下载文档原格式
大坝安全监控理论与应用一、概述大坝是水利建设的重要组成部分，其对于水灾防治、水资源开发等方面都具有重大意义。
然而，大坝在长期使用中会受到各种因素的影响，如气候、地质、自然灾害等，从而导致安全隐患的出现。
因此，为了及时发现和预防安全隐患，保障大坝的安全稳定运行，大坝安全监控系统得以应用。
二、大坝安全监控的基本要素大坝安全监控的基本要素包括：•监测对象：大坝的水位、库水压力、地震振动、温度、日常位移等。
•监测手段：传感器、数据采集仪器、控制器等。
•监测网络：采用有线、无线通信技术进行数据传输，通过云端存储和处理来实现对大坝的实时监控。
•监测指标：大坝监测指标是安全监控系统对于大坝的一些关键技术指标进行预警和提醒，包括水位、库水压力、温度、振动、位移等。
•系统管理：大坝安全监控系统的建设和维护是一个系统工程，需要进行统一管理和维护。
三、监测技术1. 传感器技术传感器是大坝监测系统最重要的组成部分，用于实现对大坝各项指标的监测。
目前，常用的传感器有温度传感器、位移传感器、水位传感器、压力传感器等。
传感器的主要特点是高精度、高稳定性、结构简单、易安装和维护。
2. 数据采集技术数据采集是将传感器收集到的监测数据进行处理、分析和储存。
常用的数据采集方式有有线和无线两种方式。
有线采集方式主要适用于大坝附近没有大范围移动设备的区域，无线采集方式则主要应用于移动端接入，适用于复杂的大坝监测场景。
3. 控制器技术控制器是大坝安全监控系统中的重要组成部分，主要用于传感器状态的监测、数据的采集和处理、安全预警的判断和控制等多种功能。
四、监测系统的建设大坝安全监测系统的建设需要解决以下几个问题：1. 数据传输问题监测数据需要通过一定的传输手段将数据从大坝传输到云端进行统一处理和分析。
常用的传输手段有GPRS、电信、联通等。
2. 数据存储问题监测数据需要通过一定的存储手段将数据有序地存放于存储介质，以便后期查询和分析。
常用的存储手段有MS SQL Server、Oracle、MySQL等。
递阶偏最小二乘回归在大坝安全监测中的应用近年来大坝安全监测受到了越来越多的关注,由于大坝灾害的发生，使得政府和专业机构都开始重视大坝安全监测工作,以预防大坝灾害的发生。
大坝安全监测通常涉及监测仪器的安装、检测数据的采集、实时监测和预警，其中的检测数据分析是大坝安全监测的关键环节。
因此，选择一种可以有效预测大坝曲线的回归方法是关键，传统的最小二乘法已经不能满足我们对新型曲线预测的需求，而此时正是递阶偏最小二乘（Stepwise Partial Least Squares，简称SPLS）发挥作用的时候了。
递阶偏最小二乘是一种比较新型的统计方法，它是根据最小二乘方法（Least Square Method）改进而来的数据拟合模型，它可以完美融合了最小二乘和偏最小二乘（Partial Least Squares），不仅可以直接处理非线性的微分方程，而且可以解决高维度的计算问题。
与传统的最小二乘法相比，递阶偏最小二乘拟合曲线拟合的精度更高，而且可以有效抑制噪声对拟合精度的影响，也可以有效降低拟合精度受到自变量数量的影响，这对于大坝安全监测来说是非常有用的。
由于递阶偏最小二乘的优点，它在大坝安全监测的应用领域有着重要的作用，尤其是大坝曲线预测领域，它可以非常准确地拟合大坝的曲线，使得能够提高大坝的安全监测效率，也使大坝安全监测的可靠性和准确性得到了极大的提高。
首先，采用递阶偏最小二乘方法可以有效降低对大坝安全监测曲线拟合的计算成本，以克服最小二乘法无法同时处理多个自变量的缺陷，并使拟合过程更快、更简单。
其次，通过它比传统最小二乘法和偏最小二乘法得到的曲线更准确，它能够有效抑制噪声对拟合精度的影响，使得拟合精度达到更高的程度，从而提高大坝的安全监测的可靠性和准确性。
最后，它能够有效的帮助我们避免大坝安全监测过程中的拟合错误，将拟合的曲线更加接近大坝的实际情况。
总的来说，递阶偏最小二乘能够有效提高大坝安全监测的效率和精准度，它是当今大坝安全监测的重要方法。
浅谈多元线性回归在大坝变形监测数据处理中的应用【摘要】本文主要探讨了多元线性回归在大坝变形监测数据处理中的应用。
在首先介绍了研究背景和研究意义，为进一步讨论铺垫。
在分别阐述了多元线性回归的基本原理、在大坝变形监测中的具体应用、数据处理方法、以及通过案例分析进行实际效果评估和优缺点对比。
结论部分总结了多元线性回归在大坝变形监测中的实际效果和未来发展趋势。
本文旨在为大坝变形监测领域的研究者提供参考和借鉴，推动该领域的发展和进步。
【关键词】关键词：多元线性回归、大坝变形监测、数据处理、案例分析、优缺点对比、实际效果、未来发展趋势、研究背景、研究意义、结论、正文、引言1. 引言1.1 研究背景大坝是国家重要的水利设施，其安全性与稳定性对于水资源的调控和保障起着重要作用。
由于地质构造、气候变化等因素的影响，大坝在使用过程中可能会发生一定程度的变形。
对大坝的变形监测变得至关重要。
在大坝变形监测中，传统的监测方法主要依靠传感器采集数据，然后通过传统的统计分析方法进行处理。
这种方法存在着一些局限性，比如受到数据量和质量的限制、数据之间的相关性等。
本文将深入探讨多元线性回归在大坝变形监测数据处理中的应用，以期为大坝变形监测提供新的思路和方法。
1.2 研究意义短了或者格式要求等等。
部分的内容如下：多元线性回归在大坝变形监测数据处理中的应用具有重要的研究意义。
大坝作为水利工程中的重要组成部分，其安全性与稳定性直接关系到人们的生命财产安全。
而大坝的变形监测是确保大坝安全运行的必要手段。
通过多元线性回归对大坝变形监测数据进行处理，可以更准确地分析大坝的变形情况，为大坝的维护和管理提供科学依据。
多元线性回归在大坝变形监测中的应用有助于提高数据处理的效率和精确度。
通过建立多元线性回归模型，可以利用多个影响因素对大坝变形进行综合分析，从而更全面地了解大坝的状态变化。
这不仅可以更快速地发现变形趋势，还可以减少人为因素对数据处理结果的影响，提高数据处理的准确性和可靠性。
浅谈多元线性回归在大坝变形监测数据处理中的应用【摘要】本文主要介绍了多元线性回归在大坝变形监测数据处理中的应用。
首先从背景介绍和研究意义入手，解释了为什么需要使用多元线性回归来处理大坝变形监测数据。
接着详细介绍了多元线性回归的原理以及大坝变形监测数据的采集方法。
然后通过一个实例展示了多元线性回归在大坝变形监测数据处理中的具体应用，并对模型进行了评估和数据分析。
在结论部分总结了多元线性回归在大坝变形监测数据处理中的优势，并展望了未来的研究方向。
通过本文的阐述，读者可以更深入地了解多元线性回归在大坝变形监测数据处理中的重要性和实际应用价值。
【关键词】大坝变形监测、多元线性回归、数据处理、模型评估、数据分析、优势、未来研究、应用实例。
1. 引言1.1 背景介绍大坝是水利工程中非常重要的建筑物，它们承担着蓄水、防洪等重要功能。
由于大坝受到地质条件、水文条件等多种因素的影响，会出现一定程度的变形。
这种变形可能会对大坝的安全性产生一定的影响，因此大坝的监测工作显得至关重要。
传统的大坝监测主要通过传感器等设备采集变形监测数据，但是这些数据往往受到环境、设备、人为因素的影响，数据之间可能存在一定的相关性。
采用多元线性回归这种统计方法对大坝变形监测数据进行处理，能够更好地分析数据之间的关系，揭示数据背后的规律性和趋势性。
通过对多元线性回归在大坝变形监测数据处理中的应用研究，可以更好地把握大坝变形的趋势变化，为大坝的安全监测提供更加准确、可靠的数据支持。
研究多元线性回归在大坝变形监测数据处理中的应用具有重要的理论和实践意义。
1.2 研究意义大坝是人类为了防洪、灌溉、发电等目的而修建的水利工程，对于保障人们的生命财产安全和促进社会经济发展具有重要意义。
由于大坝长期受到水压和地质构造等因素的影响，可能会导致大坝发生变形，进而威胁到大坝的稳定性和安全性。
对于大坝的变形监测至关重要。
本研究旨在探讨多元线性回归在大坝变形监测数据处理中的应用，旨在为大坝安全监测和管理提供更加科学的手段，促进大坝的安全运行，保障人们的生命财产安全。
大坝安全监测预报中的门限双线性模型
金光球;金菊良;汪莲
【期刊名称】《人民长江》
【年(卷),期】2007(038)006
【摘要】提出了门限双线性模型以及一套基于自相关系数图、点值图和遗传算法的建模方案.通过实例,将门限双线性模型与神经网络可变权组合预测模型、门限自回归模型和双线性模型进行了对比分析,得出结论:门限双线性模型的预测精度和拟合精度以及稳定性均比神经网络可变权组合预测模型、门限自回归模型、双线性模型要高;门限双线性模型的内在思想组合要比组合预测模型外在结果组合更优秀;建模方案简便实用.
【总页数】3页(P75-77)
【作者】金光球;金菊良;汪莲
【作者单位】河海大学,水利水电工程学院,江苏,南京,210098;合肥工业大学,土木建筑工程学院,安徽,合肥,230009;合肥工业大学,土木建筑工程学院,安徽,合肥,230009【正文语种】中文
【中图分类】TV689.1
【相关文献】
1.基于遗传算法的双线性模型在大坝安全监测预报中的应用 [J], 汪莲;金光球;曹明宏
2.新井子水库大坝安全监测分析评价预报系统 [J], 杨栋华
3.改进的BP神经网络模型在大坝安全监测预报中的应用 [J], 吴云芳;李珍照
4.BP模型在大坝安全监测预报中的应用 [J], 赵斌;吴中如
5.基于改进BP神经网络的大坝安全监测预报模型 [J], 李明
因版权原因，仅展示原文概要，查看原文内容请购买。
大坝及坝基（3）综合评价专家系统（包括综合推理机、知识库、方法库、数据库和图库等一机四库）监测资料监测系统坝工理论和力学混沌理论突变理论模糊数学灰色系统时序分析法监控模型计算模型、参数、工况等反演分析设计、施工和运行等反馈分析（2）反分析（1）监控模型（4）大坝及坝基安全监控（工程应用）统计模型统计数学有限单元法确定性模型和混合模型专业知识－大坝监测数据整编监测资料整编是定期或按照上级主管部门要求进行的系统、全面的监测资料整理工作，其工作内容是将大坝安全监测的各种原始数据和有关文字、图表（含影像和图片）等材料进行审查、考证，综合整理成系统化、图表化的监测成果，并汇编刊印成册或制成软盘。
一、资料整编的内容●平时资料整理计算、查证原始观测数据的可靠性和准确性；如有异常或疑点应及时复测、确认；如影响工程安全运行，应及时上报主管部门。
●定期整编刊印在平时资料整理基础上，按规定时段对监测资料进行全面整编、汇编和分析，并附以简要安全分析意见，编印后刊印成册。
●遵循的原则严肃性、及时性、可靠性。
平时资料整理●适时检查各观测项目原始观测数据和巡视检查记录的正确性、准确性和完整性。
●及时进行观测物理量的转换，填写数据记录表格。
●随时点绘各观测物理量过程线图，考察和判断测值的变化趋势。
●随时整理巡查记录，补充或修改有关监测系统及观测设施的变动或检验、校测情况，并相应修改各种考证图表，确保资料的衔接与连续性。
定期整编刊印●汇集工程的概况、监测系统布置和各项考证资料，以及巡检的资料和有关报告、文件等。
●在平时资料整理的基础上，对整编时段内的各项观测物理量按时序进行列表统计和校对。
●绘制能表示各观测物理量在时间和空间上的分布特征图，以及有关因素的相关关系图。
●分析观测的变化规律及其对工程安全的影响，并对影响工程安全的问题提出处理意见。
●对上述资料进行全面复核、汇编，并附以整编说明后，刊印成册，建档保存。
二、资料整编的工作流程①监测资料的搜集②监测物理量的计算③监测数据的补差和光滑④填表和绘图⑤原始监测资料的检验和误差分析⑥初步分析和文字报告编写⑦监测资料的检验和审查以及审定编印三、监测资料的搜集搜集资料的内容范围：◆观测数据的采集。
大坝安全监测中三种统计回归分析方法的比较分析发表时间：2019-01-03T15:49:50.847Z 来源：《基层建设》2018年第35期作者：陆游1 吕国辉2[导读] 摘要：大坝安全监测是掌握大坝运行状态，保证大坝安全运行的重要措施，也是检验设计成果和监察施工质量的有效手段。
1．广东天信电力工程检测有限公司广州 510600；2．中水东北勘测设计研究有限责任公司长春 130021摘要：大坝安全监测是掌握大坝运行状态，保证大坝安全运行的重要措施，也是检验设计成果和监察施工质量的有效手段。
本文通过对多元线性回归、逐步回归、主成分分析回归三种统计模型进行分析，讨论了这三种模型的建模原理、计算步骤、特点和优劣，最后引用某大坝的变形监测数据进行验证，得出了适应性最强的回归分析方法。
关键词：大坝安全监测；统计回归；多元线性回归；逐步回归分析；多重相关性；主成分分析回归Comparison of three methods of statistical regression analysis in dam safety monitoring.LU You 1 and LV Guohui 2（1．Guang Dong TianXin Electric Power Engineering Testing Co.，Ltd，Guangzhou 5106002．China Water Northeastern Investigation，Design & Research Co.，Ltd，Changchun 130021）Abstract：Dam safety monitoring is not only an important measure that can grasp the operational status and guarantee safe operation of the dam but also an effective mean that can test design results and monitor dam construction quality.This paper based on multivariate linear regression，stepwise regression，and principal component analysis，three kinds of statistical regression model analysis，discusses the model of the three principle，calculation steps and advantages.Finally，the deformation monitoring data of the dam is used to verify and the most adaptive regression analysis method is obtained.Key words：Dam safety monitoring，Statistical regression，Multivariate linear regression，Stepwise regression analysis，multiple correlativity，principle components analysis regression1 引言建国以来，我国共修建近8.6万多座各类水库，数量居世界之首，但是由于水文、地质、施工质量、材料老化、运行管理等多种原因，部分大坝存在着不同程度的病险问题。
第30卷湖北师范学院学报（自然科学版）Vol.30第1期Journal of Hubei Normal University（Natural Science）No.1，2010回归模型与时间序列在大坝变形监测中的应用郑箫，金青（湖北师范学院数学与统计学院，湖北黄石435002）摘要：对大坝监测的GPS数据，利用回归分析和时间序列的方法建立了大坝形变模型，并进行数值模拟。
结果表明误差为AR（1）的回归模型优于普通的回归模型，而且优于一般小波方法的非线性回归模型。
关键词：回归模型；时间序列；形变分析中图分类号：O212.1文献标识码：A文章编号：1009-2714（2010）01-0083-060引言大坝在各种力的作用和自然因素的影响下，其形状、大小及位置在时间域和空间域中会发生变化，即变形。
在一定范围内变形是允许的，但当超出允许值时，变形就会带来各种灾害。
因此，科学、准确地进行变形监测，及时地分析和预报变形状况极为重要。
回归分析方法一种常用建模方法，尤其是线性回归分析，但是仅仅依靠线性回归分析的方法，实际问题有时难于满足误差项的全部假定。
因此，针对不同的情况应采用相应的数据处理方法。
本文结合一个大坝由GPS定位技术监测到的数据，采用回归分析方法与时间序列分析方法对大坝形变进行建模。
某大坝一个位于拱坝圆弧顶部监测点OP03径向的变化数据见表1［4］.1线性回归分析方法1.1二元线性回归模型设变量x1为相对水位，x2为温度，y为径向形变量，利用SAS软件计算得回归方程为：y=20.778－1.148x1－0.0182x2（1）通过检验x1对y有显著性影响，但x2的回归系数不是显著的，故该模型不能合理拟合变形量数据。
另外，我们通过对残差（见图1）进行分析，发现模型中有非线性关系。
如果线性回归模型的假定成立，学生化残差相互独立且近似服从N（0，1），则关于预测值的残差图中散点应随机地分布在－2.0到2.0的带子里（正常的残差图），而图1中散点分布呈U型曲线。
大坝安全监测的ARIMA-BP组合预测模型王成;胡添翼;顾艳玲;张磊;姓海涛【期刊名称】《三峡大学学报（自然科学版）》【年(卷),期】2018(040)001【摘要】研究大坝安全监测中用于预测坝体变形问题的模型,给出了一种组合模型来预测坝顶位移.单一的ARIMA模型和神经网络预测模型在预测位移问题时精度不高,分析了两种模型的原理和建立方法,利用两种模型单独对时间序列进行拟合与预测,再通过赋予适当的权重,得到新的组合预测模型.通过某水电站工程实例分析表明,该组合预测模型结合了两种模型的优势,提高了模型的预测精度,有广泛的应用前景.%For the issue of dam deformation prediction in dam safety monitoring,a new combined forecasting model is presented.Because of the low accuracy of ARIMA model and neural network(NN) prediction model in deformation prediction,the principles and designs of ARIMA model and BP neural network model are discussed.Based on the discussion,using ARIMA model and BP neural network to fit and predict a single model,a new combined forecasting model is obtained by giving appropriate weight coefficient to combine two methods.The results show that this combined forecasting model has higher prediction accuracy and brings the advantages of single model into play;so it has extensive applied prospects.【总页数】5页(P20-24)【作者】王成;胡添翼;顾艳玲;张磊;姓海涛【作者单位】河海大学水利水电学院,南京 210098;河海大学水利水电学院,南京210098;上海市政工程设计研究总院水利水运设计研究院,上海200092;中国水利水电科学研究院,北京 100038;中水北方勘测设计研究有限责任公司,天津 300222;南京市溧水区水务局,南京 211200【正文语种】中文【中图分类】TV698【相关文献】1.大坝安全监测量的组合预测模型研究 [J], 于鹏;顾冲时;方海挺2.变权组合预测模型在大坝安全监测中的应用 [J], 金永强;顾冲时;于鹏3.改进的组合预测模型在大坝安全监测中的应用 [J], 王刚;任德记;张超;周亮4.大坝安全监测的组合预测模型 [J], 于鹏;顾冲时5.ARIMA-BP神经网络组合预测模型在卫生人力资源配置中的应用 [J], 翟向明;朱秋丽;何晓敏因版权原因，仅展示原文概要，查看原文内容请购买。
逐步回归分析在大坝安全监测中应用研究
摘要:ﻭ
安全监测是大坝安全运行过程中1项重要的工作.在简述逐步回归分析原理的基础上,结合工程实际，利用实测数据建立了坝移量与相关因子的逐步回归模型,并进行预报，并取得了良好效果。
ﻭ
同行评议：
ﻭ本文用逐步回归法对大坝的安全性进行评估和预报研究，数据翔实,方法适当,得出的结论有１定的可靠性和参考价值。
但是综观全文,逐步回归分析也不是什么新方法，得出的结论也是1些比较常规的结果,没什么新意，而且大坝安全的最终预报也没有针对性。
ﻭ
ﻭ
注：同行评议是由特聘的同行专家给出的评审意见，综合评价是综合专家对各要素的评议得出的数值,以１至5颗星显示。
ﻭ。
偏最小二乘回归在大坝位移监控中的应用随着城市化的不断发展，大型水利工程扮演着越来越重要的角色，使得科学、安全和经济的监测和管理成为当前研究的热点。
传统监测方法存在较大的局限性：高成本、短期性，不能及时发现位移的变化趋势，甚至发生危险时反应不及时。
因此，人们开始研究使用偏最小二乘回归（PLSR）进行大坝位移监测，来准确地及时识别潜在的位移威胁。
偏最小二乘回归（PLSR）是一种机器学习算法，它被广泛应用于改善预测和修正统计建模的情况。
PLSR被普遍用于多元信号建模，特别是当数据量大时，它可以被用来抑制多重共线性的应用。
最近，它被用于位移预测的研究，例如大坝位移监控。
PLSR在大坝位移监控中得到了应用，主要包括两个方面。
首先，这种算法可以改善大坝水位变量之间的相关性，从而获得更准确、有效的位移预测建模。
其次，它可以更全面和准确地评估河谷侵蚀特征，以准确判断河流岸线是否受到侵蚀。
PLSR用于改善大坝位移预测建模，主要包括三个步骤：数据准备、模型构建和模型评估。
首先，数据准备包括确定大坝位移的观测变量，建立监测数据的时空范围并获取大坝水位数据；其次，模型构建要将这些变量输入PLSR模型，进行变量的多元、多代分析，并通过参数调优和模型诊断确定最佳模型；最后，模型评估，通过预测和实际位移值的比较，评估模型的准确性和可靠性，并进行模型效果评估。
PLSR可以更准确地预测大坝位移，及时发现潜在的位移威胁，有效防止危险的发生。
同时，在位移评估中，它可以更加准确地识别河谷侵蚀特征，从而改善大坝位移预测的准确性和可靠性。
因此，PLSR 在大坝位移监控中能够发挥重要作用，提高大坝位移监控的精确度。
综上所述，偏最小二乘回归（PLSR）在大坝位移监控中有较大的应用，用于改善位移预测建模，及时发现潜在的位移威胁，以提高大坝位移监控的准确性和提高安全性。
然而，使用PLSR需要花费较长的时间，并且会耗费较多的计算资源。
此外，收集大坝位移数据的准确性也会影响模型的效果。
浅谈多元线性回归在大坝变形监测数据处理中的应用多元线性回归是一种统计方法，适用于多个自变量对一个因变量产生影响的情况。
在大坝变形监测数据处理中，多元线性回归可以用于分析与大坝变形相关的多个因素，从而提取有用的信息。
大坝变形监测数据通常包含多个变量，如水位、温度、土壤湿度等。
这些变量可能同时对大坝的变形产生影响。
通过多元线性回归，可以建立一个数学模型，将这些变量与大坝的变形进行关联，从而了解它们之间的关系。
这有助于确定对大坝变形影响最大的因素，以及它们之间的相对重要性。
多元线性回归还可以用于预测大坝的变形程度。
通过建立一个合适的回归模型，可以根据输入的各个因素的数值，对大坝的变形进行预测。
这对于大坝的安全管理和维护非常重要，可以提前发现可能出现的变形问题，以便及时采取措施。
多元线性回归可以用于检测大坝变形数据中的异常值。
通过分析回归模型的残差，可以发现不符合模型的那些数据点。
这些异常值可能是由于数据采集的误差或其他外部因素引起的，可以帮助我们排除数据的干扰，提高数据的准确性。
多元线性回归还可以进行因素的筛选和优化。
在许多大坝变形监测数据中，可能存在很多与变形无关的因素，这些因素对回归模型的准确性和可解释性可能产生负面影响。
通过多元线性回归，可以筛选出对大坝变形影响较大的因素，从而简化模型的复杂度，提高模型的可靠性和可解释性。
多元线性回归在大坝变形监测数据处理中具有广泛的应用价值。
通过建立回归模型，我们可以了解大坝变形与各个因素之间的关系，进行预测和异常检测，优化模型，并为大坝的安全管理和维护提供重要参考。
收稿日期:2006Ο06Ο30基金项目:国家自然科学基金(50579010,50539010,50539030,50539110);973计划课题(2002CB412707);江苏省高校研究生科技创新计划(1044-B06015)作者简介:何鲜峰(1974Ο),男,河南南阳人,工程师,博士研究生,主要从事水工建筑物安全监控方面的研究,(电话)025Ο83786957(电子信箱)hexf @ 。
文章编号:1001Ο5485(2007)03Ο0020Ο03大坝安全监控的门限回归预测模型及其应用何鲜峰,郑东健,谷艳昌(河海大学水利水电工程学院,南京 210098)摘要:大坝监测效应量在工作过程中受内部和外部因素的共同作用,经常出现跳跃、渐变、再跳跃等复杂周期变化,表现出高度的非线性,为建立常规的大坝安全监控预测模型带来了不少麻烦。
借鉴门限自回归模型的门限思想,在常规回归模型中引入门限因子和门限值,利用提出的最佳拟合相关分析法确定门限因子和门限值,建立了门限回归模型。
计算实例表明该方法用于大坝安全监控预测可以取得满意的效果。
关 键 词:大坝安全;门限回归;模型中图分类号:TV698.1 文献标识码:A 大坝安全监测量的准确预报对大坝及附属水工建筑物安全运行有着重要意义。
由于工作环境和自身工作条件的复杂性,大坝监测的效应量(如:变形、应力应变、扬压力等)除受到库水压力作用外,还受到温度、降雨、施工、地基以及时效等因素的影响[1]。
由于各因素的变化常表现出随机性和弱相关性,如何建立有效的大坝监测量预报模型受到了广泛的重视。
目前基于各种理论已经建立了不少预测模型和计算方法[1～5],其中基于统计理论的逐步回归模型,由于在计算过程中根据各种预选因子对效应量贡献显著性的大小进行了优化处理,舍弃了一些非显著因子,具有使用方便、精度较高的优点,从而得到了比较广泛的应用。
但在监测效应量出现突变和复杂周期现象时,监测过程线的非线性程度就会提高。
例如遇到坝基地质条件复杂、排水孔逐渐淤堵、扫孔等情况时,再叠加上(下)游库水位、外部环境温度及降雨变化对坝基渗流的影响,坝基排水过程就会表现出高度的非线性。
这时如果用常规线性回归模型进行预测,效果就不太理想。
门限回归模型通过逐段线性化模型来描述非线性系统的演化过程[6,7],研究证明这种模型具有反映系统自身类似共振、跳跃现象的能力[8]。
本文借鉴门限自回归模型的门限思想,在多元逐步回归模型中引入门限因子,通过门限值将效应量实测值和环境量(上、下游库水位,温度,降雨)及时效因子分区间建模,可以有效提高模型预测精度。
1 门限逐步回归模型建立门限回归模型的关键在于合理选择门限因子和门限值,本文采用最佳拟合相关分析法确定。
设效应量Y 共有n 个影响因子X ={X 1,X 2,…,X n },Y 和X 共有m 组序列值即Y =[y 1,y 2,…,y m ]T ,X i =[x i 1,x i 2,…,x im ]T (1≤i ≤n )。
确定门限因子和门限值的具体步骤如下:(1)把因子X i 按从小到大顺序排序,效应量Y 跟随该因子一起重新排序,得到新序列X ′i 和Y′。
(2)将X ′i 和Y′在分割位置j (考虑到最后解方程时方程个数不能少于未知数的个数,所以分割位置j 应满足n ≤j ≤m -n )分为二段,前后两段数据分别记为X ′i (1,j ),X ′i (j +1,m ),Y ′i (1,j )和Y ′i (j +1,m )。
分别计算X ′i (1,j )和Y ′i (1,j )以及X ′i (j +1,m )和Y ′i (j +1,m )之间的相关系数r 1和r 2:r 1=1jΣjk =1(X ′i ,k(1,j )- X′i(1,j ))・(Y ′i,k(1,j )- Y ′i(1,j ))/1jΣjk =1(X ′i ,k(1,j )- X′i(1,j ))21j Σjk =1(Y ′i ,k(1,j )-Y ′i(1,j ))2,(1)r 2=1m -jΣmk =j +1(X ′i ,k(j +1,m )- X ′i (j +1,m ))・(Y ′i ,k (j +1,m )- Y ′i (j +1,m )) /第24卷第3期长 江 科 学 院 院 报Vol.24No.32007年6月Journal of Yangtze River Scientific R esearch Institute J un.20071m -j Σmk =j +1(X ′i ,k (j +1,m )- X ′i (j +1,m ))2・1m -j Σmk =j +1(Y ′i ,k (j +1,m )- Y ′i (j +1,m ))2,(2)并记:R i (j )=r 21+r 22,(3)式中 X ′i (1,j ), X ′i (j +1,m ), Y ′i (1,j ), Y ′i (j +1,m )分别为对应段内数据的均值。
对所有j (n ≤j ≤m -n )分别计算R i (j ),记R 3i 为第i 个因子的最佳复合相关系数,并取R 3i (j i )=max {R i (n ),R i (n +1),…,R i (m -n )},其中j i 表示R 3i 对应的分割位置编号。
(3)对所有因子X i (1≤i ≤n )分别求出R 3i (j ),记R 3ki为所有因子的最佳复合相关系数,并取R 3ki(j k )=max {R 31(j 1),R 32(j 2),…,R 3m (j m )},由此可以确定出最优分割因子X ′3k 和最优分割位置j k ,门限值X 3k ,j k 为X ′k 对应于分割位置j k 的值。
(4)将X ′3k 按小于等于、大于门限值分为两段,其余因子和效应量跟随X ′3k 做相应的分组调整。
将得到的两组数据分别进行逐步回归,可得到对应的门限回归模型为y ∧=b (1)0+Σni =1b (1)i x i , x k ≤x 3k ,j kb (2)+Σni =1b (2)ix i , x k >x 3k ,j k(4)2 计算实例广东某水电站大坝,位于广东省东江干流上游峡谷处,混凝土拦河大坝自右向左共分为24个坝段,分别由混凝土实体重力坝(0#-1#,18#-23#坝段)、空腹重力坝(5#-7#坝段)、宽缝重力坝(2#-4#,8#-17#坝段)3种不同形式的重力坝组成。
全坝共设排水孔174个,在2003年8至12月间对各测点进行过一次扫孔。
扫孔后,以14#Ο1孔为代表的部分排水孔排水量减小,排水过程线整体下降,2004年受上游库水位影响有增大趋势。
对该孔以1997年1月至2004年12月的182个实际观测值建立常规回归预测模型,用该模型对后续排水过程预测时误差较大。
现仍以该点前述182个实际观测值用门限回归模型进行建模。
以2005年1月至10月的20个实测值进行检验。
2种模型建模时考虑对坝基排水的影响因素有上游水位、环境温度、降雨和时效等,表达式为Q =Q hs +Q T +Q P +Q 0=a 0+Σ3i =1a i(h 1-h a )i+Σ8i =4a i(hi -2-h a )+Σ3i =1(b 1i sin 2πit 365+b 2i cos2πit 365)+Σ7i =1c iP i+d 1(θ-θ0)+d 2(ln θ-ln θ0),式中:Q hs ,Q T ,Q P ,Q θ分别为上游水位、环境温度、降雨和时效对排水量的影响量;a i ,b 1i ,b 2i ,c i ,d i 为回归系数;h 1,h 2,h 3,h 4,h 5,h 6分别为观测日当天上游水头,观测日前1天上游水头,观测日前第2天上游水头,观测日前第3,4天平均上游水头,观测日前5天至前15天平均上游水头,观测日前16天至前30天平均上游水头;h a 为坝基高程;t 为观测日至回归模型首次观测日的累计天数;t 0为建模所取资料序列的第一个测值日至始测日的累计天数;p 1,p 2,p 3,p 4,p 5,p 6,p 7分别为观测日当天降雨量,观测日前1天降雨量,观测日前第2天降雨量,观测日前第3,4,5三天降雨量平均值,观测日前6天至前10天降雨量平均值,观测日前11天至前15天的平均降雨量,观测日前16天至前30天降雨量平均值;θ为观测日至起测日的累计天数乘以0.01;θ0为时段初始日至起测日的累计天数乘以0.01。
用门限回归模型得到的拟合参数见表1,回归曲线如图1所示,图2为用常规逐步回归模型得到的拟合曲线,常规模型和门限模型的计算结果见表2。
由表2的结果可以发现,门限模型的平均绝对百分比误差(MAPE )、均方误差(MSE )以及平均绝对误差(MAE )均优于常规模型,使用门限模型可以明显提高拟合精度。
表1 门限回归结果Table 1 Threshold regression resultsa 0a 3a 7a 8b 11b 12b 21b 22c 1c 4c 5c 6d 1d 2门限4.172e -10.000e 02.609e -30.000e 00.000e 00.000e 00.000e 0 4.834e -31.066e -30.000e 0 1.477e -3-8.387e -47.248e -30.000e -3(θ-θ0)≤3.732.549e -15.056e -7-2.356e -33.536e -31.210e -2-4.806e -34.761e -30.000e 00.000e 0 2.843e -40.000e 00.000e 0-9.960e -39.380e -2(θ-θ0)>3.73注:未列出的其他系数均为0.000e 0。
12第3期何鲜峰等 大坝安全监控的门限回归预测模型及其应用表2 排水量门限回归模型和常规模型计算结果Table2 Comparison of calculated results of drain discharge by threshold regression modeland conventional regression model with measured data m3/d 123456789101112实测值0.1790.1670.1670.1500.1560.1500.1730.1760.1900.1810.1960.230常规模型0.1960.1960.1880.1810.1900.1790.1920.1970.2120.2150.2400.247门限模型0.1620.1620.1570.1530.1560.1460.1580.1650.1790.1830.2020.219 1314151617181920MAPE MSE MAE实测值0.2020.2070.1960.2020.2040.2020.2020.202常规模型0.2490.2400.2280.2440.2420.2330.2220.2150.15530.02870.0302门限模型0.2200.2120.1990.2100.1990.1940.1850.1770.04790.01110.0091图1 门限回归模型拟合、实测过程线Fig.1 Duration curves of drain discharge obtaind by threshold regression model and measured data图2 常规回归模型拟合、实测过程线Fig.2 Duration curves of drain discharge fitted with coventional regression model and measured data3 结 语(1)借鉴门限自回归模型的门限思想,在常规回归模型中引入门限因子和门限值,利用提出的最佳拟合相关分析法确定门限因子和门限值,在此基础上可建立门限回归模型。
