基于GACO-BP-MC的大坝变形监控模型

论文摘要

建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法（ACO）对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法（GA）引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链（MC）对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。

论文目录

• 1 研究背景
• 2 基于GACO-BP-MC的大坝变形监控模型的构建
•   2.1 蚁群神经网络 （ACO-BP） 模型
•   2.2 遗传算法改进的蚁群神经网络 （GACO-BP） 模型
•   2.3 MC残差修正模型
•   2.4 基于GACO-BP-MC的监控模型流程
•   2.5 基于GACO-BP-MC的大坝变形监控模型输入和输出向量的确定
• 3 工程实例
•   3.1 GACO-BP模型拟合和预测大坝变形
•   3.2 MC模型修正残差
• 4 结 论

文章来源

类型: 期刊论文

作者: 董丹丹,祖安君,孙雪莲

关键词: 监控模型,大坝变形,蚁群算法,神经网络,遗传算法,马尔科夫链,预测精度

来源: 长江科学院院报 2019年07期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 水利水电工程

单位: 河海大学水文水资源与水利工程科学国家重点实验室,河海大学水利水电学院

基金: 国家重点研发计划课题(2016YFC0401601),国家自然科学基金重点项目(51739003),国家自然科学基金项目(51479054),水文水资源与水利工程科学国家重点实验室开放基金项目(2016491811,2017491811),云南省教育厅科学研究基金项目(2016ZZX109)

分类号: TV698.11

页码: 48-54

总页数: 7

文件大小: 1010K

下载量: 216