2 研究内容 |
第二章 基于碾压质量实时监控的高心墙堆石坝沉降变形分析理论 |
2.1 高心墙堆石坝沉降过程分析 |
2.2 基于碾压质量实时监控的高心墙堆石坝沉降变形分析理论框架 |
2.3 基于碾压质量实时监控的高心墙堆石坝沉降变形分析数学模型 |
2.4 小节 |
第三章 基于改进M5’-主成分模型树的高心墙堆石坝沉降变形分析 |
3.1 基于改进M5’-主成分模型树的高心墙沉降变形分析研究框架 |
3.2 基于改进M5’-主成分模型树的高心墙堆石坝沉降变形分析模型 |
3.2.1 M5’模型树 |
3.2.2 高心墙堆石坝沉降变形影响因素分析 |
3.2.3 改进M5’-主成分模型树模型 |
3.3 基于改进M5’-主成分模型树的高心墙堆石坝沉降变形分析流程 |
3.4 基于改进M5’-主成分模型树的高心墙堆石坝沉降变形分析应用 |
3.4.1 数据匹配 |
3.4.2 影响因素相关性分析 |
3.4.3 建立改进M5’-主成分模型树模型 |
3.4.4 沉降变形过程拟合 |
3.4.5 对比分析 |
3.4.6 填筑速率与沉降变形速率关系分析 |
3.5 小节 |
第四章 基于碾压实时监控的高心墙堆石坝施工质量评估研究 |
4.1 基于实时监控的高心墙堆石坝施工质量评估研究框架 |
4.2 高心墙堆石坝实时监控施工质量评估的云-模糊模型 |
4.2.1 云-模糊模型 |
4.2.2 云模型 |
4.2.3 自适应神经模糊推理系统 |
4.3 高心墙堆石坝实时监控施工质量评估的云-模糊方法 |
4.4 基于碾压质量实时监控的高心墙堆石坝施工质量评估工程应用 |
4.4.1 施工信息数据集成与预处理 |
4.4.2 影响因素云分析 |
4.4.3 云-模糊模型结构的确定 |
4.4.4 压实干密度预测 |
4.4.5 仓面施工质量评估 |
4.5 小节 |
第五章 考虑施工质量因素的高心墙堆石坝沉降变形分析 |
5.1 考虑施工质量因素的高心墙堆石坝沉降变形分析研究框架 |
5.2 考虑施工质量因素的高心墙堆石坝沉降变形分析模型 |
5.2.1 高心墙堆石坝变形影响因素分析 |
5.2.2 考虑施工质量因素的填筑因子分析 |
5.2.3 考虑施工质量因素的时效因素分析 |
5.2.4 水压分量分析 |
5.3 基于碾压质量实时监控的高心墙堆石坝沉降变形分析方法 |
5.4 考虑施工质量因素的高心墙堆石坝沉降变形分析实例 |
5.4.1 大坝监测区域碾压施工质量预测 |
5.4.2 基于施工质量评估的沉降变形分析 |
5.4.3 基于施工质量评估的区域沉降变形预测 |
5.5 基于智慧大坝理论的高心墙堆石坝沉降变形分析展望 |
5.5.1 大坝变形智能监测 |
5.5.2 大坝变形智能分析 |
5.5.3 大坝变形分析智能决策和控制 |
5.6 小节 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
发表论文及参加科研情况 |
致谢 |
(7)灰色动态聚类法在大坝监测中的应用(论文提纲范文)
1 灰色动态聚类法的基本原理[3] |
2 确定最佳分类数[6] |
3 实例分析 |
4 对关键段落进行拟合预测 |
4.1 GM(1,1)预测模型基本方法[8] |
4.2 多元回归分析方法[10] |
5 预测精度对比分析 |
6 结语 |
(8)基于动态聚类法的拱坝变形监控模型研究(论文提纲范文)
1 拱坝变形及其影响因素 |
1.1 拱坝变形影响因素 |
1.2 变形分量 |
1.2.1 水压分量 |
1.2.2 温度分量 |
1.2.3 时效分量 |
2 拱坝变形与影响因素之间的模糊关系 |
3 基于动态聚类分析法的拱坝变形模型 |
4 工程案例 |
5 结语 |
(9)基于熵权集的大坝分部位动态健康评价方法研究(论文提纲范文)
1 基于熵权集的健康聚类评价方法 |
1.1 评价流程 |
1.2 大坝多效应量指标隶属度获取 |
1.3 熵权集权重确定方法 |
1.4 动态聚类评价方法 |
2 工程应用 |
2.1 工程概况 |
2.2 指标体系及隶属度获取 |
2.3 权重确定 |
2.4 聚类诊断 |
3 结论 |
(10)模糊聚类和偏最小二乘法在大坝监测数据分析中的应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 选题背景 |
1.2 大坝安全监测资料分析发展概况 |
1.3 模糊数学的发展历程及现状 |
1.3.1 模糊数学的发展历程 |
1.3.2 我国模糊数学的研究现状 |
1.4 本文研究的主要内容 |
第二章 模糊数学的基本理论 |
2.1 模糊集合及其运算 |
2.1.1 模糊集合的定义 |
2.1.2 模糊集合的并、交、补运算 |
2.1.3 α水平截集 |
2.2 模糊关系 |
2.2.1 模糊关系及其运算 |
2.2.2 模糊等价关系 |
2.3 模糊聚类分析方法 |
2.4 模糊聚类分析应用于大坝变形监测数据处理 |
2.4.1 建立模糊相似关系 |
2.4.2 模糊聚类 |
2.4.3 聚类效果的评价 |
2.5 本章小结 |
第三章 偏最小二乘回归模型原理 |
3.1 最小二乘估计法 |
3.2 偏最小二乘回归分析 |
3.2.1 偏最小二乘回归分析法的发展概况 |
3.2.2 偏最小二乘回归分析法的基本原理及特点 |
3.2.3 交叉有效性检验 |
3.2.4 精度分析 |
3.3 偏最小二乘回归法的应用实例 |
3.3.1 模型因子选择与模型形式 |
3.3.2 偏最小二乘回归成果分析 |
3.4 本章小结 |
第四章 应用实例 |
4.1 工程概况 |
4.2 模糊聚类分析 |
4.2.1 构造模糊相似矩阵 |
4.2.2 模糊聚类分析 |
4.2.3 确定最佳分类和典型观测点 |
4.3 建立偏最小二乘回归模型 |
4.3.1 因子选择与模型建立 |
4.3.2 模型成果分析 |
4.4 本章小结 |
第五章 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
作者简介 |
四、大坝变形观测数据的动态聚类分析(论文参考文献)
- [1]重力坝变形监测数据缺失值处理方法研究[D]. 宋洋. 西安理工大学, 2021(01)
- [2]密度峰值聚类算法研究及其在大坝监测数据中的应用[D]. 朱芬. 浙江工业大学, 2020(08)
- [3]高心墙堆石坝施工期沉降监控模型研究[D]. 梁彬彬. 南昌工程学院, 2019(07)
- [4]环境激励下水工混凝土结构的模态识别与损伤诊断方法[D]. 秦全乐. 西安理工大学, 2019(08)
- [5]灰色理论预测模型在宁邦超高层基坑变形监测中的应用研究[D]. 豆红磊. 湘潭大学, 2019(02)
- [6]基于碾压质量实时监控的高心墙堆石坝沉降变形分析理论与应用[D]. 王飞. 天津大学, 2017(08)
- [7]灰色动态聚类法在大坝监测中的应用[J]. 蔡德所,章聪. 三峡大学学报(自然科学版), 2017(02)
- [8]基于动态聚类法的拱坝变形监控模型研究[J]. 孙宇,韩毅,祁诣恒. 人民黄河, 2016(03)
- [9]基于熵权集的大坝分部位动态健康评价方法研究[J]. 张瀚,陈建康,高策,肖亚子. 四川大学学报(工程科学版), 2014(06)
- [10]模糊聚类和偏最小二乘法在大坝监测数据分析中的应用[D]. 何政翔. 西北农林科技大学, 2014(03)
标签:聚类论文; 模糊聚类分析论文; 大数据论文; 混凝土面板堆石坝论文; 模态分析论文;