留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于PCA和CS-KELM的重力坝变形预测模型

王仁超 马钰明

王仁超,马钰明. 基于PCA和CS-KELM的重力坝变形预测模型[J]. 水利水运工程学报,2021(4):10-18. doi:  10.12170/20200610001
引用本文: 王仁超,马钰明. 基于PCA和CS-KELM的重力坝变形预测模型[J]. 水利水运工程学报,2021(4):10-18. doi:  10.12170/20200610001
(WANG Renchao, MA Yuming. Prediction model of gravity dam deformation based on PCA and CS-KELM[J]. Hydro-Science and Engineering, 2021(4): 10-18. (in Chinese)) doi:  10.12170/20200610001
Citation: (WANG Renchao, MA Yuming. Prediction model of gravity dam deformation based on PCA and CS-KELM[J]. Hydro-Science and Engineering, 2021(4): 10-18. (in Chinese)) doi:  10.12170/20200610001

基于PCA和CS-KELM的重力坝变形预测模型

doi: 10.12170/20200610001
基金项目: 国家重点研发计划资助项目(2018YFC0406902)
详细信息
    作者简介:

    王仁超(1963—),男,山东烟台人,教授,博士,主要从事大型工程系统分析和计算机仿真研究。E-mail:renchao1881@vip.sina.com

  • 中图分类号: TV698

Prediction model of gravity dam deformation based on PCA and CS-KELM

  • 摘要: 重力坝的变形与环境量之间存在复杂的非线性关系、使变形预测模型的输入自变量具有高维性,在一定程度上影响预测模型的精度和泛化能力。因此,提出一种将主成分分析、布谷鸟搜索算法和核极限学习机网络相结合的变形预测模型。该模型通过主成分分析法对与变形相关的水位、温度、时效影响因子进行主成分信息提取,优化网络模型的变量输入,同时采用优化性能更好的布谷鸟搜索算法确定核极限学习机网络的核参数和正则化系数。利用某重力坝的实测资料,对坝体沿坝轴方向和上下游方向的变形位移进行预测,与多种模型预测结果进行对比,并采用不同量化指标进行评价。结果表明,所提模型在两个方向的变形预测中,确定性系数R2分别为0.943和0.931,均高于传统的神经网络和逐步回归模型;在不同测点的上下游方向变形预测中,预测的精度和模型的泛化能力均优于对比模型,从而验证了该模型的可行性和优势。
  • 图  1  变形预测模型构建流程

    Figure  1.  Flowchart of deformation prediction model

    图  2  P1P6主成分相关系数

    Figure  2.  Score of correlation coefficient from P1 to P6

    图  3  CS与PSO算法收敛性对比

    Figure  3.  Comparison of convergence between CS and PSO

    图  4  位移预测

    Figure  4.  Forecast results of displacement

    图  5  模型预测指标随样本集数目变化

    Figure  5.  Prediction indicators R2 and EMA of the model with the number of training sets

    图  6  位移预测结果对比

    Figure  6.  Comparison of displacement prediction results

    表  1  样本变量特征值和贡献率计算结果

    Table  1.   Eigenvalues and contribution of sample variables

    变量P1P2P3P4P5P6P7P8P9
    特征值 4.040 3 1.269 9 1.022 6 0.961 9 0.953 2 0.721 1 0.027 6 0.003 0 1.39×10−6
    贡献率 0.448 9 0.141 1 0.113 6 0.106 8 0.105 9 0.080 1 0.003 0 0.000 3 1.54×10−7
    累积贡献率 0.448 9 0.590 0 0.703 6 0.810 5 0.916 4 0.996 5 0.999 6 0.999 8 0.999 9
    下载: 导出CSV

    表  2  预测模型性能指标

    Table  2.   Performance indexes of forecast models

    测点确定性
    系数
    平均绝对百分比
    误差/%
    平均绝对
    误差/mm
    均方根
    误差/mm
    X方向位移预测0.9434.870.040 50.049 7
    Y方向位移预测0.93178.680.023 70.027 6
    下载: 导出CSV

    表  3  不同模型的预测性能指标

    Table  3.   Performance indexes of different forecast models

    预测
    模型
    X方向位移预测Y方向位移预测
    确定性
    系数
    平均绝对百分比
    误差/%
    平均绝对
    误差/mm
    均方根
    误差/mm
    确定性
    系数
    平均绝对百分比
    误差/%
    平均绝对
    误差/mm
    均方根
    误差/mm
    PCK 0.943 4.87 0.040 5 0.049 7 0.931 78.68 0.023 7 0.027 6
    ELM 0.934 5.54 0.045 3 0.053 3 0.878 93.42 0.028 5 0.036 8
    BP 0.916 5.34 0.046 2 0.056 5 0.638 166.61 0.053 6 0.063 5
    SVM 0.942 5.25 0.040 6 0.050 2 0.843 99.33 0.036 8 0.041 8
    SLR 0.925 6.30 0.045 1 0.056 9 0.912 64.89 0.025 2 0.031 2
    下载: 导出CSV

    表  4  不同测点的预测结果对比

    Table  4.   Comparison of prediction results of different measuring points

    测点SVMSLRPCK
    确定性系数平均绝对误差/mm确定性系数平均绝对误差/mm确定性系数平均绝对误差/mm
    10.8970.029 60.9090.026 40.9180.024 0
    20.7680.211 20.6200.226 40.8470.179 0
    30.9360.098 10.8850.143 80.9500.080 0
    40.7090.246 70.7760.206 80.8900.145 5
    50.8120.027 70.8080.029 80.8530.025 8
    60.7350.180 90.7420.179 30.8270.146 8
    70.8650.044 80.9360.029 40.9600.023 0
    80.8940.115 00.8860.136 90.9290.087 6
    90.8240.096 10.8050.112 80.8820.075 7
    100.9240.099 90.8880.139 70.9140.107 2
    下载: 导出CSV
  • [1] WEI B W, YUAN D Y, LI H K, et al. Combination forecast model for concrete dam displacement considering residual correction[J]. Structural Health Monitoring, 2019, 18(1): 232-244. doi:  10.1177/1475921717748608
    [2] 王举, 张成才. 基于三维激光扫描技术的土石坝变形监测方法研究[J]. 岩土工程学报, 2014, 36(12): 2345-2350.

    WANG Ju , ZHANG Chengcai. Deformation monitoring of earth-rock dams based on three-dimensional laser scanning technology[J]. Chinese Journal of Geotechnical Engineering, 2014, 36(12): 2345-2350. (in Chinese)
    [3] 郦能惠, 王君利, 米占宽, 等. 高混凝土面板堆石坝变形安全内涵及其工程应用[J]. 岩土工程学报, 2012, 34(2): 193-202.

    LI Nenghui, WANG Junli, MI Zhankuan, et al. Connotation of deformation safety of high concrete face rockfill dams and its application[J]. Chinese Journal of Geotechnical Engineering, 2012, 34(2): 193-202. (in Chinese)
    [4] 魏博文, 袁冬阳, 蔡磊, 等. 基于BP-ARIMA的混凝土坝多尺度变形组合预报模型[J]. 水利水运工程学报,2018(2):52-60. (WEI Bowen, YUAN Dongyang, CAI Lei, et al. Multi-scale deformation combination forecast model for concrete dam based on BP-ARIMA[J]. Hydro-Science and Engineering, 2018(2): 52-60. (in Chinese)
    [5] 戴波, 何启. 大坝变形监测统计模型与混沌优化ELM组合模型[J]. 水利水运工程学报,2016(6):9-15. (DAI Bo, HE Qi. A model combining with statistic model and chaos-optimized extreme learning machine for dam deformation monitoring[J]. Hydro-Science and Engineering, 2016(6): 9-15. (in Chinese)
    [6] 单郸, 陈辰, 沈明毅, 等. 优化降雨因子分量的岩质边坡变形预测模型[J]. 中国农村水利水电, 2020(10): 248-253.

    SHAN Dan, CHEN Chen, SHEN Mingyi, et al. The deformation prediction model of rock slope by optimizing rainfall factor[J]. China Rural Water and Hydropower, 2020(10): 248-253. (in Chinese)
    [7] 顾冲时, 吴中如. 大坝与坝基安全监控理论和方法及其应用[M]. 南京: 河海大学出版社, 2006.

    GU Chongshi, WU Zhongru. Safety monitoring of dams and dam foundations—theories & methods and their application[M]. Nanjing: Hohai University Press, 2006. (in Chinese)
    [8] 刘秋实, 邓念武. 基于空间变异理论的大坝安全监测位移场插值研究[J]. 中国农村水利水电, 2015(5): 117-120.

    LIU Qiushi, DENG Nianwu. A study of spatial variation theory in dam safety monitoring displacement field[J]. China Rural Water and Hydropower, 2015(5): 117-120. (in Chinese)
    [9] 罗德河, 郑东健. 大坝变形的小波分析与ARMA预测模型[J]. 水利水运工程学报, 2016(3): 70-75.

    LUO Dehe, ZHENG Dongjian. Wavelet analysis and ARMA prediction model for dam deformation[J].Hydro-Science and Engineering, 2016(3): 70-75. (in Chinese)
    [10] 邱莉婷, 沈振中, 马福恒, 等. MLR-Legendre多项式模型在混凝土坝裂缝开度预测中的应用[J]. 水利水运工程学报,2019(2):111-119. (QIU Liting, SHEN Zhenzhong, MA Fuheng, et al. Application of MLR-Legendre polynomials model in concrete dam crack opening prediction[J]. Hydro-Science and Engineering, 2019(2): 111-119. (in Chinese)
    [11] 李明军, 王均星. 混凝土拱坝位移确定性监控模型研究[J]. 中国农村水利水电, 2019(1): 115-119, 126.

    LI Mingjun, WANG Junxing. Research on the deterministic displacement monitoring model of concrete arch dams[J]. China Rural Water and Hydropower, 2019(1): 115-119, 126. (in Chinese)
    [12] KANG F, LIU J, LI J J, et al. Concrete dam deformation prediction model for health monitoring based on extreme learning machine[J]. Structural Control and Health Monitoring, 2017, 24(10): e1997. doi:  10.1002/stc.1997
    [13] MATA J. Interpretation of concrete dam behaviour with artificial neural network and multiple linear regression models[J]. Engineering Structures, 2011, 33(3): 903-910. doi:  10.1016/j.engstruct.2010.12.011
    [14] 李明军, 王均星, 王亚洲. 基于改进粒子群优化算法和极限学习机的混凝土坝变形预测[J]. 天津大学学报(自然科学与工程技术版),2019,52(11):1136-1144. (LI Mingjun, WANG Junxing, WANG Yazhou. Deformation prediction of concrete dam based on improved particle swarm optimization algorithm and extreme learning machine[J]. Journal of Tianjin University (Science and Technology), 2019, 52(11): 1136-1144. (in Chinese)
    [15] 王彦磊, 王仁超, 龙益彬, 等. 基于改进随机森林算法的渡槽位移及应力预测模型[J]. 水电能源科学,2020,38(5):122-124, 10. (WANG Yanlei, WANG Renchao, LONG Yibin, et al. Aqueduct displacement and stress prediction model based on improved random forest algorithm[J]. Water Resources and Power, 2020, 38(5): 122-124, 10. (in Chinese)
    [16] 姜振翔, 徐镇凯, 魏博文. 基于小波分解和支持向量机的大坝位移监控模型[J]. 长江科学院院报,2016,33(1):43-47. (JIANG Zhenxiang, XU Zhenkai, WEI Bowen. A monitoring model of dam displacement based on wavelet decomposition and support vector machine[J]. Journal of Yangtze River Scientific Research Institute, 2016, 33(1): 43-47. (in Chinese) doi:  10.11988/ckyyb.20140690
    [17] HUANG G B. An insight into extreme learning machines: random neurons, random features and kernels[J]. Cognitive Computation, 2014, 6(3): 376-390. doi:  10.1007/s12559-014-9255-2
    [18] ZHOU C, YIN K L, CAO Y, et al. Displacement prediction of step-like landslide by applying a novel kernel extreme learning machine method[J]. Landslides, 2018, 15(11): 2211-2225. doi:  10.1007/s10346-018-1022-0
    [19] 王依宁, 解大, 王西田, 等. 基于PCA-LSTM模型的风电机网相互作用预测[J]. 中国电机工程学报,2019,39(14):4070-4080. (WANG Yining, XIE Da, WANG Xitian, et al. Prediction of interaction between grid and wind farms based on PCA-LSTM model[J]. Proceedings of the CSEE, 2019, 39(14): 4070-4080. (in Chinese)
    [20] 李文涛, 边少锋, 任青阳, 等. 基于粒子群优化核极限学习机的北斗超快速钟差预报[J]. 宇航学报,2019,40(9):1080-1088. (LI Wentao, BIAN Shaofeng, REN Qingyang, et al. Kernel extreme learning machine based on particle swarm optimization for prediction of Beidou ultra-rapid clock offset[J]. Journal of Astronautics, 2019, 40(9): 1080-1088. (in Chinese)
    [21] 徐睿, 梁循, 齐金山, 等. 极限学习机前沿进展与趋势[J]. 计算机学报,2019,42(7):1640-1670. (XU Rui, LIANG Xun, QI Jinshan, et al. Advances and trends in extreme learning machine[J]. Chinese Journal of Computers, 2019, 42(7): 1640-1670. (in Chinese)
    [22] MING B, CHANG J X, HUANG Q, et al. Optimal operation of multi-reservoir system based-on cuckoo search algorithm[J]. Water Resources Management, 2015, 29(15): 5671-5687. doi:  10.1007/s11269-015-1140-6
  • [1] 李家田, 苏怀智.  重力坝失稳破坏变形表征指标警戒值的拟定 . 水利水运工程学报, 2022, (): 1-10. doi: 10.12170/20211021002
    [2] 郑安兴, 潘国勇.  重力坝坝踵裂缝水力劈裂耦合分析 . 水利水运工程学报, 2022, (6): 30-37. doi: 10.12170/20220110003
    [3] 宋洋, 杨杰, 宋锦焘, 程琳.  基于CEEMDAN-PE-LSTM的混凝土坝变形预测 . 水利水运工程学报, 2021, (3): 41-49. doi: 10.12170/20200520003
    [4] 程井, 李培聪, 李同春, 袁平.  基于MCMC法的混凝土坝坝体坝基变形模量随机反演 . 水利水运工程学报, 2020, (2): 99-106. doi: 10.12170/20181218001
    [5] 胡良明, 李姝钰, 贾欣, 杨旭.  缝面水压力与地震作用下重力坝坝踵裂缝扩展数值模拟 . 水利水运工程学报, 2020, (5): 72-78. doi: 10.12170/20190907001
    [6] 胡江.  特高拱坝运行初期变形监测预报模型及构建方法 . 水利水运工程学报, 2020, (5): 63-71. doi: 10.12170/20190908001
    [7] 陈灯红, 谢京辉, 杨乃鑫.  基于增量动力分析的混凝土重力坝抗震性能分析 . 水利水运工程学报, 2018, (5): 48-55. doi: 10.16198/j.cnki.1009-640X.2018.05.007
    [8] 王志坤, 杨璐.  基于附加质量的混凝土重力坝地震仿真分析 . 水利水运工程学报, 2016, (4): 98-103.
    [9] 罗德河, 郑东健.  大坝变形的小波分析与ARMA预测模型 . 水利水运工程学报, 2016, (3): 70-75.
    [10] 王祚, 牟献友, 李春江, 田剑浩.  不同流量下环翼型防冲板结构优化试验 . 水利水运工程学报, 2015, (2): 44-49.
    [11] 范梦歌, 刘九夫.  基于聚类分析的水文相似流域研究 . 水利水运工程学报, 2015, (4): 106-111.
    [12] 蔡云鹏, 田 英, 汤徐敏.  接触面抗剪断强度离散性对重力坝稳定的影响 . 水利水运工程学报, 2013, (6): 21-28.
    [13] 李同春,厉丹丹,王志强.  基于有限元响应面法的重力坝抗拉可靠度分析 . 水利水运工程学报, 2009, (4): -.
    [14] 贲能慧,任旭华,许朴.  复杂多滑动面混凝土重力坝稳定分析与安全评价 . 水利水运工程学报, 2008, (2): -.
    [15] 焦爱萍,刘宪亮,许新勇.  宝泉浆砌石重力坝三维有限元动力分析 . 水利水运工程学报, 2007, (1): 36-40.
    [16] 余天堂,陆晓敏,任青文.  糯扎渡混凝土重力坝左岸稳定性分析 . 水利水运工程学报, 2003, (1): 23-27.
    [17] 庞作会.  龙滩碾压混凝土重力坝及其防渗面板的应力分析 . 水利水运工程学报, 2001, (2): 21-25.
    [18] 曹庆明.  渔洞水库重力坝抗震分析 . 水利水运工程学报, 1999, (1): -.
    [19] 杨继华.  地震作用下重力坝动力特性的探讨 . 水利水运工程学报, 1982, (2): -.
    [20] 王良琛.  重力坝与地基动力相互作用的有限单元分析 . 水利水运工程学报, 1981, (2): -.
  • 加载中
图(6) / 表 (4)
计量
  • 文章访问数:  467
  • HTML全文浏览量:  122
  • PDF下载量:  68
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-06-10
  • 网络出版日期:  2021-07-03
  • 刊出日期:  2021-08-15

/

返回文章
返回