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

融合空间关联性的特高拱坝位移概率性预测模型

徐丛 王少伟 顾冲时 苏怀智

徐丛, 王少伟, 顾冲时, 苏怀智. 融合空间关联性的特高拱坝位移概率性预测模型[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200508
引用本文: 徐丛, 王少伟, 顾冲时, 苏怀智. 融合空间关联性的特高拱坝位移概率性预测模型[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200508
XU Cong, WANG Shaowei, GU Chongshi, SU Huaizhi. A Probabilistic Prediction Model for Displacement of Super High Arch Dams Considering the Deformation Spatial Association[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200508
Citation: XU Cong, WANG Shaowei, GU Chongshi, SU Huaizhi. A Probabilistic Prediction Model for Displacement of Super High Arch Dams Considering the Deformation Spatial Association[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200508

融合空间关联性的特高拱坝位移概率性预测模型

doi: 10.13203/j.whugis20200508
基金项目: 

国家自然科学基金(51709021);中国博士后科学基金资助项目(2020M670387);水文水资源与水利工程科学国家重点实验室“一带一路”水与可持续发展科技基金(2019nkzd03);中国水利水电科学研究院流域水循环模拟与调控国家重点实验室开放研究基金(IWHR-SKL-KF202002);江苏省研究生科研与实践创新计划项目(KYCX20_2560)。

详细信息
    作者简介:

    徐丛,硕士研究生,主要从事水工结构安全监控研究。18306120727@163.com。

  • 中图分类号: P282

A Probabilistic Prediction Model for Displacement of Super High Arch Dams Considering the Deformation Spatial Association

Funds: 

The National Natural Science Foundation of China (51709021), the Project funded by China Postdoctoral Science Foundation (2020M670387), the Belt and Road Special Foundation of the State Key Laboratory of Hydrology-Water Resources and Hydraulic Engineering (2019nkzd03), the Open Research Fund of State Key Laboratory of Simulation and Regulation of Water Cycle in River Basin (China Institute of Water Resources and Hydropower Research) (IWHR-SKL-KF202002), and the Postgraduate Research & Practice Innovation Program of Jiangsu Province (KYCX20_2560).

  • 摘要: 基于机器学习语言建模时,传统方法仅以拟合均方误差(mean square error,MSE)最小为单一优化目标,容易引起过拟合问题。对此,基于关联向量机(relevance vector machine,RVM),建立了融合变形空间关联性的双优化目标约束下的概率性预测模型。利用形状相似度指标(shape similarity index,SSI)对拱坝变形的空间关联性进行量化,并将单测点MSE和区域变形SSI相融合,共同作为RVM模型的训练优化目标,以期实现MSE尽可能小,而SSI尽可能大。以锦屏一级拱坝为例,预测均方根误差和最大误差的平均降幅分别为31.2%和24.8%,使用多核函数之后,模型预测性能进一步提升;RVM模型的预测置信带宽明显小于多元回归模型,平均降幅为75.1%,由此表明双目标RVM模型可有效提升特高拱坝位移预测的精度和稳定性,并降低不确定性。
  • [1] Salazar F,Morán R,Toledo M A,et al. Data-Based Models for The Prediction of Dam Behavior:A Review and Some Methodological Consideration[J]. Archives Computational Methods in Engineering,2017,24(1):1-21.
    [2] Su Huaizhi,Chen Zhexin,Wen Zhiping. Performance Improvement Method of Support Vector Machine-Based Model Monitoring Dam Safety[J]. Structural Control and Health Monitoring,2016,23(2):252-266.
    [3] Wei Bowen,Chen Liangjie,Li Huokun,et al. Optimized Prediction Model for Concrete Dam Displacement Based on Signal Residual Amendment[J]. Applied Mathematical Modelling,2020,78:20-36.
    [4] Hu Jiang,Wu Suhua. Statistical Modeling for Deformation Analysis of Concrete Arch Dams with Influential Horizontal Cracks[J]. Structural Health Monitoring,2019,18(2):546-562.
    [5] Wang Shaowei,Xu Yingli,Gu Chongshi,et al. Hysteretic Effect Considered Monitoring Model for Interpreting Abnormal Deformation Behavior of Arch Dams:A Case Study[J]. Structural Control and Health Monitoring,2019,26(10):1-20.
    [6] Mata J. Interpretation of Concrete Dam Behaviour with Artificial Neural Network and Multiple Linear Regression Models[J]. Engineering Structures,2011,33(3):903-910.
    [7] Ranković V,Grujović N,Divac D,et al. Development of Support Vector Regression Identification Model for Prediction of Dam Structural Behaviour[J]. Structural Safety,2014,48:33-39.
    [8] Salazar F,Toledo MÁ,Oñate E,et al. Interpretation of Dam Deformation and Leakage with Boosted Regression Trees[J]. Engineering Structures,2016,119:230-251.
    [9] Liu Wenju,Pan Jianwen,Ren Yisha,et al. Coupling Prediction Model for Long-Term Displacements of Arch Dams Based on Long Short-Term Memory Network[J]. Structural Control and Health Monitoring,2020,27(3):e2548.
    [10] Salazar F,Toledo MA,Oñate E,et al. An Empirical Comparison of Machine Learning Techniques for Dam Behaviour Modelling[J]. Structural Safety,2015,56:9-17.
    [11] Wang Shaowei,Xu Yingli,Gu Chongshi,et al. Two Spatial Association-Considered Mathematical Models for Diagnosing The Long-Term Balanced Relationship and Short-Term Fluctuation of The Deformation Behaviour of High Concrete Arch Dams[J]. Structural Health Monitoring,2020,19(5):1421-1439.
    [12] Shao Chenfei,Gu Chongshi,Yang Meng,et al. A novel model of dam displacement based on panel data[J]. Structural Control and Health Monitoring,2018,25(1):e2037.
    [13] Chen Siyu,Gu Chongshi,Lin Chaoning,et al. Multi-Kernel Optimized Relevance Vector Machine for Probabilistic Prediction of Concrete Dam Displacement[J]. Engineering with Computers. 2020(online first).
  • [1] 张寅, 蔡旭阳, 闫钧华, 苏恺, 张琨.  联合时空信息和轨迹关联的空中多目标检测 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20190359
    [2] 雷祥旭, 桑吉章, 李振伟, 陈俊宇, 杜建丽, 贺东雷.  低轨空间目标甚短弧初轨关联 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20180386
    [3] 罗亦泳, 姚宜斌, 赵庆志, 周世健.  利用优化的组合核相关向量机算法构建地表下沉预测模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160368
    [4] 宋超, 郝金明.  基于多接收机模糊度关联的动态PPP快速重新收敛方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140747
    [5] 陈占龙, 吕梦楼, 吴亮, 徐永洋.  基于特征矩阵和关联图的空间场景相似性度量方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140450
    [6] 刘殿锋, 刘艳芳.  一种知识约束下的多目标土壤空间抽样优化模型 . 武汉大学学报 ● 信息科学版,
    [7] 彭令, 牛瑞卿, 赵艳南, 邓清禄.  基于核主成分分析和粒子群优化支持向量机的滑坡位移预测 . 武汉大学学报 ● 信息科学版,
    [8] 何金平, 马传彬, 施玉群.  高拱坝多效应量改进型D-S证据理论融合模型 . 武汉大学学报 ● 信息科学版,
    [9] 谭琨, 杜培军, 王小美.  利用分离性测度多类支持向量机进行高光谱遥感影像分类 . 武汉大学学报 ● 信息科学版,
    [10] 沙宗尧, 李晓雷.  异质环境下的空间关联规则挖掘 . 武汉大学学报 ● 信息科学版,
    [11] 范千, 花向红.  基于相空间重构与支持向量机预测滑坡位移的一种新方法 . 武汉大学学报 ● 信息科学版,
    [12] 王新洲, 范千, 许承权, 李昭.  基于小波变换和支持向量机的大坝变形预测 . 武汉大学学报 ● 信息科学版,
    [13] 李光强, 邓敏, 朱建军.  基于Voronoi图的空间关联规则挖掘方法研究 . 武汉大学学报 ● 信息科学版,
    [14] 吴波, 张良培, 李平湘.  基于支撑向量机概率输出的高光谱影像混合像元分解 . 武汉大学学报 ● 信息科学版,
    [15] 刘志刚, 李德仁, 秦前清, 史文中.  基于特征空间中类间可分性的层次型多类支撑向量机 . 武汉大学学报 ● 信息科学版,
    [16] 梅建新, 段汕, 秦前清.  基于支持向量机的特定目标检测方法 . 武汉大学学报 ● 信息科学版,
    [17] 杨仁, 潘正风.  激光导线系统测定拱坝位移 . 武汉大学学报 ● 信息科学版,
    [18] 卢冈.  稳健S-变换及其确定位移场的有效性 . 武汉大学学报 ● 信息科学版,
    [19] 陈永奇.  位移向量的L1范数为最小的监测网平差 . 武汉大学学报 ● 信息科学版,
    [20] 王阳阳, 王中元, 胡超, 余志浩.  优化历元间载波相位差分的车辆姿态估计模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200571
  • 加载中
计量
  • 文章访问数:  423
  • HTML全文浏览量:  80
  • PDF下载量:  9
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-09-24
  • 网络出版日期:  2021-05-07

融合空间关联性的特高拱坝位移概率性预测模型

doi: 10.13203/j.whugis20200508
    基金项目:

    国家自然科学基金(51709021);中国博士后科学基金资助项目(2020M670387);水文水资源与水利工程科学国家重点实验室“一带一路”水与可持续发展科技基金(2019nkzd03);中国水利水电科学研究院流域水循环模拟与调控国家重点实验室开放研究基金(IWHR-SKL-KF202002);江苏省研究生科研与实践创新计划项目(KYCX20_2560)。

    作者简介:

    徐丛,硕士研究生,主要从事水工结构安全监控研究。18306120727@163.com。

  • 中图分类号: P282

摘要: 基于机器学习语言建模时,传统方法仅以拟合均方误差(mean square error,MSE)最小为单一优化目标,容易引起过拟合问题。对此,基于关联向量机(relevance vector machine,RVM),建立了融合变形空间关联性的双优化目标约束下的概率性预测模型。利用形状相似度指标(shape similarity index,SSI)对拱坝变形的空间关联性进行量化,并将单测点MSE和区域变形SSI相融合,共同作为RVM模型的训练优化目标,以期实现MSE尽可能小,而SSI尽可能大。以锦屏一级拱坝为例,预测均方根误差和最大误差的平均降幅分别为31.2%和24.8%,使用多核函数之后,模型预测性能进一步提升;RVM模型的预测置信带宽明显小于多元回归模型,平均降幅为75.1%,由此表明双目标RVM模型可有效提升特高拱坝位移预测的精度和稳定性,并降低不确定性。

English Abstract

徐丛, 王少伟, 顾冲时, 苏怀智. 融合空间关联性的特高拱坝位移概率性预测模型[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200508
引用本文: 徐丛, 王少伟, 顾冲时, 苏怀智. 融合空间关联性的特高拱坝位移概率性预测模型[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200508
XU Cong, WANG Shaowei, GU Chongshi, SU Huaizhi. A Probabilistic Prediction Model for Displacement of Super High Arch Dams Considering the Deformation Spatial Association[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200508
Citation: XU Cong, WANG Shaowei, GU Chongshi, SU Huaizhi. A Probabilistic Prediction Model for Displacement of Super High Arch Dams Considering the Deformation Spatial Association[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200508
参考文献 (13)

目录

    /

    返回文章
    返回