基于改进IGGⅢ-ELM法的混凝土坝变形监测数据粗差识别方法.pdf
《基于改进IGGⅢ-ELM法的混凝土坝变形监测数据粗差识别方法.pdf》由会员分享,可在线阅读,更多相关《基于改进IGGⅢ-ELM法的混凝土坝变形监测数据粗差识别方法.pdf(7页珍藏版)》请在咨信网上搜索。
1、水利水电科技进展,2023,43(6)摇 Tel:02583786335摇 E鄄mail:jz 摇 http:/第 43 卷第 6 期Vol.43 No.6水 利 水 电 科 技 进 展Advances in Science and Technology of Water Resources2023 年 11 月Nov.2023基金项目:国家自然科学基金联合基金项目(U2243223);中央高校基本科研业务费专项资金资助项目(B230201011);江苏省水利科技项目(2022024)作者简介:王岩博(1998),男,博士研究生,主要从事水工结构安全监控研究。E鄄mail:通信作者:顾冲时(1
2、962),男,教授,博士,主要从事水工结构安全监控研究。E鄄mail:csgu DOI:10.3880/j.issn.10067647.2023.06.013基于改进 IGG芋鄄ELM 法的混凝土坝变形监测数据粗差识别方法王岩博1,2,顾冲时1,2,石摇 立3,顾摇 昊1,2,张建中1,2,陆摇 希3,吴摇 艳4,朱明远4(1.河海大学水灾害防御全国重点实验室,江苏 南京摇 210098;2.河海大学水利水电学院,江苏 南京摇 210098;3.中国电建集团西北勘测设计研究院有限公司,陕西 西安摇 710065;4.新疆水利水电科学研究院,新疆 乌鲁木齐摇 830049)摘要:针对混凝土坝变形
3、监测数据存在非线性强、粗差识别与剔除困难等问题,结合改进 IGG芋法对异常值的抗差能力强、极限学习机(ELM)对数据序列预测效率高和对非线性问题处理能力强、增量 ELM 寻找最优网络结构速度快等优势,提出了基于改进 IGG芋鄄ELM 法的混凝土坝变形监测数据粗差识别方法,并采用包含两个调和系数的四段权函数对 IGG芋鄄ELM 法进行改进,使得权函数的一阶导数处处光滑,增强了权函数突变范围内信息的可利用性。与 IGG芋鄄ELM 法、DBSCAN聚类算法、罗曼诺夫斯基准则和拉依达准则的实例处理结果对比表明:基于改进 IGG芋鄄ELM 法的混凝土坝变形监测数据粗差识别方法较其他 4 种方法粗差识别率
4、更高、泛化能力更强、预测效果更好。关键词:变形监测数据;混凝土坝;粗差识别;机器学习;变形预测中图分类号:TV698.1摇 摇 摇 文献标志码:A摇 摇 摇 文章编号:10067647(2023)06008907Gross error identification method for deformation monitoring data of concrete dams based on improved IGG芋鄄ELM method/WANG Yanbo1,2,GU Chongshi1,2,SHI Li3,GU Hao1,2,ZHANG Jianzhong1,2,LU Xi3,WU Y
5、an4,ZHUMingyuan4(1.The national key Laboratory of Water Disaster Prevention,Hohai University,Nanjing 210098,China;2.College of Water Conservancy and Hydropower Engineering,Hohai University,Nanjing 210098,China;3.NorthwestEngineering Corporation Limited,Xi爷an 710065,China;4.Xinjiang Institute of Wate
6、r Resources and Hydropower Research,Urumqi 830049,China)Abstract:Aiming at the problems of strong nonlinearity,difficulty in identifying and eliminating gross errors in concretedam deformation monitoring data,an approach of gross error identification and a dam safety monitoring model fordeformation
7、monitoring data of concrete dams are proposed based on the improved IGG芋鄄ELM method,which combines theadvantages of the improved IGG芋 method with the good robustness to outliers,the extreme learning machine(ELM)method with high efficiency in predicting data sequences and strong ability to handle non
8、linear problems and the incrementalELM method with rapid optimal network structure seeking,the IGG芋鄄ELM method is improved by using a four鄄segmentweight function containing two harmonic coefficients,making the first derivative of the weight function smooth everywhere,and enhancing the availability o
9、f information in the mutation range of the weight function.In the study case,the processingresult of the improved IGG芋鄄ELM method was compared with the IGG芋鄄ELM method,DBSCAN clustering algorithm,Romanovsky criterion and Pauta criterion.The results show that the gross error identification and predic
10、tion method ofconcrete dam deformation monitoring data based on the improved IGG芋鄄ELM method has a gross error identification rate,stronger generalization ability and better prediction effect than the other four methods.Key words:monitoring data;concrete dams;gross error identification;machine learn
11、ing;deformation prediction摇 摇 混凝土坝是重要的国民基础设施,然而大型混凝土坝一旦失事,会给下游人民的生命财产带来巨大损失,并对周边城市、村庄和生态环境造成毁灭性的灾难1,因此,确保混凝土坝健康长效服役至关98水利水电科技进展,2023,43(6)摇 Tel:02583786335摇 E鄄mail:jz 摇 http:/重要。混凝土坝在设计施工中存在的不合理因素和在服役期间受到的动静循环荷载与恶劣环境侵蚀,会导致混凝土性能和大坝结构整体安全性降低,严重影响大坝的安全运行2,需要大坝安全监控系统实时掌握混凝土坝真实的工作性态,及时发现混凝土坝运行过程中的缺陷和隐患,并
12、对病险坝进行除险加固3鄄5。在获取混凝土坝安全监测原始数据时,经常会因为读数错误、计算错误、检测仪器故障等产生一定的粗差。粗差的存在严重影响了大坝监测数据序列的准确性,只有采取有效措施予以剔除,才能取得真实可靠的大坝安全预测效果。目前应用广泛的粗差去除方法有过程线法、统计检验法和数学模型法6鄄7,这些传统方法存在粗差识别率低,经常出现误判、漏判等问题,因此,Zhang 等8基于集成学习算法提出了用实时数据更新的异常指标矩阵来识别大坝监测数据异常值的方法;Song 等9基于多变量面板数据和 K 均值聚类算法建立了大坝异常值监测的理论方法;Shao 等10利用图像处理技术和布谷鸟搜索算法处理大坝监
13、测数据中的异常值。同时,也有众多学者将稳健估计理论引入粗差识别模型中,从而增强模型的鲁棒性和泛化能力。赵泽鹏等11提出了一种基于最小协方差行列式估计的拉依达准则改进算法来识别大坝监测数据中的残差异常值;Li 等12提出了结合稳健统计量和置信区间的早期预警模型来识别监测异常值;李兴等13提出了基于 M 估计的改进 Pauta 准则去除粗差算法,有效地解决了异常值误判的问题;胡德秀等14结合稳健估计 抵 抗 粗 差 能 力 强 和 极 限 学 习 机(extremelearning machine,ELM)能够处理非线性问题的优势,建立了基于 M鄄ELM 的大坝安全监控模型。与传统方法相比,这些方
14、法能够较好地解决大坝变形数据中的异常值问题,但当存在连续偏离正常值或低偏差度的监测序列时,仍存在误判漏判现象,导致可利用信息在稳健估计中不能得到充分利用。这一现象需要进一步研究,以提高对异常数据的识别能力。目前传统的大坝安全监控模型有数理统计模型、确定性模型和混合模型。葡萄牙、意大利等国家早在 20 世纪 50 年代就开始采用统计回归法建立大坝变形监控模型15鄄16。我国大坝安全监控模型起步相对较晚,20 世纪 80 年代中期吴中如17采用逐步回归、加权回归等数理统计方法,建立了实测数据与效应量之间的统计模型,并成功地应用于实际工程中。近年来,随着计算机、大数据和人工智能的发展,随机森林算法、
15、神经网络、粒子群算法等智能算法相继被引入大坝安全监控领域。Huang 等18首次将核偏最小二乘法引入超高坝的安全监测中;Xu19构建了基于径向基函数神经网络的大坝变形监测模型;Gu 等20基于优化随机森林方法建立了混凝土坝监测因子挖掘模型;Chen 等21基于狄利克雷过程 高斯混合模型聚类算法提出了一种考虑时空分异的大坝综合位移预测模型。这些智能算法能够更好地解决监控模型中复杂的非线性问题和众多的不确定因素,提高大坝安全监控模型的鲁棒性和泛化能力,进而提高大坝安全监控的预测精度。选权迭代法中的 IGG芋法是稳健估计中最常用的方法,其初值的选取一般采用最小二乘法。然而,IGG芋权函数的一阶导数存
16、在不光滑的“尖点冶,导致其附近范围内的信息不能被充分准确地利用,对于小偏差异常值易造成数据误判漏判的现象。因此,本文结合 IGG芋与 ELM 方法进行混凝土坝变形监测数据的粗差识别与回归分析,采用包含两个调和系数的四段权函数对 IGG芋鄄ELM 进行改进(以下简称“改进 IGG芋鄄ELM 法冶),并结合工程案例讨论该方法在粗差识别和回归预测中的效果,以期更好地解决监测模型中复杂的非线性问题和众多的不确定因素,提高大坝安全监测模型的鲁棒性和泛化能力,进而提高大坝安全监测的预测精度。1摇 改进 IGG芋鄄ELM 法1.1摇 IGG芋鄄ELM 法ELM 是一种简单高效的单隐含层前馈神经网络算法,相比
17、于传统的神经网络算法具有学习速度快、泛化能力强、预测精度高等优点22鄄23。神经网络隐含层节点输出权重14为茁夷=(HTBH)-1HTBTT(1)式中:H 为隐含层输出矩阵;B 为隐含层的随机偏置矩阵,B=(b1,b2,bl)T;T 为混凝土坝的变形实测值矩阵。若大坝实际变形的权重为 Pi,令軈P=(軈Pi)=(Pibi),其中軈Pi为 IGG芋等价权函数的一阶导数,则法方程组矩阵为茁夷=(HT軈PH)-1HT軈PTT(2)摇 摇 稳健估计中的选权迭代法是根据残差大小确定权因子,其中最有效的方案是利用 IGG芋法逐步降低异常值的权重,达到准确识别粗差的目的。具体公式为軈Pi=1軇vi臆 k1k
18、1軇vik2-軇vik2-k12摇 k1 k2(3)09水利水电科技进展,2023,43(6)摇 Tel:02583786335摇 E鄄mail:jz 摇 http:/式中:k1=1.5;k2=2.5;軇vi为标准化残差。处理方法如表 1 所示。表 1摇 IGG芋法权重处理方法判别条件监测值措施权重軇vi臆k1正常保权1k10 k2异常淘汰01.2摇 IGG芋鄄ELM 法的改进稳健估计是一个保留有效数据信息、削弱可用数据信息、剔除干扰数据信息的反复迭代过程。IGG芋权函数的一阶导数在 k1处存在不光滑的“尖点冶,使得 k1附近的数据信息不能得到充分利用,易出现误判漏判的情况。因此,本文采用包含
19、两个调和系数的四段权函数一阶导数来替代式(3):軈Pi=1軇vi臆 k11-2軇vi-k1k2-軇vi2k1軇vi臆k1+k222k2-軇vi軇vi-k12k1+k22 k 2(4)改进 IGG芋的权函数如图 1 所示。图 1摇IGG芋及改进方案的权函数1.3摇 增量 ELM 法确定隐含层节点数在 ELM 中,隐含层节点数是影响网络泛化能力的一个重要参数,本文采取增量 ELM 法确定隐含层的节点个数。该方法的原理是初始化一个较小的ELM 网络结构,逐渐增加隐含层的节点个数,使其结果达到期望精度为止。具体步骤如下:假设 ELM 网络结构初始隐含层节点数为 s-1,则 茁s-1=(HTs-1Hs-
20、1)-1HTs-1TT,其中茁s-1表示节点数为 s-1 时隐含层与输出层之间的连接权重;当新的节点加入后,有 茁s=(HTsHs)-1HTsTT,其中 Hs=(Hs-1,vs),vs为与第 s 个隐含层节点连接的隐含层输出向量。由于(HTsHs)-1是对称的,因此有(HTsHs)-1=ABBE-1=A忆B忆B忆TE忆(5)其中A=HTs-1Hs-1摇 B=HTs-1vs摇 C=vTsvs摇 摇 因此有I=ABBTEA忆B忆B忆TE忆=AA忆+BB忆TAB忆+BE忆BTA忆+EB忆TBTB忆+EE忆(6)解得:A忆=A-1B(A-1B)TE-BT(A-1B)+A-1B忆=A-1BBTA-1B-
21、EC忆=1E-BTA-1B(7)摇 摇 因此可得:Ds=A忆B忆B忆TE忆HTs-1vTs=A忆HTs-1+B忆vTsB忆THTs-1+E忆vTs(8)摇 摇 令 Ds=(M,N)T,把式(7)代入式(8)可以计算M 和 N,即可算得 茁s。1.4摇 大坝监测数据中剔除粗差的具体步骤对于给定的数据拟合段 N,初始隐含层节点个数为 s,最大隐含层节点数为 smax,期望精度为 着。步骤 1摇在 ELM 网络结构中随机生成输入大坝环境量因子的权重矩阵 棕 和偏置矩阵 B(i=1,2,s)。步骤 2摇 令 s=1,计算隐含层输出矩阵 H0和混凝土坝拟合效应量因子权重 茁0,并计算网络学习精度 es=
22、e0。步骤 3摇 当 s着 时,令 s=s+1,计算输出矩阵 Hs和混凝土坝拟合效应量因子权重 茁s,直至满足条件为止,得到最优隐含层节点数s*。步骤 4摇 利用改进 IGG芋法计算混凝土坝变形监测数据的初始等价权矩阵軈P。步骤 5摇 根据步骤 3 中 s*对应的 Hs*和步骤 4中軈P,利用式(2)计算 茁夷。步骤 6摇逐次迭代计算,直至 茁夷i-1-茁夷i臆啄 时停止。步骤 7摇 输出混凝土坝在连续时间序列上的监测变形权重 Pi,Pi为 0 的样本序列判定为粗差,予以剔除。改进 IGG芋鄄ELM 法粗差识别流程如图 2 所示。2摇 工程案例2.1摇 工程概况某水电站是雅砻江干流梯级滚动开发
23、的龙头水库电站,水库正常蓄水位 1880 m,主要任务是发电,兼有防洪、拦沙作用。该水电站的主要建筑物为19水利水电科技进展,2023,43(6)摇 Tel:02583786335摇 E鄄mail:jz 摇 http:/图 2摇 改进 IGG芋鄄ELM 法粗差识别流程混凝土双曲拱坝,坝顶高程1885m,最大坝高305 m。本文选取电站运行期 2016 年 9 月 1 日至 2018 年5 月19 日的位移监测数据,分析并验证所用方法的准确性和适用性。图 3 为该水电站双曲拱坝的三维模型。图 3摇 双曲拱坝的三维模型2.2摇 模型影响因子的选取及数据集的划分在混凝土坝运行过程中,大坝会受到水压力
24、、扬压力、泥沙压力和温度等荷载的共同作用,选取水压分量 啄H、温度分量 啄T、时效分量 啄兹为自变量,大坝变形的位移 啄 为因变量,利用 ELM 建立自变量与因变量间的非线性映射,能够较好地构建大坝变形位移的预测模型,其表达式为啄=啄H+啄T+啄兹(9)选取 H-H0、H2-H20、H3-H30、H4-H40作为水压因子,sin2仔t365-sin2仔t0365、cos2仔t365-cos2仔t0365、sin4仔t365-sin4仔t0365、cos4仔t365-cos4仔t0365作为温度因子,兹-兹0、ln兹-ln兹0作为时效因子,其中 H 为上游水位,H0为观测起始日的上游水位,t 为
25、监测日至实测日的累计天数,t0=1,兹=0.01t,兹0=0.01t0。拱冠梁的监测数据是馈控大坝变形安全的关键性数据,因此选取 13 号坝段坝中监测点 PL13鄄3 作为研究对象,将其径向位移监测数据划分为拟合段(用于模型拟合的数据样本)和验证段(用于验证模型泛化能力的数据样本),拟合段为 2016 年 9 月1 日至 2018 年 3 月 22 日(共计 522 个数据样本),验证段为 2018 年 3 月 23 日至 2018 年 5 月 19 日(共计 58 个数据样本)。为了检验改进 IGG芋鄄ELM 法识别粗差的效果,将震荡、台坎、突跳、台阶 4 种类型及偏差量较小的粗差引入到测点
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 IGG ELM 混凝土 变形 监测 数据 识别 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。