摘要：针对统计学模型难以很好地对非线性、非平稳的大坝变形做出预测的情况,引入人工智能算法,融合经验模态分解法(EMD)、遗传算法(GA)优化的极限学习机(ELM)和ARIMA误差修正模型,构建大坝变形预测模型。首先利用EMD进行监测数据的分解和重构,使其平稳化并得到有物理意义的本征模函数和残差序列;再用GAELM对分解结果进行分析预测;最后用ARIMA模型对预测结果的残差进行误差修正。以一混凝土堆石坝为例,利用优化算法构建的大坝变形预测模型对其进行分析预测,分析结果表明,相较于传统单一算法,EMD-GAELM-ARIMA模型算法预测精度更高,在大坝变形预测中具有可行性。

摘要：基于极限学习机(ELM)构建的大坝变形预测模型易受连接权值、隐含层阈值及隐含层节点数影响,为获取更优的形变预测值,并改善模型预测可靠性,构建一种基于EMD-PSO-ELM算法,考虑时效、温度、水位等多因素的大坝变形预测模型。该模型首先从时频分析出发,利用经验模态分解(EMD)将变形时间序列分解成具有不同频率特征的分量;然后利用PSO-ELM模型解求形变预测值,重构获得大坝形变趋势。实验结果表明,融合时效、温度、水位等多因素的EMD-PSO-ELM大坝变形预测模型残差均方根误差为1.83mm,平均绝对误差为1.57mm,平均绝对百分比误差为1.79%,比ELM模型与EMD-ELM模型相关误差值更小,在大坝变形预测方面性能更优。