基于遗传—回归与BP网络的土石坝安全监控模型研究

论文摘要

随着水资源不断开发与利用的发展,大坝安全问题日益突出,历史上曾多次发生大坝溃坝灾害,溃坝坝型大多数均为土石坝,而我国大坝以土石坝为主,且病险水库中也以土石坝居多,所以针对土石坝的具体情况和特点,对原型监测资料进行及时处理和分析,并在定性分析的基础上,建立预测模型对其进行定量分析,对实现大坝安全性态的实时评判和馈控大坝的安全运行显得十分必要,对探求更多监测资料分析方法和符合实际的监控模型具有重要意义。目前,针对土石坝原型监测资料分析中某些方面（仅对变形或者渗流）的研究较多,但对土石坝监测资料进行系统分析研究相对较少,且分析方法大都局限于传统的统计回归分析法或以单个算法（如遗传算法、神经网络等）进行建模分析研究。为此,本文在对土石坝原型监测资料系统分析的基础上,结合多种分析方法对其监控模型进行研究,主要研究内容和成果如下:（1）系统阐述原型监测资料分析的一般原理步骤,编制逐步回归分析计算建模程序分析土石坝各效应量与其影响量之间关系。（2）建立遗传-回归模型。通过逐步回归分析确定土石坝效应量的影响因子总集,采用遗传算法对预报因子集进行随机组合优选出一组最佳自变量因子组合(Xα1,Xα2,…,Xαk),使根据该因子组合建立的多元线性回归方程的拟合和预测的均方根误差最小,工程算例应用表明该模型是可行的,具有较高的预测精度。（3）建立BP神经网络模型。着重论述了BP神经网络的模型与结构及其学习规则相关数学表达式的推导,面向MATLAB的BP网络原理及设计,通过对学习训练过程每次权值和阈值改变量中加入一动量项来改进BP神经网络,利用MATLAB语言编制模型计算程序,工程算例应用表明,该模型拟合、预测效果很好,优于前两种模型。（4）工程应用研究。建立三种预测模型,进行工程实例应用研究,对建模的计算成果进行绘图和列表对比分析,探讨每种方法的优缺点和适用条件。为以后实际工程的资料分析提供参考和更多选择途径。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究目的和意义
• 1.2 大坝安全监控分析主要内容
• 1.2.1 原型监测资料正分析
• 1.2.2 监测资料与大坝结构性态的反分析
• 1.2.3 反馈分析与安全监控指标的拟定
• 1.2.4 大坝安全综合评判与决策
• 1.3 国内外研究现状
• 1.3.1 大坝安全监测资料分析研究现状
• 1.3.2 遗传算法和神经网络发展现状
• 1.4 论文研究内容与思路
• 2 土石坝原型监测资料统计回归分析
• 2.1 原型监测资料预处理
• 2.1.1 系统误差
• 2.1.2 随机误差
• 2.1.3 粗差
• 2.2 逐步回归分析法
• 2.2.1 回归方程及基本假定
• 2.2.2 逐步回归分析的计算原理
• 2.2.3 逐步回归分析程序的实现
• 2.3 土石坝变形监测资料分析
• 2.3.1 沉降变形成因及其影响因素
• 2.3.2 沉降统计模型因子选择
• 2.3.3 水平位移成因分析及模型因子选择
• 2.4 土石坝渗流监测资料分析
• 2.4.1 测压管水位滞后因素的分析
• 2.4.2 测压管水位的定性分析
• 2.4.3 库水位与测压管水位的时程曲线分析
• 2.4.4 测压管水位的统计分析
• 2.5 本章小结
• 3 遗传-回归模型研究
• 3.1 遗传算法概念及特点
• 3.1.1 遗传算法概念
• 3.1.2 遗传算法特点
• 3.2 遗传算法的基本理论
• 3.2.1 遗传算法的数学基础
• 3.2.2 基本遗传算法
• 3.2.3 遗传算法的设计
• 3.3 遗传-回归模型建立及程序实现
• 3.3.1 模型建立的基本原理
• 3.3.2 程序的实现步骤
• 3.4 算例分析
• 3.4.1 样本说明
• 3.4.2 建模因子及参数的确定
• 3.4.3 计算成果分析
• 3.5 本章小结
• 4 人工神经网络模型研究
• 4.1 人工神经网络概述
• 4.1.1 概念及特点
• 4.1.2 人工神经网络模型
• 4.1.3 人工神经网络的分类
• 4.2 BP神经网络理论
• 4.2.1 BP网络学习公式推导
• 4.3 面向MATLAB的BP网络原理
• 4.3.1 BP神经元结构
• 4.3.2 BP神经网络结构
• 4.3.3 BP神经网络的设计
• 4.4 土石坝渗流BP网络模型
• 4.4.1 BP网络模型及因子的选择
• 4.4.2 BP网络学习和训练的改进
• 4.4.3 BP网络模型的程序实现
• 4.5 算例分析
• 4.5.1 建模程序的编制
• 4.5.2 成果分析
• 4.6 本章小结
• 5 工程应用研究
• 5.1 工程与安全监测概况
• 5.2 原型监测资料定性分析
• 5.2.1 变形监测资料分析
• 5.2.2 渗流监测资料分析
• 5.3 各预测模型的应用
• 5.3.1 建模样本及因子的选择
• 5.3.2 模型成果对比分析
• 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
• 附录
• 一 攻读硕士学位期间发表的主要论文
• 二 攻读硕士学位期间参加的科研项目
• 三 获奖励情况
• 四 攻读硕士学位期间参加的国内学术会议