近些年来,由于水库大坝坝体规模的不断扩大以及坝体结构的日益复杂,如何保证大坝运行期间的安全成为越来越受关注的话题之一。有效的监测手段和可靠的数据分析方法作为大坝安全防护最有效的两大手段,共同发挥着巨大的作用。论文从大坝监测和大坝变形预测两方面入手,结合信息化手段研究新时代背景下大坝安全防护方法。大坝监测方面,传统方法依靠人工的方式完成一些简单的监测,不仅耗费了大量的人力物力,同时也出现了监测效率不高、监测效果欠佳的问题。近十年来,物联网技术与无线通信技术越来越成熟,采用物联网实现大坝安全监测已成为一种新手段。大坝变形预测方面,由于大坝变形受多种因素的影响,并且变形过程存在随机性与高度非线性,传统的预测模型难以适应,随着计算机硬件水平的不断提高,基于有限样本下的机器学习方法在变形预测方面取得了越来越好的效果。因此,论文基于物联网与极限学习机实现大坝安全的在线监测与预测分析,主要研究内容如下。1)大坝安全数据采集方法研究。借助物联网技术实现大坝数据采集,整个采集方案分三层。感知层以小型模块化的传感器作为数据采集单元,完成数据的获取;传输层以DTU设备作为现场数据传输中心,实现数据的远程交互;应用层又称用户层,负责可视化交互。2)优化极限学习机实现高精度的大坝变形预测。以极限学习机(ELM)为初始模型,并逐步优化其性能。针对极限学习机随机给定隐含层参数导致的不稳定性问题,采用核函数映射取代随机映射;针对单核极限学习机(KELM)存在局部核学习能力强但泛化性能弱,全局核泛化性能强但泛化性能弱的不足,构建一种由多项式核的全局核与高斯RBF核的局部核组合的PG_KELM模型;为解决PG_KELM模型的寻优问题,引入蝙蝠算法寻参,提出BA_PG_KELM模型;由于蝙蝠算法训练时间长且易陷入局部最优解,采用既可增强局部搜索,同时又具备跳出局部最优能力的莱维飞行优化改进,提出最终的LBA_PG_KELM模型。3)设计并实现大坝安全在线监测与分析系统。为提高系统的灵活性,将系统分为数据采集服务和远程监测平台两个子系统。数据采集服务使用Socket套接字进行通信,首先基于Socket设计一个通用的远程通信库,然后在此基础进行二次开发实现大坝数据采集服务。远程监测平台发布为一个web网站,借助Asp.net平台实现可视化的用户交互功能。4)以利山水库为工程实例,说明大坝变形监测的实际过程并证明大坝安全在线监测与分析系统的可行性,同时使用采集的数据验证LBA_PG_KELM模型的优越性。通过工程应用可知,论文设计的数据采集方案具有切实的可行性,满足大坝监测过程的数据采集、数据传输等一系列要求,以此为基础开发的监测系统扩展性强,不仅可以方便的扩展新的采集设备,同时可在不修改逻辑代码的前提下将系统应用于不同的领域。由实测数据验证可知,基于莱维飞行优化的LBA算法改善了BA算法训练时间长、易陷入局部最优的缺陷,对比单核KELM,基于混合核的KELM实现了对LBA_SVM算法的反超,说明论文提出的LBA_PG_KELM模型能够有效提高大坝变形预测的精度。