基于PSONN的大坝监控实时预报模型

›› 2006, Vol. 27 ›› Issue (S2): 548-552.

基于PSONN的大坝监控实时预报模型

闫滨^1，2 ，高真伟³

1. 沈阳农业大学水利学院，沈阳，110161；2. 大连理工大学土木水利学院，大连 116024； 3. 辽宁省水利厅，沈阳 110003

收稿日期:2006-07-14 发布日期:2006-12-16
作者简介:闫滨，女，1972年生，副教授，博士研究生，主要从事水工建筑物安全监控及评价研究。

Real-time monitoring and prediction model for dams based on particle swarm optimization neural network

YAN Bin^{1, 2}，GAO Zhen-wei³

1. College of Water Conservancy, Shenyang Agricultural University, Shenyang 110161, China; 2. College of Civil and Hydraulic Engineering, Dalian University of Technology, Dalian 116024, China; 3. Department of Water Conservancy of Liaoning Province, Shenyang 110003, China

Received:2006-07-14 Published:2006-12-16

摘要/Abstract

摘要： 将粒子群算法（PSO）引入大坝监测领域，提出一种基于粒子群神经网络（PSONN）的大坝监控预报模型。该模型充分发挥PSO的全局寻优能力和BP神经网络局部细致搜索优势，给BP神经网络提供了良好的初始权值。对逐一粒子群（SPSONN）、整体粒子群（WPSONN）、逐一BP（SBPNN）及整体BP（WBPNN）4种预报模型的对比分析表明：逐一预报模型（SPSONN和SBPNN）的预报精度明显高于对应的整体预报模型（WPSONN和WBPNN）的预报精度；与BP神经网络模型相比，PSONN模型不仅收敛速度明显加快，而且预报精度也有较大提高，尤其是SPSONN模型，其高精度和短历时性完全满足实时预报的需要，可以准确、有效地应用于大坝监测量的实时预报。

关键词: 粒子群算法, BP神经网络, 大坝监控, 实时预报

Abstract: Particle Swarm Optimization（PSO）is introduced in the field of dam monitoring, and then a new dam monitoring model based on PSO Neural Network（PSONN）is put forward. The model makes full use of the global optimization of PSO and local accurate searching of BP Neural Network（BPNN）to provide better initial weights for BPNN. Seriatim PSONN（SPSONN）model, Whole PSONN（WPSONN）model, Seriatim BPNN（SBPNN）model and Whole BPNN（WBPNN）model are compared here, the results show that the seriatim prediction models are superior to those whole models with higher forecast precision. Furthermore, the PSONN models exhibit faster convergence rate, less iterative number and better forecast precision than the BPNN ones. Especially, the SPSONN model is more efficient to satisfy the demand of real-time prediction of dam monitoring.

Key words: PSO, BP neural network, dam monitoring, real-time prediction

中图分类号:

TU 443

闫滨，高真伟，. 基于PSONN的大坝监控实时预报模型[J]. , 2006, 27(S2): 548-552.

YAN Bin ，GAO Zhen-wei，. Real-time monitoring and prediction model for dams based on particle swarm optimization neural network [J]. , 2006, 27(S2): 548-552.

参考文献

相关文章 15

[1]	王洪波，张庆松，刘人太，李术才，张乐文，郑卓，张连震. 基于压水试验的地层渗流场反分析[J]. , 2018, 39(3): 985-992.
[2]	胡军，董建华，王凯凯，黄贵臣，. 边坡稳定性的CPSO-BP模型研究[J]. , 2016, 37(S1): 577-582.
[3]	王开禾，罗先启，沈辉，张海涛. 围岩力学参数反演的GSA-BP神经网络模型及应用[J]. , 2016, 37(S1): 631-638.
[4]	郭庆彪，郭广礼，吕鑫，陈涛，王金涛,. 山区谷底沉陷预测模型及其参数反演[J]. , 2016, 37(5): 1351-1356.
[5]	宋盛渊，王清，陈剑平，李严严，史明远. 岩体结构面的多参数优势分组方法研究[J]. , 2015, 36(7): 2041-2048.
[6]	张研，苏国韶，燕柳斌 . 隧洞围岩损失位移估计的智能优化反分析[J]. , 2013, 34(5): 1383-1390.
[7]	左育龙，朱合华，李晓军 . 岩土工程可靠度分析的神经网络四阶矩法[J]. , 2013, 34(2): 513-518.
[8]	陈昌富，唐仁华，梁冠亭. 基于混合粒子群算法和能量法主动土压力计算[J]. , 2012, 33(6): 1845-1850.
[9]	贾善坡，伍国军，陈卫忠. 基于粒子群算法与混合罚函数法的有限元优化反演模型及应用[J]. , 2011, 32(S2): 598-603.
[10]	周喻，吴顺川，焦建津，张晓平　. 基于BP神经网络的岩土体细观力学参数研究[J]. , 2011, 32(12): 3821-3826.
[11]	涂帆，崔广强，林从谋，肖朝昀. 垃圾填埋场稳定影响因素敏感性神经网络分析[J]. , 2010, 31(4): 1168-1172.
[12]	许尚杰，党发宁，高闯洲，党维维. 吸力内摩擦角的确定方法研究[J]. , 2009, 30(S2): 22-27.
[13]	邬凯，盛谦，梅松华，李佳. PSO-LSSVM模型在位移反分析中的应用[J]. , 2009, 30(4): 1109-1114.
[14]	马文涛. 基于PSO和LSSVM的边坡稳定性评价方法[J]. , 2009, 30(3): 845-848.
[15]	温森，赵延喜，杨圣奇. 基于Monte Carlo-BP神经网络TBM掘进速度预测[J]. , 2009, 30(10): 3127-3132.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	魏龙海，王明年，赵东平，吉艳雷. 翔安海底公路隧道陆域段变形控制措施研究[J]. , 2010, 31(2): 577 -581 .
[2]	周小平，刘庆义. 岩石声发射混沌特征分析[J]. , 2010, 31(3): 815 -820 .
[3]	陈运平，王思敬. 多级循环荷载下饱和岩石的弹塑性响应[J]. , 2010, 31(4): 1030 -1034 .
[4]	和礼红，李艳，张妮娜，秦亚琼. 钉形水泥土双向搅拌桩桩身强度差异原因分析与检测探讨[J]. , 2010, 31(S1): 255 -260 .
[5]	黎高辉，吴从师，邓泷波，韦晓阳，黎晨. 悬索桥隧道式锚碇和下穿公路隧道相互作用机制研究[J]. , 2010, 31(S1): 363 -369 .
[6]	丁文其，袁森林，高小庆，谢东武. 电力隧道超大直径顶管施工扰动特性研究[J]. , 2010, 31(9): 2901 -2906 .
[7]	刘明贵，刘绍波，张国华. GPU通用计算模式在岩土工程中的应用[J]. , 2010, 31(9): 3019 -3024 .
[8]	陈峰，田利勇，卢伟华. 盾构隧道穿越苏州河对防汛墙的影响分析[J]. , 2010, 31(12): 3855 -3860 .
[9]	高树生，钱根宝，王彬，杨作明，刘华勋. 新疆火山岩双重介质气藏供排气机理数值模拟研究[J]. , 2011, 32(1): 276 -280 .
[10]	童磊，谢康和，卢萌盟，王坤. 半无限含水层中带衬砌隧洞渗流解析研究[J]. , 2011, 32(1): 304 -308 .