基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型

陈泽元; 徐波; 储冬冬; 张祜; 朱震昊

doi:10.20040/j.cnki.1000-7709.2024.20230739

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型

更新时间：2026-02-25

- 基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型
- Issue 2, Pages: 142-146(2024)
- 作者机构：
  
  1. 扬州大学水利科学与工程学院
  2. 江苏省水利科学研究院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2024.20230739
  CLC： TV642.4
- Published：2024
- 稿件说明：
移动端阅览
陈泽元, 徐波, 储冬冬, et al. 基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型[J]. 2024, (2): 142-146.
DOI：

陈泽元, 徐波, 储冬冬, et al. 基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型[J]. 2024, (2): 142-146. DOI： 10.20040/j.cnki.1000-7709.2024.20230739.

摘要

传统的混凝土拱坝位移预测模型仅考虑各类影响因子对预测结果的影响，未充分挖掘残差序列中的有效信息。为此，首先运用关联向量机(RVM)结合粒子群(PSO)算法建立拱坝位移预测的PSO-RVM模型；然后采用奇异谱分析(SSA)对残差序列进行分解，并根据奇异值的累计贡献率筛选分量进行重构；其次利用随机森林算法(RF)对重构序列进行预测，得到残差序列的修正值；最后将PSO-RVM模型预测值与残差序列修正值叠加，建立基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型PSO-RVM+。工程实例表明，奇异谱分析与随机森林算法能有效提取残差序列中的有效信息并对残差进行修正；相较于PSO-RVM、RVM及传统的回归模型(SWR)等位移预测模型，PSO-RVM+组合预测模型的预测性能更优、适应性更强。本研究能为大坝安全监控与健康诊断提供一种新的思路。

Abstract

关键词

Keywords

references

王鹏程,邓艾东,凌峰,邓敏强,刘洋.基于PSO-SEBD的风电机组滚动轴承故障诊断[J].振动与冲击,2023(07).

任良,甄龙信,赵云,董前程,张云鹏.基于SSA-VMD-MCKD的强背景噪声环境下滚动轴承故障诊断[J].振动与冲击,2023(03).

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),2023(03).

郭明军,李伟光,杨期江,赵学智.基于SVD原理的PCA特征频率提取算法及其应用[J].华南理工大学学报(自然科学版),2020(01).

吴中如编著.水工建筑物安全监控理论及其应用[M].高等教育出版社,2003.

Yuan Dongyang,Gu Chongshi,Wei Bowen,Qin Xiangnan,Xu Wenbo.A high-performance displacement prediction model of concrete dams integrating signal processing and multiple machine learning techniques[J].Applied Mathematical Modelling,2022.

Bowen Wei,Liangjie Chen,Huokun Li,Dongyang Yuan,Gang Wang.Optimized prediction model for concrete dam displacement based on signal residual amendment[J].Applied Mathematical Modelling,2020.

Bo Dai,Chongshi Gu,Erfeng Zhao,Xiangnan Qin.Statistical model optimized random forest regression model for concrete dam deformation monitoring[J].Structural Control and Health Monitoring,2018.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于RF和Self-attention改进LSTM的大坝变形预测方法及异常值判定

基于VMD-SSA-K-means-iForest的重力坝监测数据异常模式混合识别算法研究

基于可解释机器学习的岩溶介质渗透系数估算模型

基于SSA-KMIF的船闸人字门监测数据异常检测方法

基于不同因子筛选指标的丹江口入库月径流预报研究

Related Author

牟猷

远近

王波

汤正阳

毛延翩

齐智勇

田振宇

都旭煌

Related Institution

湖北省智慧水电技术创新中心

国家能源局大坝安全监察中心

中国长江电力股份有限公司

南京水利科学研究院水利部大坝安全管理中心

南京水利科学研究院水灾害防御全国重点实验室

AI问答

⁰