發(fā)布時間：2021-11-25 14:18

　　為監(jiān)控大壩運行過程中的異常狀態(tài),準確預測大壩滲流量的變化趨勢,采用最大信息系數(shù)（MIC）量化滲流量與影響因子之間的相關性大小并從中選取主導因子作為輸入變量,通過引入生物地理學優(yōu)化算法（BBO）并以K折交叉驗證意義下的平均均方根誤差為損失函數(shù)來優(yōu)化支持向量機（SVM）作為預測模型,以某水電站工程的攔河大壩為例進行模型驗證。結(jié)果表明:MIC-BBO-SVM模型的擬合優(yōu)度、均方根誤差、平均絕對誤差和平均絕對百分比誤差分別為0.957 5,0.155 0 m³/h,0.135 6 m³/h,11.51%,預測性能明顯優(yōu)于逐步回歸模型、SVM模型和MIC-SVM模型,可為大壩滲流安全監(jiān)測提供參考與借鑒。 

【文章來源】：中國安全生產(chǎn)科學技術. 2020,16(11)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

大壩滲流效應量影響因素

滲流量影響因子優(yōu)選

棲息地物種遷徙模型

【參考文獻】：
期刊論文
[1]基于遺傳算法優(yōu)化支持向量機的大壩安全性態(tài)預測模型[J]. 谷艷昌,吳云星,黃海兵,龐瓊.  河海大學學報(自然科學版). 2020(05)
[2]基于BBO-SVM的大壩變形預測模型與性能驗證[J]. 劉志,劉澤,楊金輝,高培培,朱光華,胡少華.  水利水電技術. 2020(08)
[3]基于最大互信息系數(shù)屬性選擇的冷軋產(chǎn)品機械性能預測[J]. 顏弋凡,安路達,呂志民.  中南大學學報(自然科學版). 2020(01)
[4]多維復雜關聯(lián)因素下的大壩變形動態(tài)建模與預測分析[J]. 李明超,任秋兵,孔銳,杜勝利,司文.  水利學報. 2019(06)
[5]鐵路事故持續(xù)時長預測背景下的影響因素分析[J]. 樊夢琳,鄭偉.  中國安全科學學報. 2019(S1)
[6]一種基于GA的新型生物地理學優(yōu)化算法研究[J]. 王寧,魏利勝.  系統(tǒng)仿真學報. 2020(09)
[7]基于SVM的通風系統(tǒng)故障診斷懲罰系數(shù)與核函數(shù)系數(shù)優(yōu)化研究[J]. 周啟超,劉劍,劉麗,黃德,鄧立軍,蔣清華.  中國安全生產(chǎn)科學技術. 2019(04)
[8]MIC-PCA耦合算法在徑流預報因子篩選中的應用[J]. 王麗萍,李寧寧,馬皓宇,紀昌明,李貴博.  中國農(nóng)村水利水電. 2018(09)
[9]基于SVM的混凝土壩變形監(jiān)控模型預測能力實例分析[J]. 錢秋培,崔偉杰,包騰飛,李慧.  長江科學院院報. 2018(08)
[10]基于EEMD-BBO-ELM的短期風電功率預測方法[J]. 時彤,楊朔.  分布式能源. 2018(03)



本文編號：3518308