一种大坝原型观测数据的可靠性辨识与挖掘方法技术

本发明专利技术公开了一种大坝原型观测数据的可靠性辨识与挖掘方法，具体是将大坝位移监测数据进行小波阈值降噪，具体降噪过程是通过对比不同小波分解层数、小波基、阈值选取准则、阈值函数的降噪效果，得到最佳的适用于静水压力大坝位移数据的小波变换阈值降噪组合方式，再根据大坝位移监测数据的序列特性选择最为合适的AR时间序列模型作为预报模型，其间也将AIC准则定阶AR模型与BIC准则定阶AR模型预报效果进行对比得到了现在具有最佳预报效果的小波变换阈值BIC准则定阶AR组合预报模型，有效解决了由于大坝监测数据含有大量白噪声，预测模型训练了过多错误信息产生过拟合问题，使得模型的预测精度大大提升。型的预测精度大大提升。型的预测精度大大提升。

【技术实现步骤摘要】
一种大坝原型观测数据的可靠性辨识与挖掘方法


[0001]本专利技术方法涉及大坝运行安全监测与管理
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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：
[0006]技术方案的实施由以下步骤所决定：
[0007]S1.小波阈值降噪首先确定小波基与分解层数。
[0008]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。
[0009]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，γ
i
是自相关系数，θ
i
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]本专利技术相对现有技术的有益效果：
[0048]本专利技术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为本专利技术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专利技术作进一步的说明。
[0060]实例：参见图1
‑
图10。
[0061]图1为本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大坝原型观测数据的可靠性辨识与挖掘方法，其特征在于，包括如下步骤：S1.小波阈值降噪确定小波基与分解层数；S2.小波阈值降噪确定阈值准则与阈值函数；S3.确定时间序列AR预测模型；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。2.根据权利要求1所述的大坝原型观测数据的可靠性辨识与挖掘方法，其特征在于，步骤S1中小波阈值降噪确定小波基与分解层数的具体步骤如下：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；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优劣。3.根据权利要求2所述的大坝原型观测数据的可靠性辨识与挖掘方法，其特征在于，步骤S2中小波阈值降噪确定阈值准则与阈值函数的具体步骤如下：S21.阈值准则有以下4种：1)无偏风险估计准则(rigrsure)：1)无偏风险估计准则(rigrsure)：2)启发式阈值准则(heursure)2)启发式阈值准则(heursure)2)启发式阈值准则(heursure)3)极大极小阈值准则(minimax)4)固定阈值准则(sgtwolog)式中，n为信号经小波分解得到的小波系数个数，σ为噪声信号的标准差；S22.阈值函数：硬阈值
软阈值阈值函数选取软、硬阈值进行降噪效果对比。4.根据权利要求3所述的大坝原型观测数据的可靠性辨识与挖掘方法，其特征在于，步骤S3中确定时间序列AR预测模型的具体步骤如下：AR模型、滑动平均(moving aver...

【专利技术属性】
技术研发人员：魏博文，万祥，徐富刚，罗绍杨，徐文博，
申请(专利权)人：南昌大学，
类型：发明
国别省市：