【技术实现步骤摘要】
本专利技术涉及过活动断层倒虹吸管道监测，具体涉及一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法及其监测预警系统。
技术介绍
1、我国水资源时空分布不均，供需矛盾尖锐，而引调水工程是合理配置、统筹规划水资源的有效举措。在大型引调水工程系统中，输水管线因为存在跨度大、建设周期长等特点，成为串联系统中相当重要的节点。当管线跨越山谷、道路等天然或人工屏障时，通常要修建交叉建筑物，倒虹吸结构因其输水能力强而成为跨越高山河谷等障碍的主要交叉建筑物，通常是管线中的控制性工程和薄弱环节。
2、因为地形条件、地方规划等条件限制，管道不可避免地需要穿越活动断层区域。已有经验和研究表明，由地震引发的断层错动带来的地表变形会给线性管道的安全运行造成严重影响，比如逆冲断层运动造成的地面位移使管道产生较大的压缩和弯曲应变，严重时可造成管道拉断、屈曲变形甚至直接断裂。
3、鉴于此，对于经过活动断层区域可能发生地表错动位移的倒虹吸管道，应当布置合适的监测预警系统以便动态掌握管道结构的应力应变及屈曲状态，为管道安全运行状态评估、危险管段应急抢险提供依据。目前而言，应用于过活动断层倒虹吸管道中的应力应变监测方法较为单一，依据过活动断层倒虹吸管道监测数据而进行结构响应预测的方法研究较少，如何结合监测数据为管道安全运行提供预测预警还有待解决。
技术实现思路
1、为了解决现有技术的不足，本专利技术的目的是提供种基于机器学习的过活动断层倒虹吸管道结构响应预测方法及其监测预警系统，能够结合监测数
2、为了实现上述目的，本专利技术采用的技术方案如下：
3、一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，包括下列步骤：
4、s1、基于正交试验法获得过活动断层倒虹吸管道结构响应指标作为1号结果库；
5、s2、基于所述1号结果库，建立基于支持向量回归(svr)的倒虹吸管道结构响应预测模型；
6、s3、在所述基于支持向量回归的倒虹吸管道结构响应预测模型的基础上，采用遗传算法(ga)进行改进，得到ga–svr智能感知模型；
7、s4、根据所述ga–svr智能感知模型预测结果，判断模型回归效果。
8、作为优选的技术方案，s1中所述正交试验法为等水平正交表ln(mk)，各个元素组成了n行k列的矩阵，其中n、k、m依次代表试验次数、试验因素数和试验因素水平数，等水平正交表中各试验因素水平数相等。试验因素为影响响应指标的关键参数；试验因素水平的取值范围在上下限之间浮动；水平取值上下限为该因素的倍数。基于正交试验法获得的结构响应指标为钢管应力、伸缩节位移、镇墩沉降量。
9、作为优选的技术方案，s2所述建立基于支持向量回归(svr)的倒虹吸管道结构响应预测模型是一种机器学习的方法，其采用的是径向基核函数(rbf)将非线性的模型映射到特征空间，在特征空间内创造一个最优超平面，使得所有样本点到最优超平面的距离都不大于给定的精度。在高维空间上最优超平面即回归函数f(x)的最优表达式为：
10、
11、式中为拉格朗日乘子，n为样本数，xi为样本输入值，φ(x)为反映数据集高维特征的映射函数，ω*为权重向量最优解，b*为偏置值最优解,φ(xi)为样本输入值在高维空间内相对应的映射值。
12、作为优选的技术方案，s2所述建立基于支持向量回归(svr)的倒虹吸管道结构响应预测模型是与响应指标一一对应的；所述预测模型的数据来源分为训练样本集和预测样本集，其中训练样本占1号结果库样本的80％，预测样本占20％。结果库中的数据均进行归一化处理：
13、
14、xij表示参数i中第j个样本值，xij为归一化到[0,1]之间的参数值。作为优选的技术方案，s3所述改进的过程如下所示：
15、s31、初始化支持向量回归模型中的惩罚系数c和核函数参数σ，生成初始种群；
16、s32、确定个体的适应度值并根据其大小对个体进行适应性评估；
17、s33、利用选择、交叉、变异基因表达方式对个体进行迭代复制；
18、s34、当个体上的c和σ不再变化或达到最大迭代次数时，停止优化并输出最优解(c*,σ*)；
19、s35、将最优解导入支持向量回归(svr)模型中进行预测。
20、作为优选的技术方案，s32中的适应度值采用的函数为回归模型中的均方误差，公式如下：
21、
22、式中n为样本数，xi为实测值，为预测值。
23、作为优选的技术方案，步骤s33中的选择操作是基于轮盘赌法，其个体被选中的概率p为：
24、
25、式中m为种群规模，fi为m中第i个个体的适应度值。
26、作为优选的技术方案，s33中的选择操作添加了精英保留策略，将一定比例的最优个体直接复制到下一代，以避免部分适应性好的个体信息在随机选择中丢失。
27、作为优选的技术方案，s4所述判断模型回归效果采用的方法是根据均方根误差rmse及平方和相关系数r2进行评估，公式如下：
28、
29、式中n为样本数，xi为实测值，xi*为预测值，为各实测值的平均值。
30、本专利技术还公开了一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法的监测预警系统，将一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法内嵌于该系统中；该系统包括数据监测模块、数据处理模块、训练预测模块、分析预警模块；
31、所述数据监测模块位于工程现场，用于获取倒虹吸管道运行过程中钢管应力、伸缩节位移、镇墩沉降量、断层变形(包括自变量及因变量)的数据，并传输至数据处理模块进行储存；
32、所述数据处理模块集成于监控中心，首先内置储存基于机器学习的过活动断层倒虹吸管道结构响应预测方法s1中获得的1号结果库数据；然后储存监测模块所传输的现场数据作为2号结果库，依据2号结果库进行差错控制得到二次数据储存在3号结果库；
33、所述训练预测模块集成于监控中心，根据3号结果库建立svr预测模型，并采用遗传算法进行改进，进一步得到ga-svr智能感知模型；根据训练预测结果分析预测效果；
34、所述分析预警模块集成于监控中心，用于接收前序模块发送的预警信号，根据预警信号向用户发送提醒；
35、作为优选的技术方案，监控中心可由用户进行访问，用户拥有的权限包括访问数据中心，查看数据的动态展示与历史状态；访问分析预警模块，查看预警提醒。
36、本专利技术公开了一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法及其监测预警系统，包括下列步骤：s1、基于正交试验法获得过活动断层倒虹吸管道结构响应指标作为1号结果库；s2、基于所述1号结果库，建立基于支持向量回归(svr)的倒虹吸管道结构响应预测模型；s3、在所述基于支持向量回归的本文档来自技高网...
【技术保护点】
1.一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于，包括如下列步骤：
2.如权利要求1所述的一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于：所述S1中正交试验法为等水平正交表LN(mk)，各个元素组成了N行k列的矩阵，其中N、k、m依次代表试验次数、试验因素数与试验因素水平数，等水平正交表中各试验因素水平数相等；试验因素为影响响应指标的关键参数；试验因素水平的取值范围在上下限之间浮动；水平取值上下限为该因素的倍数；基于正交试验法获得的结构响应指标为钢管应力、伸缩节位移、镇墩沉降量。
3.如权利要求1所述的一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于：所述S2支持向量回归的倒虹吸管道结构响应预测模型采用的是径向基核函数将非线性的模型映射到特征空间，在特征空间内创造一个最优超平面，使得所有样本点到最优超平面的距离都不大于给定的精度；在高维空间上最优超平面即回归函数f(x)的最优表达式为：
4.如权利要求1所述的一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于：所述S2所
5.如权利要求1所述的一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于：S3所述改进的过程如下所示：
6.如权利要求5所述的一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于：所述S32中的适应度值采用的函数为回归模型中的均方误差，其公式如下：
7.如权利要求5所述的一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于：所述S33中的选择操作是基于轮盘赌法，其个体被选中的概率P为：
8.如权利要求5所述的一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于：所述S33中的选择操作添加了精英保留策略，将一定比例的最优个体直接复制到下一代，以避免部分适应性好的个体信息在随机选择中丢失。
9.如权利要求1所述的一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于：所述S4判断模型回归效果采用的方法是根据均方根误差RMSE及平方与相关系数R2进行评估，公式如下：
10.一种如权利要求1至9中任一项所述的基于机器学习的过活动断层倒虹吸管道结构响应预测方法的监测预警系统，其特征在于：包括数据监测模块、数据处理模块、训练预测模块、分析预警模块；
...【技术特征摘要】
1.一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于，包括如下列步骤：
2.如权利要求1所述的一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于：所述s1中正交试验法为等水平正交表ln(mk)，各个元素组成了n行k列的矩阵，其中n、k、m依次代表试验次数、试验因素数与试验因素水平数，等水平正交表中各试验因素水平数相等；试验因素为影响响应指标的关键参数；试验因素水平的取值范围在上下限之间浮动；水平取值上下限为该因素的倍数；基于正交试验法获得的结构响应指标为钢管应力、伸缩节位移、镇墩沉降量。
3.如权利要求1所述的一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于：所述s2支持向量回归的倒虹吸管道结构响应预测模型采用的是径向基核函数将非线性的模型映射到特征空间，在特征空间内创造一个最优超平面，使得所有样本点到最优超平面的距离都不大于给定的精度；在高维空间上最优超平面即回归函数f(x)的最优表达式为：
4.如权利要求1所述的一种基于机器学习的过活动断层倒虹吸管道结构响应预测方法，其特征在于：所述s2所述支持向量回归的倒虹吸管道结构响应预测模型是与响应指标一一对应的；所述预测模型的数据来源分为训练样本集与预测样本集，其中训练样本集占1号结果库样本的80％，预测样本...
【专利技术属性】
技术研发人员：石长征，王建文，武云华，胡悦，王樱，徐文韬，李玉峰，伍鹤皋，
申请(专利权)人：云南省滇中引水工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。