论文部分内容阅读
近些年来,水利水电工程方兴未艾,特别是我国水能资源丰富的西南地区,仍有一些大型水利水电工程项目处在施工建设阶段。随着“一带一路”战略的提出,更多的水利水电建设者们将走出国门,援建其他国家。为了发挥工程的巨大效益、保证工程的平稳运行,大坝的安全问题就显得尤为重要,特别是占大多数的土石坝,而安全监测是反映土石坝安全性态、减少工程事故发生的重要手段。建立土石坝安全监测模型,分析监测资料数据,评判土石坝安全性态是安全监测工作的重要组成部分。支持向量机(SVM)作为一种数据挖掘中的新方法,能够较好的处理非线性、高维数和小样本问题,具有良好的泛化能力,在土石坝安全监测领域得到应用。但该模型参数的选取是模型性能优劣的关键,分别采用粒子群算法(PSO)和人工蜂群算法(ABC)进行参数寻优优化模型。最后建立了土石坝安全性态模糊评价模型,结合某土石坝渗流监测数据,对土石坝渗流安全等级进行评判。本文主要研究内容和成果如下:(1)阐述支持向量机的算法原理、特点,参数选取对模型的影响,在分析土石坝效应量和环境变量之间关系的基础上建立了基于支持向量机的土石坝监测模型。(2)分别介绍粒子群算法和人工蜂群算法的原理、特点、参数等内容,针对支持向量机中采用网格搜索法选取模型参数导致模型精度不高的问题,将具有全局寻优能力的粒子群算法、人工蜂群算法引入支持向量机,进行参数寻优、优化模型,建立了 PSO-SVM、ABC-SVM 土石坝监测模型。(3)将建立的PSO-SVM、ABC-SVM模型应用于工程实例,结合某土石坝的位移、渗流监测数据进行拟合与预测,并与支持向量机模型做对比分析,结果表明PSO-SVM、ABC-SVM模型预测精度更高、误差更小。其中ABC-SVM模型的效果更好,说明ABC算法具有更强的全局寻优能力。(4)建立土石坝安全性态模糊评价模型。先拟定监控指标,利用模糊数学方法,确定监测项目各测点监测数据的隶属度矩阵,引入博弈论确定各测点权重,通过运算得到评判结果,再根据最大隶属度原则确定土石坝的安全性态等级。对某土石坝实测渗流监测数据进行评判,得到的土石坝渗流安全等级结论与安全定检报告相符。