基于奇異譜分析與PSO優化SVM的混凝土壩變形監控模型

牛景太

(南昌工程學院水利與生態工程學院，江西 南昌 330099)

我國現有大壩從數量與建設規模上均居世界首位，合理保障大壩安全運行，對有效發揮工程效益與保障地區穩定和居民生命財產安全具有重要意義[1-4]。變形是最能直觀可靠地反映大壩綜合運行性態的重要監測量，構建具有良好精度的變形監控模型可較好地反映大壩結構性能的演變特征，定量解讀主要影響因素的作用和預測大壩運行情況，并依此對大壩性態加以評判[5-7]。

大壩變形主要由水位和溫度變化引起的可逆變形以及筑壩材料性能隨時間演變引起的不可逆變形組成。根據建模方法，大壩變形監控模型可分為統計模型、確定性模型與混合模型3類[8-10]。統計模型具有函數形式簡單、計算高效的優點，因此得到了廣泛的應用。近年來，伴隨人工智能技術的發展，人工神經網絡[11]、極限學習機[12-13]、混合蛙跳[14]、粒子群算法(partical swarm optimization，PSO)[15]、支持向量機(support vector machines, SVM)[16-18]、面板數據模型[19]等諸多算法被廣泛應用于變形監控統計模型中，極大地推動了大壩變形監控模型的發展。其中，SVM基于風險最小化準則，具有良好的非線性分析能力，可有效地避免過擬合現象，故在變形監控模型中應用較為廣泛[20-21]。針對核函數參數對SVM模型性能的影響，諸多學者對此開展了大量研究，例如，董明等[20]引入人工蜂群算法(artificial bee colony, ABC)對SVM參數進行尋優，并將構建的ABC-SVM模型應用于某混凝土雙曲拱壩變形監控分析；谷艷昌等[21]采用遺傳算法(GA)對SVM中核函數參數進行尋優，并將建立的GA-SVM大壩安全性態預測模型應用于土石壩壩體滲流壓力分析中。……