论文部分内容阅读
[摘 要]大坝安全监测、分析与预报不仅需要用高科技技术,还涉及多学科交叉,是大坝安全管理的重大难题。文章系统而简要地论述了大坝安全监测的相关技术及大坝变形分析与预报的各种方法,以期加强学科之间的交流与合作。
[关键词]大坝安全监测;变形分析;预报
中图分类号:S458 文献标识码:A 文章编号:1009-914X(2018)08-0308-01
引言
大坝的安全监测是所有工程建筑物安全监测中最为重要和最受重视的。国家将大坝安全管理纳入了法制轨道,专门成立了国家电力公司大坝安全监察中心和水利部大坝安全管理中心,制订了一系列大坝安全管理法规性文件,希望通过法律手段加强对大坝的安全管理。一直以来,大坝安全监测、分析和预报是国际大坝会议讨论的重点。
1、大坝安全监测的目的及意义
水库是关系国计民生的重要基础设施。目前,我国已有八万多座水库,而且大部分水库大坝都存在一定的问题,因此,实时监测水库大坝的安全很重要。利用一定的监测技术与手段实现对大坝的实时监测,一方面能够实时掌握大坝的运行情况,确保大坝安全运行,另一方面,可以利用长期的监测数据制定出科学合理的大坝维护方案,延长大坝的使用寿命。另外,对大坝进行监测有助于提高大坝对洪水的应对能力,还能合理进行调水,确保水资源的合理利用。可见,对大坝进行安全监测是经济发展的重要保障。
2、大坝安全监测技术的发展综述
大坝安全监测包括外部观测和内部观测,主要采用监测仪器,结合大地测量工具,动态地获取大坝运行状态的资料,为大坝安全评价提供依据。在监测中涉及到自动控制、光电、计算机、传感和通讯等技术。并且,大坝安全监测技术正逐步向实时、遥控、高精度、自动化、智能化等方向发展。
2.1 灰色动态聚类分析法的发展与应用
灰色动态聚类法是将灰色理论及模糊数学相结合而形成的。灰色动态聚类分析法有别于常规聚类方法中的“点”数据,是将“段”数据作为基本研究对象,对大坝面板变形监测数据进行聚类分析,然后通过最佳分类确定关键面板变形段,对关键段进行重点监测和分析,同时结合matlab软件建立灰色模型GM(1,1)和多元回归模型,对关键段监测数据进行预报拟合。利用此方法处理大坝变形监测数据不仅能减少工作量,起到高效、便捷的作用,还能更好地掌握大坝的真实运行状况,确保大坝安全有效运行。
2.2 自动化监测技术的发展与应用
自动化安全监测系统主要用于对大坝的变形监测和渗流监测,主要应用在环境比较恶劣、观测项目多、测点多且分布不均匀及集中监测等方面。监测技术主要由水平和垂直位移传感器、智能传感器、地下水位监测装置、中央控制设备几大部分构成。未来自动化监测技术主要从以下几个方面全面发展与提升:1)监测项目的设置。根据大坝的实际情况、施工设计及运行情况,针对大坝目前存在的一些关键部位、薄弱环节等设置监测。通过针对性的加强和凸出监测项目,减少监测系统测点的数量,提高监测数据的准确性和有效性;2)硬件方面。随着科技化水平的不断提高,智能化的传感器与变送器及光纤等通讯介质的应用,推动着通信技术不断向更快、更准确的方向发展;远程网络及PDA系统也不断运用到大坝监测系统中;3)软件方面。通过软件的开发和设计,不断推动大坝安全监测系统向智能化方向发展,建立监测数据的存储数据库,通过提高监测数据的分析对比能力及有效信息的挖掘能力来提高决策水平。
2.3 其他监测技术的发展与应用
目前,大坝安全监测技术不断发展,各种新型的监测仪器不断出现。比如,通过应用差动电阻式技术,可以有效检测面板周边施工缝,实现对大坝水平及垂直变形状况的有效性监测,以实现信息的自动化采集;通过优化数据采集模块,可以有效应对外部工作环境的干扰状况;在位移监测环节中,通过使用活动式测斜仪替代固定测斜仪器,不仅能降低造价成本,还能做好单点探头的自动化监测工作;通过GPS监测技术的应用,能有效控制大坝安全监测的成本。在大坝力学特性监测及结构损伤检测模块中应用大坝CT技术,能够有效提升图像重构效益,确保光纤光栅技术模块的优化,提升其自动化、多元化、智能化程度,有效提升变形监测自动化技术效益,提升其整体工作效益。
3、大坝变形分析与预报技术的发展综述
3.1 BP神经网络的改进算法在大坝变形分析与预报中的应用
改进了的BP神经网络应用于大坝变形分析与预报,无论是学习算法的收敛速度还是预报精度,都有大幅度的提高,具有一定的推广意义。BP神经网络是一种多层前馈神经网络。针对BP神经网络学习算法收敛速度慢的问题进行了调整与试用,使BP网络找到了最优解,有效地加快了网络的训练速度,减少了训练次数,节省了等待时间,不仅提高了学习的效率,还增加了算法的可靠性。
3.2 ELM模型在大坝变形分析与预报中的应用
极限学习机(Extreme Learning Machine,ELM)是新加坡Huang等人在2004年提出的一种单隐层前馈神经网络的方法。在大坝变形预报中应用ELM,结合影响大坝变形的环境因子,选取ELM建模中的输入变量,建立基于ELM的大坝位移监测模型,与传统的BP神经网络模型相比,该模型只产生唯一解,稳定性更强,不仅能准确反映大坝变形状况,有着较高的预测精度;且在计算效率上比传统的BP神经网络模型有着更明显的优势。
3.3 卡尔曼滤波-AR模型在大坝变形预测中的应用
AR模型不受模型变量相互独立的假设条件的约束,且建模过程简单,是时间序列分析中应用最广泛的模型。通过时间序列变量的自身历史观测值,来反映有关因素对预测目标的影响和作用,在变形数据波动平缓时,能够较为直观地描述大坝的变形和位移。将大坝水平位移数据视为一时间序列,分别建立一般AR模型和卡尔曼滤波-AR模型。经过分析发现,AR模型能较为准确地描述大坝水平位移的变化趋势,卡尔曼滤波能实时反映位移的波动。利用二者的优势,结合时间序列模型的特点,建立大坝变形的卡尔曼滤波-AR模型,在大坝变形监测中具有更好的预测效果,在一定程度上提高了预测值的精确度,具有一定的应用优势,值得推广。
总结语
目前,国内已开展了很多关于大坝安全监测、分析与预报的研究,如大坝安全监测自动化系统、大坝安全综合评价专家系统等。但很多系统还未达到实用化的程度。因此,还需要生产单位联合科研院校,不断借鉴和引用国内外研究经验,进行周密分析,细致调研,精心设计,进行持续性的研发,将最新最好的研究应用到大坝安全监测中,提高监测质量,以保证大坝的安全运行。
参考文献
[1] 邵楠,于中伟.基于ELM的大坝变形分析与预报模型[J].城市勘测,2016,(04):134-136.
[2] 馬丽霞,逄超,陈晓辉.BP神经网络的改进算法及在大坝变形分析与预报中的应用[J].吉林建筑大学学报,2016,33(04):31-34.
[3] 刘国强.浅析水利工程大坝安全监测应用技术[J].科技创新与应用,2017,(08):202.
[4] 玛依努尔·托乎提.水库大坝安全监测自动化技术研究[J].中小企业管理与科技(中旬刊),2017,(02):166-167.
[关键词]大坝安全监测;变形分析;预报
中图分类号:S458 文献标识码:A 文章编号:1009-914X(2018)08-0308-01
引言
大坝的安全监测是所有工程建筑物安全监测中最为重要和最受重视的。国家将大坝安全管理纳入了法制轨道,专门成立了国家电力公司大坝安全监察中心和水利部大坝安全管理中心,制订了一系列大坝安全管理法规性文件,希望通过法律手段加强对大坝的安全管理。一直以来,大坝安全监测、分析和预报是国际大坝会议讨论的重点。
1、大坝安全监测的目的及意义
水库是关系国计民生的重要基础设施。目前,我国已有八万多座水库,而且大部分水库大坝都存在一定的问题,因此,实时监测水库大坝的安全很重要。利用一定的监测技术与手段实现对大坝的实时监测,一方面能够实时掌握大坝的运行情况,确保大坝安全运行,另一方面,可以利用长期的监测数据制定出科学合理的大坝维护方案,延长大坝的使用寿命。另外,对大坝进行监测有助于提高大坝对洪水的应对能力,还能合理进行调水,确保水资源的合理利用。可见,对大坝进行安全监测是经济发展的重要保障。
2、大坝安全监测技术的发展综述
大坝安全监测包括外部观测和内部观测,主要采用监测仪器,结合大地测量工具,动态地获取大坝运行状态的资料,为大坝安全评价提供依据。在监测中涉及到自动控制、光电、计算机、传感和通讯等技术。并且,大坝安全监测技术正逐步向实时、遥控、高精度、自动化、智能化等方向发展。
2.1 灰色动态聚类分析法的发展与应用
灰色动态聚类法是将灰色理论及模糊数学相结合而形成的。灰色动态聚类分析法有别于常规聚类方法中的“点”数据,是将“段”数据作为基本研究对象,对大坝面板变形监测数据进行聚类分析,然后通过最佳分类确定关键面板变形段,对关键段进行重点监测和分析,同时结合matlab软件建立灰色模型GM(1,1)和多元回归模型,对关键段监测数据进行预报拟合。利用此方法处理大坝变形监测数据不仅能减少工作量,起到高效、便捷的作用,还能更好地掌握大坝的真实运行状况,确保大坝安全有效运行。
2.2 自动化监测技术的发展与应用
自动化安全监测系统主要用于对大坝的变形监测和渗流监测,主要应用在环境比较恶劣、观测项目多、测点多且分布不均匀及集中监测等方面。监测技术主要由水平和垂直位移传感器、智能传感器、地下水位监测装置、中央控制设备几大部分构成。未来自动化监测技术主要从以下几个方面全面发展与提升:1)监测项目的设置。根据大坝的实际情况、施工设计及运行情况,针对大坝目前存在的一些关键部位、薄弱环节等设置监测。通过针对性的加强和凸出监测项目,减少监测系统测点的数量,提高监测数据的准确性和有效性;2)硬件方面。随着科技化水平的不断提高,智能化的传感器与变送器及光纤等通讯介质的应用,推动着通信技术不断向更快、更准确的方向发展;远程网络及PDA系统也不断运用到大坝监测系统中;3)软件方面。通过软件的开发和设计,不断推动大坝安全监测系统向智能化方向发展,建立监测数据的存储数据库,通过提高监测数据的分析对比能力及有效信息的挖掘能力来提高决策水平。
2.3 其他监测技术的发展与应用
目前,大坝安全监测技术不断发展,各种新型的监测仪器不断出现。比如,通过应用差动电阻式技术,可以有效检测面板周边施工缝,实现对大坝水平及垂直变形状况的有效性监测,以实现信息的自动化采集;通过优化数据采集模块,可以有效应对外部工作环境的干扰状况;在位移监测环节中,通过使用活动式测斜仪替代固定测斜仪器,不仅能降低造价成本,还能做好单点探头的自动化监测工作;通过GPS监测技术的应用,能有效控制大坝安全监测的成本。在大坝力学特性监测及结构损伤检测模块中应用大坝CT技术,能够有效提升图像重构效益,确保光纤光栅技术模块的优化,提升其自动化、多元化、智能化程度,有效提升变形监测自动化技术效益,提升其整体工作效益。
3、大坝变形分析与预报技术的发展综述
3.1 BP神经网络的改进算法在大坝变形分析与预报中的应用
改进了的BP神经网络应用于大坝变形分析与预报,无论是学习算法的收敛速度还是预报精度,都有大幅度的提高,具有一定的推广意义。BP神经网络是一种多层前馈神经网络。针对BP神经网络学习算法收敛速度慢的问题进行了调整与试用,使BP网络找到了最优解,有效地加快了网络的训练速度,减少了训练次数,节省了等待时间,不仅提高了学习的效率,还增加了算法的可靠性。
3.2 ELM模型在大坝变形分析与预报中的应用
极限学习机(Extreme Learning Machine,ELM)是新加坡Huang等人在2004年提出的一种单隐层前馈神经网络的方法。在大坝变形预报中应用ELM,结合影响大坝变形的环境因子,选取ELM建模中的输入变量,建立基于ELM的大坝位移监测模型,与传统的BP神经网络模型相比,该模型只产生唯一解,稳定性更强,不仅能准确反映大坝变形状况,有着较高的预测精度;且在计算效率上比传统的BP神经网络模型有着更明显的优势。
3.3 卡尔曼滤波-AR模型在大坝变形预测中的应用
AR模型不受模型变量相互独立的假设条件的约束,且建模过程简单,是时间序列分析中应用最广泛的模型。通过时间序列变量的自身历史观测值,来反映有关因素对预测目标的影响和作用,在变形数据波动平缓时,能够较为直观地描述大坝的变形和位移。将大坝水平位移数据视为一时间序列,分别建立一般AR模型和卡尔曼滤波-AR模型。经过分析发现,AR模型能较为准确地描述大坝水平位移的变化趋势,卡尔曼滤波能实时反映位移的波动。利用二者的优势,结合时间序列模型的特点,建立大坝变形的卡尔曼滤波-AR模型,在大坝变形监测中具有更好的预测效果,在一定程度上提高了预测值的精确度,具有一定的应用优势,值得推广。
总结语
目前,国内已开展了很多关于大坝安全监测、分析与预报的研究,如大坝安全监测自动化系统、大坝安全综合评价专家系统等。但很多系统还未达到实用化的程度。因此,还需要生产单位联合科研院校,不断借鉴和引用国内外研究经验,进行周密分析,细致调研,精心设计,进行持续性的研发,将最新最好的研究应用到大坝安全监测中,提高监测质量,以保证大坝的安全运行。
参考文献
[1] 邵楠,于中伟.基于ELM的大坝变形分析与预报模型[J].城市勘测,2016,(04):134-136.
[2] 馬丽霞,逄超,陈晓辉.BP神经网络的改进算法及在大坝变形分析与预报中的应用[J].吉林建筑大学学报,2016,33(04):31-34.
[3] 刘国强.浅析水利工程大坝安全监测应用技术[J].科技创新与应用,2017,(08):202.
[4] 玛依努尔·托乎提.水库大坝安全监测自动化技术研究[J].中小企业管理与科技(中旬刊),2017,(02):166-167.