【摘要】：水庫作為當今社會不可或缺的水利工程樞紐,一直以來發(fā)都揮著巨大的工程效益。同時也作為防汛抗洪調度的核心工程,為確保一方平安做出了巨大貢獻。水力發(fā)電不斷為經(jīng)濟社會發(fā)展以及工業(yè)生產(chǎn)提供著所需能源,為人們的日常飲水灌溉提供了穩(wěn)定的動力和來源。大壩是水庫建設與運營的核心建筑物,大壩在設計時需要考慮結構和高度,而大壩的結構和高度是根據(jù)洪水淹沒范圍來考慮,有時也需要考慮上下游的梯級水電站。建筑環(huán)境的復雜多變使得壩體通常承受著巨大的荷載,易發(fā)生各種類型的偏移及形變,因此安全監(jiān)測對水庫大壩來說至關重要。在定期進行監(jiān)測的基礎上,也需要結合往期數(shù)據(jù)對大壩的形變進行分析預測,以便在險情來臨之前可以做到提早預防。大壩壩體變形的產(chǎn)生與諸多因素有關,如上下游庫水位差,氣壓,溫度,時效等,同時由于這些因素一般具有較強的隨機性,各因素之間的關系較為復雜,使得這些因素對壩體的變形量產(chǎn)生的影響無法用確切的定量關系式描述�，F(xiàn)階段,大壩變形監(jiān)測數(shù)據(jù)分析的方法多種多樣,其中大都是結合長期的變形監(jiān)測數(shù)據(jù)并利用統(tǒng)計模型對大壩的安全狀況進行分析判斷,試驗研究表明統(tǒng)計模型在處理類似大壩變形這種非線性模糊系統(tǒng)時存在缺陷和不足,分析預測的結果存在較大的誤差,可靠性和穩(wěn)定性不能達到要求。由于BP網(wǎng)絡模型可以處理非線性映射問題,而且在處理該問題上具有相當明顯的優(yōu)勢。本課題選用BP神經(jīng)網(wǎng)絡模型來對大壩變形的預警進行分析研究。同時對傳統(tǒng)的BP網(wǎng)絡模型存在的缺陷進行改進,在傳統(tǒng)BP網(wǎng)絡模型的基礎上加入遺傳算法和改進粒子群優(yōu)化算法,使用這兩種優(yōu)化算法實現(xiàn)了對傳統(tǒng)BP網(wǎng)絡模型的優(yōu)化,并將其應用于工程實例。結果表明,基于遺傳算法和改進粒子群優(yōu)化算法的BP模型相較于傳統(tǒng)的數(shù)值分析方法和單一 BP模型分析方法具有預測精度高,容錯能力和泛化能力強等優(yōu)點。
[Abstract]:Reservoir, as an indispensable water conservancy project, has always been a huge project benefit. At the same time, as the core project of flood control and flood control, it has made a great contribution to ensure the safety of one side. Hydroelectric power supply energy for economic and social development and industrial production, and provide stable power and source for people's daily drinking water irrigation. The dam is the core building of reservoir construction and operation. The structure and height of the dam should be considered when it is designed, and the structure and height of the dam are considered according to the scope of flood inundation, and sometimes the upstream and downstream cascade hydropower stations are also considered. Because of the complex and changeable building environment the dam body usually bears huge loads and is prone to various types of migration and deformation. Therefore safety monitoring is very important to the reservoir dam. On the basis of regular monitoring, it is also necessary to analyze and predict the deformation of the dam with the data of the previous period so as to prevent the dam early before the danger comes. The deformation of dam body is related to many factors, such as water level difference, air pressure, temperature, aging and so on. At the same time, because of the strong randomness of these factors, the relationship between these factors is more complex. The influence of these factors on the deformation of the dam body can not be described by the exact quantitative relation. At present, there are a variety of methods for analyzing dam deformation monitoring data, most of which are combined with long-term deformation monitoring data and statistical model is used to analyze and judge the safety status of dams. The experimental results show that the statistical model has defects and shortcomings in dealing with nonlinear fuzzy systems such as dam deformation, and the results of analysis and prediction have large errors, and the reliability and stability cannot meet the requirements. Because the BP network model can deal with nonlinear mapping problem, it has obvious advantages in dealing with this problem. In this paper, BP neural network model is used to analyze and study the early warning of dam deformation. At the same time, the defects of the traditional BP network model are improved. Genetic algorithm and improved particle swarm optimization algorithm are added to the traditional BP network model. The two optimization algorithms are used to realize the optimization of the traditional BP network model. It is applied to engineering example. The results show that the BP model based on genetic algorithm and improved particle swarm optimization algorithm is superior to the traditional numerical analysis method and single BP model analysis method in high prediction accuracy, fault tolerance and generalization ability.
【學位授予單位】：昆明理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP183;TV698.11

【相似文獻】

相關期刊論文 前10條

1 徐培亮;;擴展大壩變形預報方法的應用[J];武測科技;1988年01期

2 徐云飛,金敏;激光準直法測量大壩變形探討[J];光電子·激光;2001年09期

3 鄧躍進,張正祿;大壩變形的頻譜分析方法[J];測繪信息與工程;1997年04期

4 黃全義,張正祿;神經(jīng)網(wǎng)絡專家系統(tǒng)在大壩變形預測中的應用[J];測繪信息與工程;2001年03期

5 鄧興升,王新洲;根據(jù)歷史位移預報大壩變形的神經(jīng)網(wǎng)絡方法[J];水電自動化與大壩監(jiān)測;2004年02期

6 張潔潔;陳天偉;陳凱華;;基于逐步回歸分析的大壩變形分析模型研究[J];全球定位系統(tǒng);2011年03期

7 趙巨仁;汾河水庫大壩變形分析[J];科技情報開發(fā)與經(jīng)濟;2002年05期

8 吳秀娟,李征航;基于BP網(wǎng)絡的大壩變形分析與預報[J];測繪信息與工程;2003年05期

9 繆新穎;褚金奎;杜小文;;LM-BP神經(jīng)網(wǎng)絡在大壩變形預測中的應用[J];計算機工程與應用;2011年01期

10 劉輝;張明;廖順山;;基于BP神經(jīng)網(wǎng)絡的Kalman濾波在大壩變形數(shù)據(jù)處理中的應用[J];科技風;2009年18期

相關會議論文 前8條

1 劉子俠;王清;王永全;;基于聚類分析與兩級模糊綜合評判相結合的大壩變形分析與預報研究[A];第二屆全國巖土與工程學術大會論文集（上冊）[C];2006年

2 張猛;朱錦杰;滕世敏;李得英;;公伯峽水電站大壩變形性態(tài)分析[A];高寒地區(qū)混凝土面板堆石壩的技術進展論文集[C];2013年

3 徐偉;何金平;;基于多尺度小波分析的大壩變形自回歸預測模型[A];2012年中國水力發(fā)電工程學會大壩安全監(jiān)測專委會年會暨學術交流會論文集[C];2012年

4 張永光;陳余才;薛倩;丁俊福;;指數(shù)平滑法在小浪底大壩變形預測中的應用[A];現(xiàn)代空間定位技術應用研討交流會論文集（第5卷 第3集）[C];2007年

5 崔建偉;薛建成;李學全;張永光;;指數(shù)平滑法在小浪底大壩變形預測中的應用[A];《測繪通報》測繪科學前沿技術論壇摘要集[C];2008年

6 楊寧安;;貓?zhí)蛹t楓水電站大壩變形觀測資料分析[A];中國水力發(fā)電工程學會大壩安全監(jiān)測專業(yè)委員會1998年學術年會暨中青年科技成果報告會論文集[C];1998年

7 孫小冉;;基于因子分析法的大壩變形安全監(jiān)控模型[A];2012年中國水力發(fā)電工程學會大壩安全監(jiān)測專委會年會暨學術交流會論文集[C];2012年

8 顧沖時;徐寶松;劉貝貝;;大壩變形溫變效應的一種分析方法研究[A];2012年中國水力發(fā)電工程學會大壩安全監(jiān)測專委會年會暨學術交流會論文集[C];2012年

相關博士學位論文 前4條

1 王小敏;基于有限元方法的大壩變形分析與仿真研究[D];武漢大學;2010年

2 王曉旭;全自動真空激光大壩變形測量系統(tǒng)的研制[D];大連理工大學;2006年

3 呂開云;黃河小浪底水利樞紐大壩變形預測方法研究與分析[D];中國礦業(yè)大學(北京);2012年

4 趙卿;大壩變形分析多測點統(tǒng)計模型的應用研究[D];武漢大學;2010年

相關碩士學位論文 前10條

1 劉敏;改進支持向量機在大壩變形預測中的應用研究[D];江西理工大學;2015年

2 李瑞;桐子壕水電站大壩變形觀測研究與實踐[D];西南石油大學;2016年

3 趙相博;基于基因表達式編程的大壩變形預測系統(tǒng)的研究[D];江西理工大學;2014年

4 翟信德;基于支持向量機的大壩變形預測研究[D];合肥工業(yè)大學;2007年

5 張瀟瓏;基于基因表達式編程的大壩變形預測模型研究[D];江西理工大學;2014年

6 曹光明;龍羊峽大壩變形性態(tài)分析[D];天津大學;2004年

7 楊麗;小波理論在大壩變形監(jiān)測數(shù)據(jù)分析中的應用研究[D];西安理工大學;2010年

8 劉子龍;基于小波包和基因表達式編程的大壩變形預測模型研究[D];江西理工大學;2013年

9 袁崢;EV模型在大壩變形監(jiān)測數(shù)據(jù)處理中的應用研究[D];河海大學;2007年

10 張飛;基于粒子群的BP神經(jīng)網(wǎng)絡在大壩變形預測中的應用研究[D];遼寧工程技術大學;2011年

，

本文編號：2261242