大坝安全监控研究

大坝安全监控研究（精选八篇）

大坝安全监控研究篇1

我国现有水库大坝近9万座,与其安全相关的高边坡、隧洞等更是数量众多。随着人口的增长、经济的发展及环境脆弱性的增加,特别是全球极端气候的频繁出现,地球及人类活动影响的加剧,大坝失事风险依然存在。可能加大大坝安全风险的原因包括:1)随着时间的推移,一些水库大坝相继老化;2)一些新建的高坝及其性态已经超过了现有的科技水平;3)梯级开发可能使上游水库大坝失事的单一事件演化成灾害链。最近多地水库大坝失事的情况表明,加强大坝安全监控研究变得越来越重要。为此本文在大量文献的基础上总结近年来大坝安全监控方面的研究进展,并提出下一步研究的建议,以期提高大坝安全监控的研究水平。

1 进展及评价

1.1 监测项目设置和测点布置

1.1.1 基于风险分析的方法

国际大坝委员会在1998年的会刊上提出根据工程风险给予相应经验权重,从而确定相应的监测项目和采样频次。文献[1]将风险分析用于监测项目设置和测点布置,并成功应用于恰拉水库等平原水库监测项目设置和测点布置。实际情况表明,现有的《土石坝安全监测技术规范》监测项目设置和测点布置对平原水库大坝的针对性不强,这已经在新疆生产建设兵团组织的多次研讨会和有关规范讨论会上得到多数专家的认同。建立基于风险分析的监测项目设置和测点布置方法,是解决特殊超规范大坝安全监测项目设置和测点布置的必然趋势。

1.1.2 基于静力学的方法

文献[1]同时还探讨应用应变能密度分布、应力分布敏感性、最重要测度和结构冗余等优化测点布置的方法。此外可以根据测点监测物理量的独立性进行测点优化。选择1组独立测点监测物理量作为所关心监测测点的基,如果所选择的测点是完备的,则其他测点测值可以由该组选定测点测值的线性组合获得。显然,采用这种方法选定的测点集并不唯一,需要根据其他约束条件进行优化。

以反演参数的存在性、唯一性和稳定性为准则也可实现对测点的布置优化,文献[2]表明测点布置对反演分析的结果影响很大,因此以大坝力学参数反演为目标的测点布置还需要同大坝安全敏感区分析结合起来。

1.1.3 基于动力学的方法

相对于静力分析而言,目前在动力测点优化方面研究较多,主要是基于不同模态(如振型、应变模态等)对损伤识别的灵敏度等,提出了不同的分析方法,如Kammer DC等的有效独立法、Meo M和Zumpano G的模态动能最大化方法。这2种方法都应用Fisher信息矩阵,前者使得模态向量尽可能线性无关,通过逐步删除对秩影响最小的自由度,使得信息矩阵最大化;后者以模态质量矩阵作为权加入到信息矩阵中,通过目标动能最大化实现传感器的优化。Guyan RI模型缩减法通过静力或动力缩减子矩阵构成转换矩阵,以保留对模态反应起主要作用的自由度,从而优化测点布置。Came T G通过使模态向量趋近正交而优化测点。通过分析不难发现,上述方法是基于线性模式鉴别的分类方法,采用降维和正交化方法优化测点布置。Kijko A.及Sciocatti M.[3]认为传感器的优化布置由震源未知数的四维时空坐标x={t,x0,y0,z0}的相关协方差阵covX=k(ATA)-1决定,

式中:k为常数;A为敏感矩阵,可由下式获得:

式中:Tn为计算得到的地震传递到的时间;n为传感器数量(测点数)。

在测点优化布置方面,采样动力方法对振动幅度比较大的薄壁结构,包括桥梁等能起到很好的作用;但对于实体重力坝或土坝,目前基于动力分析的测点优化方法尚未见报道。

1.1.4 其他方法

在渗流监测测点优化布置方面,仵彦卿等[4]采用有限元数值模拟和Kalman滤波耦合的方法,建立了地下水系统确定─随机数学模型,实现了对测点位置和监测频率的同时优化,该方法可以推广到非稳定渗流监测的测点布置和监测频率优化。Yang Y J和Rurn D H[5]提出了1种基于随机不确定性的熵的测点布置方法。这2种方法都是在数据融合的基础上,考虑不确定性的动态测点优化方法,对推进测点布置技术的发展具有一定的实际意义。

1.1.5 问题和讨论

监测项目设置与大坝安全的效应认定和传感技术密切相关,每个新效应和传感技术的发现意味着新的监测项目的出现,如岩石受力变形和破坏的恺撒及电磁效应等。

由于结构的不同信息对结构安全的敏感程度不同,究竟采取以静力为主的监测测点优化,还是采取以动力为主的测点优化,不仅要看结构所受的主要荷载和可能的破坏形式,还需要考虑大坝的结构和材料特征。目前大坝监测项目设置和测点布置大多依据规范进行,基于规范的监测项目设置和测点布置是经验认识的总结,但对于平原水库大坝、浆砌石坝等测点布置,目前的土石坝监测技术规范的针对性还不是很强。

由于大坝存在多种失效模式和路径,同时也存在不同尺度的破坏,破坏过程的演化也存在明显的非线性特征,针对高风险大坝,考虑多失效模式的监测项目设置和测点布置还需要进一步研究,以提高监测项目和测点布置的针对性。另外,考虑真实结构的破坏总是在静动荷载组合之下、渐变与突变共存的条件下发生的,充满许多不确定性,为此建立基于风险的监测项目设置和测点布置是必要的。风险分析不仅需要考虑结构的失效模式,同时还需要根据结构失效的后果确定监测投入,即通过监测将不确定度降低至允许的程度。

1.2 异常判别与野值诊断

1.2.1 现状及进展

在噪声测量和异常诊断方面,目前主要采用基于数理统计的残差分析和概率的随机模糊诊断技术。另外,基于小波分析、经验模态分解、HilbertHuang变换、Kalman滤波、中值滤波方法、盲值理论、数学形态滤波等的去噪方法已被用于边坡和大坝监测的噪声处理。其中Kalman滤波方法主要基于滤波信息序列估计值的正交性质进行判断,可以用于单个少数离群和成片野值的诊断。

1.2.2 问题和讨论

在野值诊断方法方面,对少数测值异常诊断的研究比较多,但对成群野值,尤其对渐变趋势性系统、阶梯状台阶及混合等误差的研究相对较少。由于大坝测值的非平稳性、荷载和结构的突变性,以及传感器和测量系统存在的各种噪声,大坝测值的异常诊断方法目前很难做到对所有的异常测值都有效,也使得目前大坝测值的噪声分析和异常诊断还需结合专家经验进行。

1.3 安全监控模型建立

1.3.1 现状及进展

随着科技的发展,逐步回归、差值回归、混合模型、确定性模型、抗差回归、神经网络、小波网络、灰色模型、支持向量机、粗集模型、动态贝叶斯模型、动力系统模型,以及非线性分析模型等相继出现,同时上述模型的组合模型也得到研究。陈继光[6]提出了基于Lyapunov指数和相空间重构的大坝监控模型,并结合实例对混沌时间序列相空间重构中的延迟时间间隔和嵌入维数的选取方法进行了讨论,对Lyapunov指数预测方法进行了计算验证。为克服大坝安全监控模型中的多重共线性问题和局部最优(欠拟合)问题,主成分最小二乘回归、偏最小二乘回归方法和全局优化算法在大坝安全监测领域得到深入研究。全局优化算法主要包括遗传、模拟退火、粒子群、蚁群和鱼群等算法。

针对大坝安全监控中的非线性特征,门限回归、神经网络模型、小波神经网络模型相继被提出。针对大坝监控中的动态特征,文献[7]基于Elman神经网络提出了一种时变模型,融合递推分析及回归分析优点的递推动态预测模型。针对模型的推广(过拟合)和泛化能力不足,基于结构风险最小化的支持向量回归机(SVR)模型也得到很多研究。

利用各种组合方法将不同的模型组合在一起,使得各个模型相互取长补短,从而建立新的组合模型也是大坝安全监控模型的一种发展趋势。根据组合方式的不同,组合模型可分为算法、模型和算法模型同时(加权)组合等几种方法,目前主要包括小波-神经网络模型、灰色神经网络、赋权组合模型等。文献[8]采用微粒群优化—支持向量机建立了大坝变形非线性智能组合预测模型,该模型利用不同预测模型的预测值建立混合核函数支持向量回归机模型,采用混合核函数提高支持向量机(SVM)的学习和泛化能力,并用具有并行性和分布式特点的粒子群算法选择SVM模型参数。为合理优化各个模型的权值,文献[9]根据美国学者Yager提出的诱导有序加权平均算子提出一种组合模型。组合模型,尤其是基于不同原理的多模型组合避免了单一模型或计算方法的偶然性和不完备性,相对单一预测模型,组合预测模型具有更高的预测精度和更小的峰值噪声,为准确进行大坝安全监控提供了一种新的途径。另外,文献[10]采用博弈论建立了拱坝变形模型,将水位和温度等外界因素看成引起大坝变形的外因子,而将坝体结构形态和材料参数看成变形的内部抵抗因素,认为大坝变形是水位和温度2个因素博弈的结果。

1.3.2 问题和讨论

就目前情况来看,针对大坝性态稳定的情况,已经能建立比较合理的监控模型;但针对非平稳随机过程,即大坝出现开裂、地基蠕变和荷载组合突然变化等情况,单一的监控模型尚难以有效描述大坝性态的发展。另外,许多统计模型都建立在高斯分布、平稳过程和各态历经等假设的基础上,这些假设是否成立,或者这些假设对模型的结论影响大不大,这些问题都需要进一步研究。另外对于建模过程的病态问题也是使得模型缺乏可解释性的根本原因,这需要采用抗差、鲁棒和正则化策略。

状态空间模型可以将机理模型同观测模型有机结合起来,同时考虑模型和观测误差,具有重大理论意义,但到目前为止,在状态空间模型的机理模型建立上,没有很好地结合固体、渗流力学等偏微分方程,本质原因是由于这些方程的复杂性很难用一阶常微分方程(组)的形式加以表示,如果结合材料本构模式和损伤模型,情况就更复杂了[1]。

1.4 安全监控指标确定

1.4.1 现状及进展

置信区间法、典型监测效应量小概率法和极限状态法是监控指标拟定的常用方法,基于材料线弹性、弹塑性等不同阶段,利用数值计算方法可以提出大坝安全监控分级指标。文献[11]针对传统方法采用小变形和连续性假设不能合理描述临近破坏时大坝的大变形和不联系性,在研究影响混凝土重力坝安全因素和预警指标体系的基础上,引入基于块体理论的不连续变形分析方法,考虑坝体和坝基整体抗滑稳定,采用强度折减系数法分析了三峡大坝左岸厂房3#坝段的整体抗滑稳定性,得到了安全系数与大坝位移之间的内在联系,从而建立基于非连续变形分析的重力坝变形预警指标方法。根据坝体位移与强度折减系数之间的关系曲线得到失稳判据,从而确定变形预警指标,将数值模型、整体安全系数和失稳判据结合在一起,使得指标的确定更加合理可信。文献[12]采用概率分析和结构分析相结合的蒙特卡罗法对高拱坝的变形进行了拟定,使得监控指标拟定考虑到各种不确定因素,提高了方法的通用性。

1.4.2 问题和讨论

监控指标的研究主要有统计和数值模型2种方法,前者基于实测资料,后者主要基于考虑结构大变形的非线性有限元、数值流形、无单元法,以及不连续变形分析等数值计算方法。

由于荷载、材料力学性质等的不确定性和大坝的动态特征,不同时段、方向和监测物理量对应大坝不同监控指标。同时这种“指标”只是在一定的条件下对大坝某一种失效模式的度量,单个指标能否作为大坝整体安全度的度量,只有在大坝满足整体性的条件下才能成立,因此对于同一座大坝的不同时期、测点和失效模式,安全监控指标是不同的。即使是同一座大坝,采用单个指标作为大坝安全的“测度”,往往要求这个监测物理量与大坝安全状态之间存在一一对应关系,这一条件往往是很强的。其次基于统计或动力学理论的大坝安全监控指标拟订的力学基础尚不充分。采用强度折减法进行监控指标拟订除采用大变形、非线性本构等充分考虑结构临近破坏时候的状态特征外,还必须采用局部强度折减方法,同时考虑变形模量的变化[13]。

1.5 材料参数反演

1.5.1 现状及进展

利用实测资料进行大坝力学参数的反演可分为确定性反演、不确定性反演和基于机器学习等方法。前者包括基于正分析最优化,基于反分析正则化、变分、可变容差、同伦方梯度等方法。其中正分析的反演方法主要通过正分析(一般采用有限元等数值计算方法)建立待反演参数与监测物理量之间的函数关系,并以计算物理量与实测物理量之差的平方建立目标函数,通过优化算法就目标函数的极小解来反演材料参数。其中优化方法包括全局优化算法及全局和局部2种优化算法的组合优化算法。文献[14]指出待反演的参数中若同时包含破坏比、凝聚力和内摩擦角,容易导致反演失败,原因在于不同参数组合导致统一有限元解,为此必须重新拟定反演参数或约束待反演参数,以确保待反演参数的可辨识性。

除上述确定性方法外,还有基于贝叶斯和粒子滤波、区间等不确定反演分析方法,参数Bayes反演是通过最大熵原理和AIC(Akaika Information Criterion)准则求下述泛函的极值:

式中:Y*为实测位移;Y为利用参数求得的计算位移;X和μX为待反演参数及其均值;β 为衡量主观和客观信息的比例系数,由AIC确定。

蒋树屏[15]将扩展卡尔曼与有限元法结合,对地下洞室初始应力和材料的力学参数进行反演,取得了良好的效果。

机器学习的方法是利用训练好的模型的泛化能力进行材料参数“预测”,主要方法是采用有监督学习的神经网络或支持向量机模型,目前该类方法成为大坝材料参数反演的热点。

1.5.2 问题和讨论

大坝参数反演本质上是一个不适定问题,涉及解的存在性、唯一性和稳定性等数学问题,目前在大坝多分区材料参数、非线弹性、粘性和塑性反演等方面的研究,还需要加强。另外对于多参数、多重屈服面问题,反演问题会变得更加复杂。

1.6 安全综合评价

1.6.1 现状及进展

大坝安全综合评价方法主要有基于SL258-2000《水库大坝安全评价导则》的综合评价方法及基于专家系统的评价方法。前者从工程质量、运行管理、水文复核、结构安全、渗流安全、金属结构和抗震安全等进行;后者主要应用数值模型和实测资料,应用力学、水工结构、人工智能、模糊理论的综合评价方法对大坝安全进行综合评价。综合评价方法包括神经网络、层次分析、物元可拓和粗集(Rough set)等方法。采用单一方法进行的安全评价主要包括如下3种:

1)以朱伯芳、张国新等为代表[16]的基于数值仿真的大坝安全评价,主要采用弹塑性有限元等数值模拟方法建立大坝(包括基础)的数值模型,通过对大坝整个施工和运行期的结构和加卸载过程的数值模拟,通过屈服、开裂和扩展及滑动失稳定等准则分析大坝安全。

2)以杨强、金峰、周伟、常晓林等为代表[17]的考虑大坝极限承载力的大坝安全评价方法,主要采用极限分析方法,如强度储备和超载方法等对大坝安全进行综合评价,通过变形突变、塑性区贯通和计算不收敛等准则判断作为临界状态,通过强度折减或超载系数判断大坝的安全状况。

3)以赵国藩[18]、金伟良[19]、刘宁[20]等为代表的可靠度和随机有限元方法,是以可靠度理论为基础,通过建立极限状态方程,应用响应面、分枝约界或重要性抽样等方法计算结构体系可靠度,或将大坝荷载、材料参数和几何尺寸等作为随机变量(过程)或随机场处理,通过随机有限单元法计算大坝可靠度。

大坝安全评价的方法还包括基于损伤力学、细观力学和安定性分析方法等,此外基于能量耗散、突变理论、Lyapunov指数和加卸载响应比等安全评价方法也在一定程度上得到研究。

风险分析方法是系统可靠度分析的推广,是一种既考虑结构的强度和稳定破坏,又考虑非荷载因素和下游损失、预警时间的综合分析方法,目前已有文献将风险分析方法用于大坝的风险分析。

1.6.2 问题和讨论

综合评价最终往往转化为求取各类影响因素的权重问题,这在很大程度上依赖专家的经验,其与量纲、相关性等问题紧密相关。

数值仿真方法对加载过程、卸载效应、数值模型、本构关系、屈服准则的依赖性及计算量都比较大。

可靠度分析方法适应范围比较广,但在一定程度上存在计算复杂度问题,特别是针对多失效模式、变量相关、非高斯分布等问题,因此目前对系统可靠度的研究还不成熟。

实际上大坝破坏是一个损伤逐步积累、材料逐步老化,量变到质变的过程。受材料分布、加载方式等因素的影响,既存在多种失效模式,也存在渐变和突变不同的失效形式,涉及静动力耦合、多时间尺度和多几何尺度耦合,因此进行大坝安全动态多尺度分析评价是下一步大坝安全评价的研究发展方向。

1.7 运行反馈分析

1.7.1 现状及进展

国内较早利用实测资料建立反馈控制的是桓仁大坝,后来陈村等大坝也利用实测资料建立了相应的运行控制条件,以确保大坝安全。在反馈分析中实测资料的作用主要包括反演材料参数、确定临界荷载和推断最不利荷载组合。在反馈分析中还需借助数值分析方法,利用各种屈服准则、扩展准则、抗滑稳定、渗透破坏等临界条件。根据不同的破坏模型,从而求得允许荷载的交集是大坝反馈分析基础。对于不同的荷载组合及加载速率,损伤和破坏速度和部位是不一样的。

1.7.2 问题和讨论

目前反馈分析方法大多建立在统计模型和数值计算的基础上,统计模型要求样本来自同一总体,数值计算目前只能做到单一过程或有限工况的模拟。随着水资源合理利用问题的提出,基于结构实际动态安全度的水位动态控制方法研究是我们必须面对的课题。

2 几个关键问题

2.1 力学基础

大坝安全问题本质上是一个力学问题,即使由于运行管理水平低下,最终导致洪水漫顶冲刷或溃坝也是由于大坝结构在水荷载作用下的破坏。为此,加强大坝力学问题的研究是做好大坝安全监控的基础,具体包括:1)熟悉非饱和土力学、有效应力理论可以加深对渗压计测值物理意义的理解;2)熟悉水动力学可以更好地理解冲刷淤积及结构振动对大坝安全的影响;3)理解结构的卸荷破坏可以更好地降低大坝安全风险;4)结构的本构关系选择直接关系到混合和确定性2个模型的建立,以及应变局部化现象的描述;5)理解非应力变形等是拟定大坝安全监控指标所必须考虑的;6)建立动静荷载长期和多场耦合作用下的材料屈服和破坏准则对大坝安全数值模拟具有决定性意义。

2.2 数据处理

大坝安全实测资料的处理涉及实测资料的物理意义、噪声、动态、非平稳、非正态、小样本等问题,在大坝综合分析和建模中涉及量纲、权重、矛盾证据、数据降维、巡查信息定量化、自然语言理解和数据同化等问题。另外在资料分析中如何正确考虑初始应力、损伤、变形(仪器安装前未测量变形)等对结构安全评价的影响也是一个十分重要的问题。

2.3 标准体系

大坝安全监控研究的最终目的是为建立相应的标准体系服务。目前大坝安全监测标准和规范还需要进一步梳理以实现体系协调,如目前还比较欠缺的监测标准和规范包括:测点符号、小坝安全监测与评价等标准,抽水蓄能电站水道及其附属建筑物安全监测与评价、平原水库大坝安全监测、地下厂房及洞室安全监测与评估、水闸及闸门安全监测与评估等技术规范,以及大坝安全监控模型技术标准等,同时在规范体系建设中如何考虑监测技术的进步,配套发布监测技术规范编制说明也是大坝安全监控技术推广应用所需要研究的问题。

3 结语

大坝安全监控是一门综合边缘交叉学科,经过数十年的发展,已经取得了大量成果,但也有以下问题需要进一步研究:

1)加强大坝安全监控应充分考虑大坝风险和失效多路径问题。为克服目前点监测信息有限问题,还应该引入新的监测方法,如微震、氡气、微声、声发射监测信息,从而降低由于测点布置不准确带来的漏测问题。

大坝安全监控研究篇2

在大坝安全评价中,存在诸多的确定性因素和不确定性因素.对于大坝安全综合评价中的确定性因素,目前已有一些较为成熟的方法加以分析;对于大坝安全综合评价中的诸多不确定因素,目前尚缺乏成熟的分析方法,一些分析方法正处于探索之中;利用集对分析理论从同异反3个方面综合考虑事物确定不确定因素的`优势,建立了大坝安全集对分析评价模型,为综合评价大坝安全提供了较为科学合理的方法.

作者：廖文来何金平LIAO Wen-lai HE Jin-ping 作者单位：廖文来,LIAO Wen-lai(广东省水利水电科学研究院,广东,广州,510610)

何金平,HE Jin-ping(武汉大学水资源与水电工程科学国家重点实验室,湖北,武汉,430072)

大坝安全监控研究篇3

关键词：实时追踪,ARIMA,大坝变形,安全监测

大坝在正常运行时能起到巨大的效益,但是一旦溃坝会给下游造成巨大的损失,因此,确保大坝安全运行非常重要,应加强大坝安全监测的力度。为了更准确地了解大坝的运行状态,一个重要的方法是建立大坝安全监测模型,并通过分析变形规律,对大坝的安全性进行评价。能否有效地进行大坝变形监测,对保证大坝的正常运行,保障下游人民的生命财产安全具有重要的意义[1,2]。由于在大坝运行的过程中,大坝的变形过程较为复杂,会受到水压力、泥沙压力、扬压力、温度荷载等各种因素的影响,因此,如何建立一种最为优化并具有普遍性的分析模型仍有待研究。

由于在实际工程中,大坝变形实测值的时间序列一般是不平稳的,会有一定的趋势变化。基于此,我们提出建立差分自回归移动平均模型(ARIMA)来对此类不平稳的时间序列的变化过程进行分析。为了提高ARIMA模型的精度以及预测长度,使用了实时跟踪算法对原ARIMA模型进行优化,即提出基于实时跟踪的ARIMA模型,并将其应用于大坝安全监控及预报中。

1 ARIMA模型

1.1 ARIMA模型定义

差分自回归移动平均模型,这是一种时间序列建模的方法,基于对时间序列特征的分析,并由3个参数来建立模型,参数分别为自回归阶数p,差分次数d和移动平均阶数q[3],模型表示为ARIMA(p,d,q)。

对于非平稳的时间序列{ct,t=0,±1,…}差分d次后获得一个平稳的时间序列{xi},满足式(1),模型建立为ARIMA(p,d,q)。

式中:φm(m=1,2,…,p)是自回归模型的系数;θj(j=1,2,…,q)为平均滑动系数;at为白噪声序列。

1.2 ARIMA模型参数的判定

1.2.1 差分化

为了确定非平稳时间序列中d的取值,对时间序列进行差分化。当时间序列的自相关系数(ACF)和偏相关系数(PACF)的序列值趋于稳定时,此时序列是平稳的,否则为非平稳,对于非平稳的时间序列需要通过d次差分得到平稳序列,此时,ACF和PACF趋于稳定且无显著地非零,确定模型的差分阶数为d。

1.2.2 p、q值的确定

确定适合的p、q值,一般通过使用贝叶斯信息准则(BIC)[4]或赤迟信息量准则(AIC)[5],两种准则相比,贝叶斯准则的收敛效果更好,而赤迟信息准则的稳健性较强,对于模型中可能出现的过度敏感的情况可以较好的解决,基于此,可以根据建模的具体情况选择合适的准则,确定模型阶数,从而模型确定。

2 基于实时跟踪的ARIMA模型

2.1 实时跟踪算法对ARIMA模型的优化

在ARIMA模型中,模型阶数的选择对模型拟合及预测的精度的影响较大,为了保证拟合的精度,有时会选择较高阶的模型参数,然而阶数较高会对模型预测长度有所限制。因此,为了在保证模型精度的前提下,提高模型的预测长度,提出使用实时跟踪算法对原ARIMA模型进行优化。

实时跟踪算法的主要思想即等维递补的思想[6],假设时间序列{x1,x2,…,xn},对该时间序列建立ARIMA模型,预测模型的预测步长为k,即通过模型对n个实测值进行拟合来预测n时刻后的值{xn+1,xn+2,…,xn+k},由于时间序列{x1,x2,…,xn}是不断更新的,即可以获得之后的k个实测数据,此时将最开始的k个数据去除,即{x1,x2,…,xn},用之后获得的k个数据补充到时间序列中,此时,更新的时间序列为{xk+1,xk+2,…,xk+n},对更新的时间序列重新建立ARIMA模型,进行下一步的预测,保持时间序列等维,以此类推,不断加入最新的实测数据,去除旧数据,构成了动态预测的ARIMA模型群,即为等维递补预测模型。

2.2 基于实时跟踪的ARIMA模型建模步骤

大坝变形的监测量一般为非平稳的时间序列,建立基于实时跟踪的ARIMA的大坝变形监控模型建模流程如下:

步骤1。对时间序列进行平稳性检验,得到差分阶数d,首先,初步判断时间序列的平稳性,可以通过时间序列的折线图初步估计,然后通过相关图法以及ADF单位根检验判断序列的平稳性,对不平稳的时间序列,通过差分变换进行平稳化,得到差分次数d。

步骤2。模型的定阶,即确定模型的p、q值。本文采用BIC准则(贝叶斯准则)[8]确定模型中的p、q值。其表达式为:

式中:N为样本总数;σk2为方差的估计。

步骤3。模型的阶数确定后,可以通过统计学的相关方法计算得到模型参数[7],比如最小二乘,矩阵估计等,得到参数后,检验at是否为白噪声序列,不是则必须再次估计,直到at满足要求,完成ARIMA模型的建立。

步骤4。使用建立好的模型对大坝变形数据进行拟合预测。即通过前n个实测值预测未来k个时刻的变形值。

步骤5。对时间序列进行等维递补,即加入最新实测的k个变形值,去除最前的k个变形值,保持时间序列的长度不变,建立新的ARIMA预测模型。以此类推,不断更新数据,得到动态预测的ARIMA模型群,直到预测长度满足预测要求。

基于实时跟踪的ARIMA模型流程图如图1。

3 工程实例

本文以国内某水电站枢纽为例,该坝为混凝土双曲拱坝,通过布置正垂线对大坝进行监测,选取该大坝坝顶某点2012年7月1日-8月15日46组的原始位移观测值,将这些数据分为两部分:前40组数据用于建模拟合;后6组数据用于预测,检验模型的精度。该大坝位移测点的时间序列,如图2。

对该时间序列进行平稳性分析,分析ACF和PACF值的变化趋势,未差分前的值如图3所示。

由图3可见,该序列的ACF值和PACF值的大多数都超出了置信区间,为不平稳的时间序列,因此,对原序列进行一次差分计算,差分后的时间序列见图4,差分后的ACF系数和PACF系数见图5。

经过一次差分,可见大坝变形的一次差分序列围绕某值上下波动且趋于稳定,ACF系数和PACF系数的波动也在置信区间范围内,因此,认为原序列一次差分后为平稳序列,基于此,d定为1。

确定差分次数d后,使用BIC准则确定模型阶数,从低阶到高阶依次计算BIC值,具体计算结果见表1。

由表1可知,p=4,q=4时BIC值最小,故该ARIMA模型的p值取4,q值取4,即建立ARIMA(4,1,4)模型,对实测数据进行拟合及预测,拟合曲线见图6,计算拟合及实测值的残差序列,如图7。

为了保证拟合的精度,在选择模型阶数时选值较大,由图7可以看出,拟合的残差值都在1.5 mm内,精度较高,但是该模型却对预测的长度有所限制,为了在保证模型精度的同时增加预测的长度,采用实时跟踪算法对ARIMA模型进行优化,设定模型的预测步长为1,对未来6天的变形值进行预测,将时间序列进行等维递补,保持时间序列的长度不变,建立动态预测的ARIMA模型群。将优化模型与原模型的预测结果进行比较,见表2。

由表2可以看出,基于实时跟踪的ARIMA模型相对ARIMA模型在预测精度上有所提高,更能反映出大坝变形的实际情况,同时优化后的模型对于预测长度的局限性较小,可以进行步长较长的变形预测。

4 结语

本文在ARIMA模型的基础上,使用实时跟踪算法对模型进行优化,建立基于实时跟踪的ARIMA模型,并应用到大坝安全监测中。以某水利工程的变形监测数据作为研究对象进行建模,与原ARIMA模型相比精度有所提高,预测结果较好,更能反映大坝安全性态,同时具有较长的预测步长,其等维递补的思想充分利用了数据的动态信息,值得用于较为复杂的大坝变形安全监控及预报中。

参考文献

[1]顾冲时,吴中如.大坝与坝基安全监控理论和方法及其应用[M].南京:河海大学出版社,2006.

[2]Su Huaizhi,Wen Zhiping,Wu Zhongru.Study on an Intelligent Inference Engine in Early-warning System of Dam Health[J].Water Resources Management,2011,25(6):1 545-1 563.

[3]李经纬,包腾飞.基于ARIMA-GRNN模型在大坝安全监测中的应用[J].水电能源科学,2013,31(7):48-50.

[4]王锋,苏怀智,荆凯.基于ARIMA-ANN的大坝监控模型[J].武汉大学学报,2010,43(5):585-588.

[5]魏武雄.时间序列分析-单变量和多变量方法[M].2版.北京:中国人民大学出版社,2009.

[6]钱龙霞,刘明国,黄占峰,等.基于自相关性分析的等维灰数递补动态预测模型及其应用[J].北京师范大学学报(自然科学版),2008,44(6):640-644.

大坝安全监控研究篇4

横江水库位于揭西县河婆镇新四管区，榕江南河上游左岸的一级支流横江水中游，距揭西县城10km，属揭阳市管中型水库。水库集雨面积155 km2，总库容7407万m3。水库工程由枢纽建筑物和灌区工程两大部分组成。枢纽工程有均质土坝，最大坝高46.7m，坝顶长度300m，坝顶宽8.0m;开敞式溢洪道，4扇弧形钢闸门(高8.2m宽10.0m), 2×22.5t卷扬机4台，挑流消能;发电引水隧洞径3.0m，长160m，深水平板钢闸门一扇(2.7m×2.7m), 2×22.5t卷扬机一台;坝后式电站一座装机容量4250kw (3×1000 kw+1250 kw);灌溉输水管两条，内径1.65m，塔式进水口设深水平板钢闸门2扇(高1.85m×宽2.6m), 50t卷扬机2台;备用柴油发电机组一台(90 kw)。灌区建筑物主要有涵头、干渠、渡槽、反虹管、排水闸等组成。

（二）系统建设目的

建设横江水库自动化监控与管理系统的目的是应用高新技术实现水库枢纽工程运行管理信息化、水、雨情实时监测、水工建筑物安全监测、防洪安全监控、闸门调度与自动控制、兼顾防灾、安全和水资源可持续利用的水资源管理以及库区图像监视。实现水利工程现代化管理，保障工程与被保护地区安全，提高水资源利用水平，充分发挥水库工程的安全效益和社会经济效益。

（三）系统结构

系统由测控网络、计算机局域网和远程互联网联接现场监控层、水库管理处工程管理层和上级管理层。系统整体结构图如下图：

1. 测控网络。

现场设置4个RTU远程监控单元，采集水位计、雨量计、闸位计、垂直位移及其温度补偿传感器、水平位移传感器、渗流量仪以及渗压传感器、闸门状态等信号，同时对闸门进行控制。为了使测控系统具备开放性、易维护和可扩展，所有传感器的输出信号均为标准信号。

中控室与远程监控单元之间采用以太网络进行通信，以太网连接到管理处内部网。使用接口自屏蔽技术，自动屏蔽、切换测控网络中的故障节点，保证网络系统安全运行。

2. 水库管理处计算机局域网。

以横江水库管理处中控室为中心建立计算机局域网。局域网中连接服务器、在线监测计算机、视频监控计算机和其它工作站。采用快速以太网技术和TCP/IP网络协议，实现底层测控网络与上层网络之间以及网络中各计算机之间的信息交互。

服务器上配置windows 2003 server网络操作系统、SQL数据库管理系统和自研的远程查询系统。通过网络和数据库管理系统实现数据资源共享。服务器上还配置信息管理系统。在线监测机配置监控软件系统、视频监控计算机配置视频监控软件系统。

3. 远程互联网。

通过网络实现信息交互是水利工程现代化管理和水利信息化的必然趋势和必由之路，也是建立水库大坝安全监控与信息管理系统的必要手段。本系统在横江水库管理处局域网服务器上建立远程查询系统，实现远程/异地信息交互与信息应用。采用ASP (Active Server Pages) 技术，在网络服务器上建立动态网页。市局和上级管理中心以及远在外地的领导与管理人员，可通过互联网和浏览器，远程访问水库管理处现场系统服务器。服务器端按照客户浏览器端的要求，将本地水雨工情以及水库大坝实时安全度等信息返回给客户端，为领导和管理人员提供管理调度远程决策支持。

（四）系统功能

1. 在线监控系统。见功能框图。

(1)水雨情监测、防洪警戒和大坝安全实时监控。水雨情监测信息是水库安全管理、泄洪监控、防汛、水库兴利运用以及区域防汛、防旱统一调度的重要依据。

系统设置1个水位遥测点，用来测量库区水位，在引水涵闸门启闭房上设置遥测雨量计、遥测大气温度计。这些测点与设置在引水闸的现场监控终端PLC连接。

此外，保留现有人工观测的蒸发量仪，观测数据由人工输入计算机。

监控机执行值班监控时定时(汛期每隔5～10分钟，非汛期每隔20～30分钟)采集水位和降雨量，定时或当水位、雨量有单位值变化时启动数传电台向市三防发报(备留功能);将实时水雨情数据存入网络数据库。定时进行水情预报作业(如图)。

通过实时监测水雨情，实行防洪警戒。当预测来水量和坝前水位要超过警戒值时，监控机声光示警，驱动防洪决策支持模块，进行调洪演算，给出泄洪方案，包括泄洪流量、闸门开度、泄洪历时以及应采取的安全措施，同时为管理员提供修改泄洪方案有关数据资料。泄洪方案经批准后，监控机连接闸门自控系统，对泄洪闸进行控制。在泄洪过程中对水情和泄洪数据进行过程监控。需要时管理人员可中途人工干预改变泄洪状态。

监控机值班过程中还对大坝安全关键监控点定时监测，实时安全预报和评判安全度，超安全监控指标时发出警报。

(2)渗流监测。通过渗流监测和分析，判定大坝稳定性以及防渗、排水和反滤设施的运行状况。积累监测资料建立安全监控模型后，结合水情监测进行实时安全监控。当监测值超出安全监控指标时，系统将发出警报。此时需要结合坝面位移监测资料，分析坝坡稳定性。判定有异常现象时，要加强巡视，注意渗流出逸点状况。

通过浸润线监测，可判断大坝渗流是否正常，坝坡是否稳定，防渗设施是否有效，坝体内是否出现裂缝，并可验证大坝加固工程施工后的效果。

浸润线监测利用大坝近期除险加固时新建的3排浸润线断面共9个测压孔。

各测压管在坝体与岸坡接触面以下为进水管段。进水管段下端应伸入至岸坡弱透水层内。进水段以上孔壁与测压管外壁之间须回填粘土封堵。其余有关钻孔、埋管技术要求与浸润线测压管相同。

采用采用了一种新型的渗压监测设备测量测管内的渗压水位。

2. 信息管理软件系统。见功能框图。

3. 闸门控制系统。

闸门监控对象包括：溢洪道泄洪闸四扇弧门(8.2×10)、发电引水涵洞一扇深水平板门(2.7×2.7)和灌溉引水涵洞一扇深水平板门(1.86×2.6)。

控制装置包括手动控制装置、可编程控制器、卷扬机供电装置等。控制系统具备闸门控制、故障诊断、闸位监控、机电设备工况监测、数据初步处理、报警等功能。

闸门控制分二级权限：第一级手工操作具有较高优先级，终端只完成数据采集与上报;第二级控制由上位机发送指令，对闸门进行操作。

系统依据水情监测与预报信息、闸门运行操作规程以及横江水库的调度预案，由防洪调度模块给出泄洪调度方案并经核准后，监控上位机将闸门开度等信息传送给闸门控制系统，驱动闸门控制系统执行自动调控，需要时管理人员可通过计算机直接下达指令对闸门进行控制。监控系统对水、雨情变化和调控过程进行过程监控。

4. 防雷系统。

水利工程位于野外，容易遭受雷击;汛期更是雷击频繁，影响安全监控系统的正常运行。因此必须提高监控系统的防雷避雷性能。本系统的防雷系统设计，在内部采用屏蔽技术、光电隔离、浮空等措施，提高系统本身的防雷性能;在系统外部，根据监水利工程监控系统特点，加设避雷装置和地网，构造完整的防雷系统。防雷系统结构见示意图。

（五）系统运行

揭阳市横江水库大坝安全监控与管理系统自2004年11月开始建设，到2005年9月正式投入运行，建设时间总共约10个月。其中，土建和硬件建设耗时时间较长，到2005年7月，系统才正式进入全面调试。

在横江水库，工程采用了一种新型的渗压监测设备，其是利用机械编码水位计经过加工改造而成。在调试渗压系统当中发现，在横江水库使用的测量设备比较稳定，而且测量数据也比较准确、稳定，较以往使用的压阻式传感器有较高的稳定性和防雷性。经过比较，设备测量所得的数据和实际测量的数据误差在0.5cm以内，完全达到设计要求。

从运行情况来看，在线监控、信息管理、闸门控制、水资源管理调度和防雷等子系统都已发挥其功能，远程控制通信功能正常，控制指令传输正常、可靠，设备运行状态良好，数据传输正常、准确。

揭阳市横江水库大坝安全监控与管理系统经过近一年的建设，系统已达到设计要求，符合规范标准，已于2005年10月通过了验收。

摘要：通过运用当今最新的计算机和通信技术来实现对大中型水库水安全的科学化管理。

关键词：大坝,监控,管理系统

参考文献

[1]周明.现场总线控制.中国电力出版社, 2002.

[2]马国华.监控组态软件及其应用.清华大学出版社, 2001.

[3]周志敏, 周纪海, 纪爱华.电子信息系统防雷接地技术.人民邮电出版社, 2004.

大坝安全监控研究篇5

近些年建成或在建的大坝规模越来越大,如二滩、向家坝、锦屏一级、溪洛渡等[1]。因此,建立大坝安全自动化监测系统,分析变形规律及时进行预报至关重要。许多学者对此进行了研究:杨杰等[2]利用误差逆传播算法的BP神经网络模型对大坝位移监测数据进行拟合及预报研究;何鲜峰等[3]对实测数据与确定性分量预测结果的残差序列进行分析,把混沌分量预报模型和分形预测模型叠加构成混合预测模型;闫滨等[4]把单纯形法嵌入遗传算法并与神经网络有机结合,构成遗传单纯形神经网络算法模型;何政翔等[5]把模糊聚类和多元逐步回归法进行结合对大坝变形资料进行分析并作出预报;此外还有多尺度小波分析的自回归预测[6],小波消噪与BP神经网络[7]结合等预测方法。

大坝监测系统既含已知信息,又有确定、未确定的信息,因此可以把大坝看成一个灰色系统。灰色理论用于预测的模型主要是GM(1,1),它可对时间短、数量少、波动性不大的数据序列建模,预测效果良好。BP神经网络在较大量训练样本数据的基础上才可以准确地反映非线性函数的映射关系,这在大坝蓄水初期是较难实现的。而马尔可夫链预测理论是通过状态之间的转移概率来推测系统未来发展变化的,适用于数据随机波动性较大的情况[8]。本文结合3者的优点,构建灰色神经网络-加权马尔可夫链预测模型,首先利用灰色神经网络对少量样本数据进行非线性拟合,揭示大坝水平位移的整体变化趋势,然后将其相对误差作为随机波动数据序列,利用加权马尔可夫链确定相对误差的转移概率来修正模型预测值,提高预测精度[9]。

2 灰色神经网络-加权马尔可夫链预测模型的构建

由于原始数据数量的有限性,数据本身的波动性和无序性,欲将灰色模型预测精度控制在一定范围内比较困难。神经网络需要大量数据才能取得良好的预测效果,故引入灰色理论构建灰色神经网络模型可减少对样本数量的依赖。虽然灰色神经网络模型在小样本数据预测中优于传统GM模型,但一些预测值的相对误差较大,难以满足预测要求[10],而马氏链适用于数据波动性较大的预测问题。

2.1 GM(1,1)模型

记原始序列X(0)={x(0)(k1),x(0)(k2),…,x(0)(kn)},x(0)≥0,k=1,2,3,…,n,X(1)为X(0)对原始数据作一次累加:

x(0)(k)+a x(1)(k)=u为GM(1,1)的基本形式,再构造数据矩阵和数据向量利用最小二乘法计算,求解参数^a,即:

GM(1,1)模型为:

对计算值做累减计算,便可得到原始数据的估计值,即:

GM(1,1)模型预测值与实际值的相对误差为:

式(5)反应的是拟合值与原始值的偏离程度。

2.2 灰色神经网络模型

对灰色系统原始数据系列X(0)={x(0)(1),x(0)(2),…,x(0)(n)}进行一次累加,可得新数据系列X1(0)={x1(0)(1),x2(0)(2),…,xn(0)(n)}并且呈现一定的指数增长规律,因此可用连续函数或者微分方程对数据系列进行拟合和预测。为表达方便,将原始数列X(0)用x(t)表示,数列X1(0)用y(t)表示,预测结果用z(t)表示。

n个参数的灰色神经网络模型的微分方程表达式为:

式中:y2,…,yn为系统输入参数;y1为系统输出参数;a,b1,b2,…,bn-1为微分方程系数。

式(9)的时间响应式为:

令:

式(10)可以作如下转化:

将转化后的公式用扩展的BP神经网络进行映射得到n个输入值、1个输出值。网络拓扑结构如下图1所示。

图1中,t为输入参数序号;y2(t),…,yn(t)为网络输入参数;ω21,ω22,…,ω2n,ω31,ω32,…,ω3n为网络权值;y1为网络预测值。

2.3 加权马尔可夫链预测的基本步骤

根据实测资料建立训练样本,利用灰色神经网络可拟合出一条非线性函数曲线,确定大坝变形的趋势,然后利用马尔可夫链的“无后效”性分析相对误差的波动规律,修正预测值。对几种传统马尔可夫链预测方法的对比研究表明:加权马尔可夫链预测理论在数据序列随机波动性较大的预测中精度最高[11]。

根据马尔可夫链理论,首先计算灰色神经网络模型ε(k)的转移概率矩阵,然后对同一状态下的概率进行加权求和,其最大值对应的状态即为加权马尔可夫链的预测状态,并依此对灰色神经网络模型结果进行修正[12]。具体步骤如下。

(1)计算预测值相对误差ε(k)的均值珡X,均方差,建立相对误差ε(k)的分级标准。把ε(k)分成5组,其变化区间可表为:

,α1可在[1.0,1.5]中取值,α2在[0.3,0.6]中取值。即将ε(k)划分为5个状态,若ε(k)∈[11i,a2i),i=1,2,…,5,则该相对误差处于第i状态。

(2)按(1)所建立的分级标准,确定各拟合值相对误差所对应的状态。

(3)“马氏性”检验。通常用χ2统计量来检验随机离散序列的马氏链。设所讨论的序列包含m个可能的状态,(fij)ij∈E代表状态转移频数矩阵,将(fij)ij∈E的各列之和除以各行各列的总和得到“边际概率”,记为:

当m充分大时,统计量服从自由度(m-1)2的χ2分布,给定置信度α,查表可得χ2[(m-1)2]。如果χ2>χ2[(m-1)2],则认为通过检验,否则不通过。

(4)计算各阶自相关系数。即:

式中:rk为第k阶自相关系数;xl为第l时段的相对误差;n表示相对误差序列长度。

对各阶相关系数规范化:

作为各种步长的马尔可夫链的权重。

(5)用频率作为状态i经K步转移到状态j的K步状态转移概率的近似值,则转移概率矩阵为:

(6)以离预测值最近的K个相对误差值为初始状态,根据其相应的转移概率矩阵即可预测该时段相对误差的状态概率pi(K),i∈E,K为步长,K=1,2,…,m。

(7)确定预测状态。对同一状态的各预测概率进行加权求和,得到相对误差的转移概率为:

max{pi,i∈E}所对应的状态为该时段相对误差的预测状态。

(8)利用状态特征值结合线性插值的方法对预测值进行推断[13],先计算状态特征值:

其中β>0为调整因子,正常情况下i≤μ≤i+1,设对应状态i的区间下限为x,上限为。则预测值用下限法计算:

也可用上限法:

(9)对后续时间预测,将前一时间预测值加入原序列中重新构置马尔可夫链,重复步骤(1)~(8)可进行预测。

3 实例分析

某水电站大坝为碾压混凝土重力坝,位于福建省境内,该工程除发电外,在防洪、航运、水产养殖等方面也发挥着效益。水电站建成后,是闽西南最大水电站,也是省网主要电源之一,可以担任省网调峰、调频任务,同时对增加网内有调节能力的水电比重发挥作用,改善了省网电源北重南轻布局。

3.1 预测因子的选择与处理

根据文献[14]可知,水压、温度和时效是影响碾压混凝土重力坝水平位移的3类因子,其中水压分量因子4项:(H-H0)、(H-H0)2、(H-H0)3、(H-H0)4(H0、H分别表示是开始监测日期和监测过程中日期的上游水头);温度分量因子取正弦、余弦谐波因子各2项,分别为(i=1,2,t为监测总天数,t0为第1个监测日期到开始监测日期的总天数);时效分量因子2项,即θ-θ0、lnθ-lnθ0(θ为t除以100,θ0为t0除以100)。

为加快学习的速度,可对训练样本数据按如下公式进行归一化处理:

式中:Xmax、Xmin分别表示每组样本数据的最大、最小值。

3.2 灰色神经网络的大坝变形预测结果

根据4号坝段PL7正垂线方向(上下游方向为正)位移监测资料建立灰色神经网络模型。选取蓄水初期2003年11月14日至2003年12月20日的实测数据作为训练样本用于拟合计算,共37组,取12月20-26日6组数据作为预测样本,评价模型的预测性能。

根据原数据序列建立灰色神经网络模型并运用Matlab程序训练、预测,预测结果如表1所示。

从表1中可以看出,灰色神经网络适应于小样本预测,但某些相对误差相对较大,因此可用加权马尔科夫链理论对结果进行进一步修正。

3.3 加权马尔可夫链拟合及预测结果

(1)计算相对误差ε(k)(如表3所示)的均值珡X=0.59,均方差s=2.47,这里取α1=1.1,α2=0.5,则ε(k)的分级标准为[-4.5,-2.13],[-2.13,-0.645],[-0.645,1.825],[1.825,3.13],[3.31,6.5],分别命名为状态1、2、3、4、5。

(2)根据状态区间确定各拟合值相对误差对应的状态如表2中“5”纵栏所示。

(3)不妨直接对37组相对误差作马氏性检验,根据步骤(5)和表2的资料可计算进一步状态转移频数矩阵和一步转移概率矩阵:

,给定显著性水平α=0.05,查表可得χ2α[(5-1)2]=χ20.05(16)=26.296,显然χ2>χ2[(m-1)2],故相对误差序列满足马氏性。

(4)根据步骤(4)计算各阶自相关系数,如表3所示。

(5)根据步骤(5)计算相对误差的K步状态转移概率矩阵p(K):

(6)由上述计算结果和历史数据对12月21日水平位移进行预测。根据步骤(5)-(7)计算相对误差处于i状态的预测概率pi,结果见表4。可知,对应状态为3,状态区间为[-0.645,1.825]。

(7)通过试算取β=1.3,由式(14)可得状态特征值μ=3.806 7。用下限法计算公式(15)可得2003年12月21日水平位移预测值

。此时与实测值的相对误差只有-0.168%。

同理,将计算出的预测值加入原序列中重新构置马尔可夫链,重复过程(1)-(7)计算得2003年12月22日-2003年12月26日的预测值,相对误差范围为0.055%~1.625%,精度较高。本文又采用GM(1,1)模型进行对比预测,结果见表5和图2。

通过对比3种方法的预测结果,可知灰色神经网络-加权马尔可夫链模型的预测误差显著降低,实测值与预报值更为接近,预测精度优于其他两种模型,为小样本、波动性大的数据预测提供了新的方法参考。

4 结语

本文针对蓄水初期阶段大坝监测数据有限且波动性大的特点,结合灰色理论适应于小样本、BP神经网络高效准确拟合非线性函数、马尔可夫链适应于波动性比较大数据的优点,建立了灰色神经网络-加权马尔可夫链模型。通过某碾压混凝土坝4号坝段蓄水初期水平位移监测资料进行预测,结果表明该模型对小样本、数据序列波动大进行预测精度较高。由本文还可得到如下结论。

(1)灰色神经网络-加权马尔可夫链模型不仅可对大坝变形进行短期高精度预报,随着监测数据的增加也可为中长期预报提供理论方法。

(2)在完成一步预测后,将预测信息重新加入原模型进行下一步预测,可对资料数据进行动态更新,跟踪大坝变形的发展变化趋势,也提高了预测精度。

摘要：大坝蓄水初期监测资料有限且波动性大,坝体结构处于适应变形的危险阶段。基于这种情况,结合灰色理论、神经网络和加权马尔可夫链理论的优点,构建灰色神经网络-加权马尔可夫链的大坝变形监控模型并对某碾压混凝土坝蓄水初期水平位移进行预测。结果表明,该模型解决了样本数据少、波动性大的问题,拟合效果较好,预测精度较高。

大坝安全监测运行效率保障技术研究篇6

1 在服务器端建立视图

在SQL Server 2000服务器端对涉及到高频刷新的数据库表建立视图 (View) , 将客户端需要的数据建立在视图中。将客户端的负担在服务器端运用DBMS机制以最优的方式实现, 显著地减小了客户端与服务器端的数据交换量, 极大地增强系统的运行效率。

例如, 在辽宁省汤河水库大坝安全自动化监测项目中, 曾出现过数据量过大, 造成系统实时报警功能效率急剧降低, 导致系统运行效率低下甚至引起系统崩溃的问题。经研究采用上述思想对原系统进行改造如下。

在SQL Server服务器端建立视图newdata, 见图1。

在视图newdata中将动态保存最近3 d内的观测数据。实际上客户端的程序在进行监测数据报警时关心的只是近几日的监测数据, 所以此改造在增强系统效率的同时, 并不影响报警功能的实现。

2 交叉表的应用

在对监测数据进行分析的过程中, 往往需要对同一时间的数据进行比较和分析, 才能得到一定的结论。但是每个项目的监测点的数量不一致, 而且采集的时间也是不同步的。开发出通用的分析评价系统对观测数据进行显示和分析比较复杂, 本研究利用交叉表技术对数据库中的观测数据进行转换, 形成满足分析要求的数据表结构。

交叉表是一种常用的分类汇总表格。使用交叉表查询, 显示源于表中某个字段的汇总值, 并将它们分组, 其中一组列在数据表的左侧, 另一组列在数据表的上部。行和列的交叉处可以对数据进行多种汇总计算, 如:求和、平均值、记数、最大值、最小值等。使用交叉表查询数据非常直观明了, 被广泛应用。交叉一般来讲是分组统计的一种, 形式更复杂, 显示更清淅, 交叉表查询也是数据库的一个特点。但数据库本身并没有提供实现交叉表的功能, 自己创建交叉表不仅要对过程、游标、临时表、动态SQL等非常熟悉, 而且思路也要清淅。利用数据库的查询分析器进行编写代码后可自动生成交叉表, 然后在视图中运行, 从而获得转换后结构的数据表。主要代码如下:

DECLARE@str Sql as varchar (8000) , @strtj as varchar (8000) , @str Tmp Col as varchar (100) ,

@str Tab Name as varchar (50) ,

@str Col as varchar (50) ,

@str Group as varchar (50) ,

@str Number as varchar (50) ,

@str Sum as varchar (10)

set@str Tab Name=″--此处放表名

set@str Col=″--表头分组依据字段

set@str Group=″--分组字段

set@str Number=″--被统计的字段

set@str Sum=″--运算方式

EXECUTE (′DECLARE corss_cursor CURSOR FOR SELECT DISTINCT′+@str Col+′from′+@str Tab Name+′for read only′) --生成游标

begin

SET nocount ON

SET@strsql=′select′+@str Group--查询的前半段

SET@strtj=′where′--查询的条件

OPEN corss_cursor

while (0=0)

BEGIN

FETCH NEXT FROM corss_cursor--遍历游标, 将列头信息放入变量@str Tmp Col

INTO@str Tmp Col

if (@@fetch_status<>0) break

begin

SET@strsql=@strsql+′, ′+@str Sum+′ (CASE'+@str Col+′WHEN′′′+@str Tmp Col+′′′THEN′+@str Number+′ELSE Null END) AS[′+@str Tmp Col+′]′--构造查询

set@strtj=@strtj+′ ([′+@str Tmp Col+′]is not null) and′

end

END

set@strtj=@strtj+′1=1′

SET@strsql=@strsql+′from′+@str Tabname+′group by′+@str Group--查询结尾

print@strtj;

print@strsql

EXECUTE (@strsql) --执行

CLOSE corss_cursor

DEALLOCATE corss_cursor--RETURN 0--释放游标, 返回0表示成功

end

3 触发器刷新机制

传统的客户端以实时监测服务器端数据变化为触发方式, 即每隔一较短的固定时间周期对服务器进行数据刷新, 即使服务器端没有新数据入库, 这一过程仍然进行, 造成客户端和服务器端通讯数据、管理数据的沉重负担。触发器刷新机制是对服务器端的updata事件建立触发器 (trigger) , 即只有当服务器端数据库数据有更新时, 客户端才进行数据刷新, 从而大幅提高了通讯效率[4,5]。

4 数据转储机制

运用数据转储机制, 将服务器中利用率较低的历史数据联机转储到其他数据库服务器中, 并与本地服务器建立镜像, 待系统客户端使用数据时运用ODBC技术实现无缝连接。

5 结语

大量工程实践表明, 通过以上几方面的改进, 系统的效率有显著的提高, 有效地避免了系统负担过重而产生的系统假死、崩溃等效率问题的产生。该技术应用在辽宁省大伙房水库大坝安全监测系统中, 实现了利用一台普通计算机实现采集、分析、发布功能, 系统运行效率提升显著。

摘要：对大坝安全监测自动化监测系统的运行保障技术的原理和工作方式进行介绍, 主要包括采用数据库视图、触发器技术、交叉表技术和转储机制, 实现在线监测系统长期高效运行保障, 取得了良好的应用效果。

关键词：大坝安全监测系统,高效运行,保障技术

参考文献

[1]吴文彬, 陈亮雄, 林时君, 等.曾坑水库大坝安全鉴定分析[J].广东水利水电, 2011 (1) :49-51.

[2]袁明道, 杨光华, 鄢丽丽.广东省大中型水库大坝现状简析及安全管理对策初探[J].广东水利水电, 2011 (1) :10-14.

[3]孙振丹, 汪迎春.丹江口大坝安全监测系统数据统计模型分析[J].长江工程职业技术学院学报, 2001 (4) :30-33.

[4]赵玉芹, 贾忠清, 黄九权, 等.平原水库大坝安全监测[J].水科学与工程技术, 2010 (5) :76-78.

大坝安全监测数据分析方法研究篇7

大坝所具有的潜在安全问题既是一个复杂的技术问题, 也是一个日益突出的公共安全问题, 因此, 我国对大坝安全越来越重视。随着坝工理论和技术的不断发展与完善, 为了更好地实现水资源的进一步开发利用, 我国的大坝建设正向着更高更大方向发展, 如三峡重力坝、小湾拱坝 (最大坝高294.5 m) 、拉西瓦拱坝 (最大坝高250 m) 、溪洛渡拱坝 (最大坝高285.5 m) 等, 这些工程的建设将为我国的经济发展做出巨大贡献, 也将推动我国的坝工理论和技术水平上升到一个新的高度。但是, 这些工程一旦失事, 将是不可想象的毁灭性灾难, 因此, 大坝安全问题就显得日益突出和重要。保证大坝安全的措施可分为工程措施和非工程措施两种, 两者相互依存, 缺一不可。

回顾大坝安全监测的发展历史, 最早可追溯到19世纪90年代, 1891年德国的挨施巴赫重力坝开展了大坝位移观测, 随后于1903年美国新泽西州Boont。n重力坝开展了温度观测, 1908年澳大利亚新南威尔士州巴伦杰克溪薄拱坝开展了变形观测, 1925年美国爱达荷州亚美尼加一佛尔兹坝开展了扬压力观测, 1826年美国垦务局在Stevenson一creek试验拱坝上开展了应力及应变观测, 这是最早开展安全监测的几个实例。我国从20世纪50年代开始进行安全监测工作, 大坝安全监测的作用是逐渐被人们认识的, 赵志仁将大坝安全监测的发展历程划分为以下3个阶段。

(1) 1891年至1964年, 原型观测阶段, 原型观测的主要目的是研究大坝设计计算方法, 检验设计, 改进坝工理论。 (2) 1964年至1985年, 由原型观测向安全监测的过度阶段, 接连发生的大坝失事, 让人们逐渐认识到大坝安全的重要性, 逐步把保证大坝安全运行作为主要目的。 (3) 1985年至今, 安全监测阶段, 此阶段, 大坝安全监测已经成为人们的共识, 随着监测仪器、监测技术和资料分析方法的不断进步、发展与完善, 将逐步实现大坝的安全监控。

2 大坝安全监测数据分析概述

大坝安全监测取得的大量数据为评价大坝运行状态提供了基础, 但是, 原始观测数据往往不能直观清晰地展示大坝性态, 需要对观测数据进行分辨、解析、提炼和概括, 从繁多的观测资料中找出关键问题, 深刻地揭示规律并作出判断, 这就需要进行监测数据分析。

2.1 监测数据分析的意义

大坝监测数据分析可以从原始数据中提取包含的信息, 为大坝的建设和运行管理提供有价值的科学依据。大量工程实践表明:大坝监测数据中蕴藏了丰富的反映坝体结构性态的信息, 做好观测资料分析工作既有工程应用价值又有科学研究意义。大坝安全监测数据分析的意义表现在如下几方面: (1) 原始观测数据本身既包含着大坝实际运行状态的信息, 又带有观测误差及外界随机因素所造成的干扰。必须经过误差分析及干扰辨析, 才能揭示出真实的信息。 (2) 观测值是影响坝体状态的多种内外因素交织在一起的综合效应, 也必须对测值作分解和剖析, 将影响因素加以分解, 找出主要因素及各个因素的影响程度。 (3) 只有将多测点的多测次的多种观测量放在一起综合考察, 相互补充和验证, 才能全面了解测值在空间分布上和时间发展上的相互联系, 了解大坝的变化过程和发展趋势, 发现变动特殊的部位和薄弱环节。 (4) 为了对大坝监测数据作出合理的物理解释, 为了预测大坝未来的变化趋势, 也都离不开监测数据分析工作。因此, 大坝监测资料分析是实现大坝安全监测最终目的的一个重要环节。

2.2 监测数据分析的内容

监测资料分析的内容通常包括:认识规律、查找问题、预测变化、判断安全。

(1) 认识规律:分析测值的发展过程以了解其随时间而变化的情况, 如周期性、趋势、变化类型、发展速度、变动幅度等;分析测值的空间分布以了解它在不同部位的特点和差异, 掌握它的分布特点及代表性测点的位置;分析测值的影响因素以了解各种外界条件及内部因素对所测物理量的作用程度、主次关系。通过这些分析, 掌握坝的运行状况, 认识坝的各个部位上各种测值的变化规律。 (2) 查找问题:对监测变量在发展过程和分布关系上发现的特殊或突出测值, 联系荷载条件及结构因素进行考查, 了解其是否符合正常变化规律或是否在正常变化范围之内, 分析原因, 找出问题。 (3) 预测变化:根据所掌握的规律, 预测未来一定条件下测值的变化范围或取值;对于发现的问题, 估计其发展趋势、变化速度和可能后果。 (4) 判断安全:基于对测值的分析, 判断过去一段时期内坝的运行状态是否安全并对今后可能出现的最不利条件组合下坝的安全作出预先判断。

一般来讲, 大坝监测资料分析可分为正分析和反演分析两个方面。正分析是指由实测资料建立原型物理观测量的数学模型, 并应用这些模型监控大坝的运行。反演分析是仿效系统识别的思想, 以正分析成果为依据, 通过相应的理论分析, 反求大坝材料的物理力学参数和项源 (如坝体混凝土温度、拱坝实际梁荷载等) 。吴中如院士提到通过大坝监测资料分析可以实现反馈设计, 即“综合原型观测资料正分析和反演分析的成果, 通过理论分析计算或归纳总结, 从中寻找某些规律和信息, 及时反馈到设计、施工和运行中去, 从而达到优化设计、施工和运行的目的, 并补充和完善现行水工设计和施工规范”。综上所述, 大坝监测资料正分析中数学模型的研究与应用是实现大坝安全监测及资料分析的目的和意义的基础与根本。

3 监测数据分析方法

大坝安全监测数据分析涉及到多学科交叉的许多方法和理论, 目前, 常用的大坝监测数据分析方法主要有如下几种:多元回归分析、时间序列分析、灰色理论分析、频谱分析、Kalman滤波法、有限元法、人工神经网络法、小波分析法、系统论方法等等。 (图1)

3.1 多元回归分析

多元回归分析方法是大坝监测数据分析中应用最为广泛的方法之一, 最常用的方法就是逐步回归分析方法, 基于该方法的回归统计模型广泛应用于各类监测变量的分析建模工作。以大坝变形监测的分析为例, 取变形 (如各种位移值) 为因变量 (又称效应量) , 取环境量 (如水压、温度等) 为自变量 (又称影响因子) , 根据数理统计理论建立多元线性回归模型, 用逐步回归分析方法就可以得到效应量与环境量之间的函数模型, 然后就可以进行变形的物理解释和预报。由于它是一种统计分析方法, 需要因变量和自变量具有较长且一致性较好的观测值序列。如果回归模型的环境变量之间存在多重共线性, 可能会引起回归模型参数估计的不正确;如果观测数据序列长度不足且数据中所含随机噪声偏大, 则可能会引起回归模型的过拟合现象, 而破坏模型的稳健性。

在回归分析法中, 当环境量之间相关性较大时, 可采用主成分分析或岭回归分析, 为了解决和改善回归模型中因子多重相关性和欠拟合问题, 则可采用偏回归模型, 该模型具有多元线性回归、相关分析和主成分分析的性能, 在某些情况下甚至优于常用的逐步线性回归模型, 例如王小军、杨杰、邓念武等在应用偏回归模型进行大坝监测数据分析时, 还采用遗传算法进行模型的参数估计, 取得了较好的效果。

3.2 时间序列分析

大坝安全监测过程中, 各监测变量的实测数据自然组成了一个离散随机时间序列, 因此, 可以用时间序列分析理论与方法建立模型。一般认为时间序列分析方法是一种动态数据的参数化时域分析方法, 它通过对动态数据进行模型阶次和参数估计建立相应的数学模型, 以了解这些数据的内在结构和特性, 从而对数据变化趋势做出判断和预测, 具有良好的短期预测效果。进行时间序列分析时一般要求数据为平稳随机过程, 否则, 需要进行协整分析, 对数据进行差分处理, 或者采用误差修正模型。例如, 徐培亮利用时间序列分析方法, 对大坝变形观测资料进行分析建模得到一个AR (2) 模型, 并对大坝变形进行了预报, 结果表明具有良好的预测精度。涂克楠、张利、郑箫等也利用时间序列对大坝监测数据进行分析, 有效地提高了模型对实测数据的拟合能力和预测能力。

3.3 灰色理论分析

当观测数据的样本数不多时, 不能满足时间序列分析或者回归分析模型对于数据长度的要求, 此时, 可采用灰色系统理论建模。该理论于20世纪80年代由邓聚龙首次提出, 该方法通过将原始数列利用累加生成法变换为生成数列, 从而减弱数据序列的随机性, 增强规律性。例如, 在大坝变形监测数据分析时, 也可以大坝变形的灰微分方程来提取趋势项后建立组合模型。一般时间序列分析都是针对单测点的数据序列, 如果考虑各测点之间的相关性而进行多测点的关联分析, 有可能会取得更好的效果。1991年, 熊支荣等人详述了灰色系统理论在水工观测资料分析中的应用情况, 并对其应用时的检验标准等问题进行了探讨。同年, 刘观标利用灰色系统模型对某重力坝的实测应力分析证明了灰色模型具有理论合理、严谨、成果精度较高的特点。

3.4 频谱分析

大坝监测数据的处理和分析主要在时域内进行, 利用Fourier变换将监测数据序列由时域信号转换为频域信号进行分析通过计算各谐波频率的振幅, 最大振幅所对应的主频可以揭示监测量的变化周期这样, 有时在时域内看不清的数据信息在频域内可以很容易看清楚。例如, 将测点的变形量作为输出, 相关的环境因子作为输入, 通过估计相干函数、频率响应函数和响应谱函数, 就可以通过分析输入输出之间的相关性进行变形的物理解释, 确定输入的贡献和影响变形的主要因子。将大坝监测数据由时域信号转换到频域信号进行分析的研究应用并不多, 主要是由于该方法在应用时要求样本数量要足够多, 而且要求数据是平稳的, 系统是线性的, 频谱分析从整个频域上对信号进行考虑, 局部化性能差。

参考文献

[1]赵玉芹, 贾忠清, 黄九权, 等.平原水库大坝安全监测[J].水科学与工程技术, 2010 (5) .

水库大坝监控的主要任务与技术要求篇8

1 安全监控的任务

1.1 监测大坝的工作性态

一些破坏实例表明, 大坝出现破坏事故, 一般是有先兆的。对其进行认真系统的监测和检查, 并对观测成果进行分析, 可以及时掌握其工作性态变化, 确定控制运行水位, 保证大坝安全运行。若出现不正常情况, 要及时采取加固补强措施。

1.2 验证设计理论和选用参数

由于水文、地质等条件的复杂性, 目前还不能对影响建筑物安全的所有复杂因素都进行精确的计算, 所以, 在大坝设计中, 一般把结构作适当的简化, 难以确切反映实际情况。在大坝建筑物的适当部位埋设各种仪器, 进行长期观测, 不但能掌握建筑物性态的变化规律, 还能验证原设计理论的正确性和参数选用的合理性。

1.3 检查施工质量

分析施工期的观测资料, 能了解大坝在施工期间结构性态的变化, 为后续施工采取合理措施提供信息, 指导施工, 确保工程质量。

1.4 为完善和修正设计理论提供科学依据

由于影响因素的复杂性, 不管是理论计算还是模型试验, 研究时都要作一定的假定或简化, 对新型或复杂的结构更是如此, 使解答与实际情况存在差异。原型观测资料反映了不同因素对建筑物的影响, 其结果能够弥补理论计算和模型试验的不足, 据此对设计理论和方法进行完善和修正, 能促进技术水平的提高。

1.5 实际问题的注意

在大坝水工建筑物的科学研究中, 需要借助原型观测资料分析, 并与其他方法结合起来, 以解决多方面的实际问题。第一, 预演大坝在运行过程中可能出现的各种现象, 定量预报结构性态的变化规律。第二, 确定安全监控指标, 如变形、裂缝开度、测压管水位、渗流量、扬压力、应力研究, 大坝在各种不同情况下的稳定和强度的实际安全度。第三, 反演坝体和坝基综合或分区物理力学参数, 如弹性模量、线膨胀系数、渗透系数、黏性系数等, 了解其对结构性态的影响程度。第四, 研究大坝在施工运行期的温度场变化规律及其对结构的影响, 为未来建筑物设计反馈信息。第五, 研究岩土边坡的变形规律, 预测滑坡的出现, 为支护加固提供理论依据。第六, 研究泄水建筑物水流对建筑物作用的规律, 确定泄水水流对建筑物的荷载作用, 为正确选用荷载、合理设计提供基础。第七, 研究水库水质变化规律, 为保护环境、保障供水提供科学依据。