摘要：为研究不同基座高度对沥青混凝土心墙坝受力特性的影响,采用邓肯-张E-B模型作为坝体及心墙的本构模型,对大坝施工和蓄水过程进行模拟,并依据基座与心墙的高度关系拟定5种计算方案,对比不同基座高度下堆石体和心墙的受力特性。结果表明,基座越高,大坝堆石体竖向位移及第一、三主应力越小,而心墙第一、三主应力越大,竖向位移则随基座增高而减小。在此基础上,利用熵值法构建了基座影响定权模型,量化了基座高度变化对大坝不同部位的影响程度:基座高度变化对心墙的影响(权重56.06%)最显著,建议工程设计和安全评价需要考虑基座高度发生变化时对心墙第一主应力状态的影响。研究成果可为沥青混凝土心墙堆石坝工程设计和施工提供参考依据。

摘要：变形是反映混凝土拱坝安全运行状态的重要指标,因此变形预测模型的研究对拱坝结构健康评价具有重要意义。为充分挖掘拱坝变形监测数据的有效信息,提高监控模型的预测精度,提出一种基于变分模态分解与优化LightGBM的混凝土拱坝变形预测模型。首先,采用VMD将变形实测数据分解为多个模态分量;其次,引入改进灰狼算法与LightGBM相结合建立混凝土拱坝变形预测模型;随后,对模态分量进行单独建模和预测,最后叠加以得到最终的预测结果。工程实例分析表明,通过有效地分解重构,构建的变形预测模型具有较高的预测精度和泛化性能。

摘要：某大型水电站中墩溢流表孔的弧形工作闸门在正常蓄水位时承受巨大水推力,根据规范和工程经验采用预应力钢筋混凝土结构型式,通过建立三维有限元模型进行计算分析,比较闸墩预应力情况下三种典型工况的受力性能。结果表明:闸墩结构具有相当的刚度;应力分布符合一般规律,预应力体系布置合理。

摘要：我国已建、在建多座特高拱坝工程,这些工程往往面临着高水头、高边坡和复杂地质条件等特殊服役环境,其设计、施工及安全监控等技术指标突破了现行规范适用范围和以往的工程认知。与一般大坝相比,特高拱坝工程复杂程度高,结构的力学行为具有独特特征,工程建设和运行安全控制要求更为严格。论述了坝体体型工程经验性评价参数、地质力学模型试验、数值模拟仿真分析等特高拱坝结构性态诊断关键技术,以及施工质量控制、温控防裂、跟踪监测反馈等安全监控技术;在此基础上,指出了特高拱坝长效服役健康诊断与安全控制的前沿热点问题,包括时空演化特征挖掘方法、服役风险率实时诊断模型、结构安全动态控制模式、智能感知与超前预警技术等。研究可指导特高拱坝的建设和运行管理。

摘要：如何提高大坝安全监控系统的有效性,是系统开发的难点。基于E/R建模原理,分析了大坝安全监控系统的E/R模型构建过程中出现的连接陷阱、数据冗余及更新异常问题,给出了这些问题的解决方案。在此基础上,进行了概念数据模型开发,构建了监测信息系统的E/R模型,并对该模型进行逻辑设计,建立起了能够有效反映大坝安全监控系统对监测数据的分析处理和对监测信息管理的多维数据模型,实现了监测信息管理高效数据库系统的建立。系统开发实例表明,多维数据模型能帮助系统快速地处理分析大量的监测信息,大大提高了系统的运行效率。

摘要：锦屏一级拱坝已建成处于初次蓄水阶段,由于左岸边坡的持续变形对坝体弦长变形有一定影响,为使工程安全运行,拟定了弦长的空间变形预警指标。先利用改进的熵值法求得各测点的熵权,然后由信息熵的定义给出单测点变形熵的表达式,在此基础上再构建各测点的空间变形熵,最后运用最大熵理论给出了弦长空间变形熵的概率密度函数,并对弦长空间变形熵预警指标进行了拟定,结果表明该方法高效可行,可为大坝安全运行提供参考。

摘要：在大坝安全监测自动化采集系统数据采集过程中,受各种因素的影响会出现监测数据异常。在总结以往各种诊断方法的基础上,提出了一种快速、及时诊断数据异常的方法,并运用Delphi2007为开发语言,开发出了大坝安全监测数据实时异常诊断模块。实际运用表明,采用该方法能快速诊断出大坝安全监测数据中的异常值。

摘要：目前,我国西南地区正在或即将修建一批300 m级特高拱坝,这些拱坝工程规模巨大、地质条件复杂,给设计和施工带来巨大挑战。引入伯努利神经网络,建立了特高拱坝施工期变形预测模型,以预测特高拱坝施工期变形性态。工程实例分析表明,三输入的伯努利神经网络不仅具有较好的拟合效果和较高的预报精度,而且避免了传统神经网络算法冗长的迭代学习过程,为特高拱坝施工期变形预测提供了一种新的分析方法。

摘要：利用复杂系统具备学习功能的人工智能技术,构建了基于黑板结构的混凝土坝长效服役性态的多源信息融合推理分析体系,设计了混凝土坝长效服役性态的多源信息融合推理的知识库和推理机制,实现了对多源信息融合算法的综合控制,为提高混凝土坝服役性态安全评价的可靠性和准确性提供技术支持.

摘要：针对混凝土坝变形预测模型中环境量与效应量之间复杂的非线性问题,以及单支持向量机(SVM)模型预测精度不高的问题,提出一种AdaBoost-SVM的混凝土坝变形预测模型,该模型采用结构风险最小化的原则,并借鉴提升算法强化学习的思想,从而提高模型的学习性能,达到增强模型泛化能力和预测精度的目的。结合实例,经过AdaBoost-SVM预测模型对混凝土坝位移原型监测数据进行训练及预测,并将预测结果与单支持向量机模型的预测结果进行对比,结果显示:基于AdaBoost-SVM预测模型得到的均方差为0.5565,平均误差绝对值为0.40,预测精度比单支持向量机模型高出一个数量级;而且相较于单支持向量机预测模型,强化后的模型在预测时段表现出更好的稳定性。该模型综合了提升算法与支持向量机各自的优势,可作为混凝土坝变形预测的一种有效方法。