一种大坝原型观测数据的可靠性辨识与挖掘方法

1.本发明方法涉及大坝运行安全监测与管理技术领域，具体来说是一种大坝原型观测数据的可靠性辨识与挖掘方法。


背景技术：

2.大坝作为一种关乎到人民生命财产安全的长久性建筑物，在其运行期间受到水位、温度、地震、材料老化等多种内外环境因素共同作用下，其结构性态已经发生了变化。而大坝位移作为大坝结构变形性态的具体表现之一，能够综合评判大坝运行健康现状。但是混凝土坝位移会受到渗流、裂缝、时效等内外环境因素的次要影响，这使得大坝的位移监测数据受到了大量复杂噪声影响而呈现出强非线性与混沌特性。因此，有效去除大坝位移时间序列中含有的噪声信号，建立的预测模型能够准确预测大坝坝体发生的实际位移，对掌握大坝服役现状和维护大坝长期安全运行具有重大意义。
3.为了对大坝位移数据信息进行深入的挖掘，国内外的学者对大坝位移分析与安全评价的研究也越来越多。特别是随着神经网络、支持向量机、随机森林、时间序列分析等人工智能算法的蓬勃发展，研究人员已经能够做到对大坝位移的初步研究与预测，但是预测精度除了本身智能算法的局限性以外还会受到数据中随机变量的干扰，而模型训练了这些无效的位移信号，使得预测精度大大下降。所以为了解决模型泛化能力差的问题，对数据进行降噪预处理很是重要。
4.这里提出的组合预报模型，数据预处理过程是利用不同小波基，分解层数，阈值选取准则、阈值函数组合出降噪效果最佳的小波变换阈值降噪模式，再结合贝叶斯准则ar模型弥补了赤池信息量准则ar模型在数据量过多时拟合其中误差信息的缺点，其两个准则的选取其实是一种正则化的模式，挑选出众多模型预测最好的模型，得到了小波变换阈值降噪bic准则定阶ar组合预报模型，使得大坝位移预测模型的预测效果得到了显著提升，为大坝安全监测方面提拱一种新的思路。


技术实现要素：

5.本发明的目的在于提高模型的泛化能力达到更好的预测精度，建立了一种大坝原型观测数据的可靠性辨识与挖掘方法，具体通过以下技术方案实现：
6.技术方案的实施由以下步骤所决定：
7.s1.小波阈值降噪首先确定小波基与分解层数。
8.s11.评价小波基常用的指标有正交性、紧支性、对称性、正则性、高阶消失矩，选取daubechies(dbn)小波、symlet(symn)小波和coiflet(coifn)小波这三种小波基函数，其能够提拱良好的时频分辨率，对大坝数据中含有的真实信号具有良好的分辨性。
9.s12.小波分解层数也能决定数据降噪效果好坏，分解层数过少时，就不能彻底的分解信号，信号中的噪声部分无法有效去除，分解层数过多，计算量大运算效率变低。对于大坝监测数据的降噪过程中，根据其信号特性对数据信号进行2～5层分解来对比降噪效果
average model,arma)模型，可表示为：
[0036][0037]
式中，y
t
是当前序列值，μ是常数项，p是ar模型阶数，q是ma模型阶数，γi是自相关系数，θi是偏相关系数，ε
t
是误差。
[0038]
如果大坝位移数据属于非平稳序列，则需要对对其进行d阶差分，我们称为差分自回归移动平均模型(arima)。至于模型如何确定由下表模型定阶准则确定：
[0039][0040]
s4.建立小波阈值降噪bic准则定阶ar混凝土坝变形组合预报模型。
[0041]
根据大坝位移数据特性确定时间序列模型为ar模型后，在进行模型定阶准则选择：
[0042]
①
赤池信息量准则，公式如下：
[0043]
aic＝-2ln(l) 2k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0044]
②
贝叶斯信息量准则，公式如下：
[0045]
bic＝-2ln(l) ln(n)*k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0046]
根据预测效果将定阶准则选取为贝叶斯信息量准则，再根据前面的小波阈值建造效果，小波阈值降噪的最佳组合方式为3层分解，小波基为db5，阈值准则为无偏似然估计准则，阈值函数为硬阈值的情况下，建立了小波阈值降噪bic准则定阶ar混凝土变形组合预报模型。
[0047]
本发明相对现有技术的有益效果：
[0048]
本发明的方法经过层层效果比较得到小波阈值降噪bic准则定阶ar混凝土坝变形组合预报模型，该模型的数据建立过程不是单一的小波降噪，而是将小波分解层数、小波基、小波阈值准则、阈值函数这四项特性组合成一套降噪效果最佳的小波阈值降噪方式，再结合预测效果极佳的bic准则定阶ar模型创建的一套预测精度极高的混凝土坝变形组合模型，解决了预测模型泛化能力差的问题，使得预测精度大大提升。
附图说明
[0049]
图1为本发明一种大坝原型数据的可靠性辨识与挖掘方法的构建流程图；
[0050]
图2为大坝垂线布置方案图；
[0051]
图3为上游水位过程线；
[0052]
图4为小波阈值降噪信噪比对比图；
[0053]
图5为大坝位移数据相关系数图；
[0054]
图6为自回归ar模型定阶图；
[0055]
图7为pl5测点水平位移预测结果图；
[0056]
图8为pl5测点水平位移残差对比结果图；
[0057]
图9为pl5、pl2测点预测部分决定系数对比结果图；
[0058]
图10为软、硬阈值降噪效果对比图。
具体实施方式
[0059]
下面结合附图和实例对本发明作进一步的说明。
[0060]
实例：参见图1-图10。
[0061]
图1为本发明一种大坝原型观测数据的可靠性辨识与挖掘方法流程图，该实例具体为：某碾压混凝土重力坝最大坝高113.0m，全长308.5m，坝顶高程179.0m，正常蓄水位173.0m，调节库容11.22亿m3，校核洪水位177.8m，相应总库容20.35亿m3。坝体不设纵缝，由5条横缝分为6个坝段。为确保大坝及地下厂房安全运行，在主要建筑物表面(或内部)布置了变形、渗流、温度、应力应变等较为全面的监测项目。大坝变形监测项目主要有正垂线(pl)、倒垂线(ip)、引张线及视准线等，垂直位移监测采用水准测量。大坝正、倒垂线用于监测坝顶及坝体内部水平顺河向、垂直水流向位移量，于2002年10月接入自动化监测系统，布置方案如图2所示。
[0062]
由于非溢流坝段受泄洪等水流扰动较小，其监测数据较为规律，故选取2
#
非溢流坝段2018年1月1日至2020年8月30日坝顶pl5(179m)测点水平位移长期监测资料进行分析，水压分量、温度分量、和时效分量等输入量都对第一个监测日(即2018年1月1日)进行了归零处理。监测时段内的上游水位过程线、坝址区降雨量过程线如图3所示。
[0063][0064]
由图3可知，测点pl5位移实测序列与水深序列变化趋势完全一样，当水深减小时，坝体向上游的位移增大，当水深增大时，坝体向下游的位移增大。对建模序列初始日位移进行归零化处理，后续监测值均为建模序列初始日的相对位移。对大坝原型观测数据进行小波阈值降噪处理，尝试分解层数2～5层，小波基选取dbn、symn、coifn这三种，阈值选取准则选取无偏似然估计准则、启发式阈值准则、极大极小阈值准则、固定阈值准则这四种准则，阈值函数选取硬阈值函数与软阈值函数，把这些选择进行一一组合得到降噪效果最好的小波阈值降噪方式，其降噪效果由图4信噪比对比图展示；将大坝原型观测数据进行小波阈值降噪后进行时间序列模型预测，根据降噪数据的特性得到该组数据的相关性，结果如图5所示，依据该组数据的相关性确定时间序列模型为自回归ar模型，时间序列模型确立之后就是对其定阶准则的选取，这里将aic准则与bic准则下的自回归模型对降噪数据处理得到模型定阶图如图6。最后将逐步回归模型、aic准则ar模型、bic准则ar模型、小波阈值降噪aic准则ar模型、小波阈值降噪bic准则ar模型这5种模型进行拟合预测效果对比，将本文所建组合预报模型的拟合与预报效果和其残差序列分别绘制于图7和图8。
[0065]
为进一步验证所建模型的预报效果，运用本发明所述模型构建方法，以pl5坝顶水平位移预报其2018年1月1日至2020年8月30日的大坝变位；同时，为深入对三种模型的预报
精度进行比较，分别量化了pl5与pl2测点的统计指标，如平均绝对误差(mean absolute error,mae)、平均平方差(mean square error,mse)、平均绝对百分误差(mean absolute percentage error,mape)以及决定系数(coefficient of determination,r2)，统计结果如下表所示。
[0066][0067]
由上表可知，小波阈值降噪bic准则ar混凝土坝变形组合预报模型相比于其他五种模型，其mae、mse、mape更接近于零，不论拟合部分还是预测部分模型更加精确，为了更加清楚比较这几种模型的预测精度，将预测效果绘于图9，结果说明该发明组合预报模型较常其他监测模型的预报精度更优，由此验证了该发明的合理性和科学性。
[0068]
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解，依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。