位置:成果数据库 > 期刊 > 期刊详情页
基于递阶对角神经网络的大坝变形预报模型
  • ISSN号:1671-8844
  • 期刊名称:《武汉大学学报:工学版》
  • 时间:0
  • 分类:TV698.1[水利工程—水利水电工程] TP183[自动化与计算机技术—控制科学与工程;自动化与计算机技术—控制理论与控制工程]
  • 作者机构:[1]河海大学水利水电工程学院,江苏南京210098, [2]河海大学水资源高效利用与工程安全国家工程研究中心,江苏南京210098
  • 相关基金:国家自然科学基金项目(编号:50539030,50539110,50539010,50809025,50879024);国家科技支撑计划课题(编号:2006BAC14803,20070294023,2008BAB29B03,2008BAB29B06);中国水电工程顾问集团公司科技项目(编号:CHC-KJ-2007-02);江苏省“333高层次人才培养工程”科研项目(编号:2017-B08037).
中文摘要:

针对大坝工作条件复杂,影响因素繁多,致使现有监控模型预报精度偏差过大问题,基于递阶对角神经网络能够逼近任意非线性函数的特点,使用串并联模型辨识器,采用动态BP学习算法,以水压、温度和时效因子为输入量,坝体位移为输出量,结合工程实例提出了大坝变形监测的递阶对角神经网络模型,并将该模型用于坝体变形数据的拟合分析及其预测预报。研究表明,该网络不仅收敛速度快,提高了算法的效率,而且对实测数据具有较好的拟合效果,提高了预报精度,在大坝安全预测分析中具有有效性和优越性。

英文摘要:

In order to deal with dam monitoring data more effectively, a new deformation monitoring model has been proposed based on hierarchical diagonal neural network (HDHH) that can approximate any nonlinear function. The model takes water pressure, temperature and time factors as the input and dam displacement as the output. And then the series-parallel model identifier and dynamic BP learning algorithm play an important role in modeling. The dam deformation data fitting analysis and forecasting research show that the HDNN model is not only convergent quickly enough to improve the efficiency of the algo-rithm, but also has a good effect in fitting with monitoring data ,which improves forecast accuracy a lot. In a word, HDNN has great validity and superiority in the dam safety forecast analysis.

同期刊论文项目
期刊论文 56 会议论文 12 获奖 3 专利 4
期刊论文 301 会议论文 24 专利 3 著作 5
同项目期刊论文
期刊信息
  • 《武汉大学学报:工学版》
  • 北大核心期刊(2011版)
  • 主管单位:教育部
  • 主办单位:武汉大学
  • 主编:李晓红
  • 地址:武汉市 珞珈山
  • 邮编:430072
  • 邮箱:ejwhu@whu.edu.cn
  • 电话:027-68755516 68752082
  • 国际标准刊号:ISSN:1671-8844
  • 国内统一刊号:ISSN:42-1675/T
  • 邮发代号:38-18
  • 获奖情况:
  • 水利工程类核心期刊,全国优秀高校自然科学学报,湖北省优秀期刊
  • 国内外数据库收录:
  • 俄罗斯文摘杂志,美国化学文摘(网络版),波兰哥白尼索引,荷兰文摘与引文数据库,美国剑桥科学文摘,英国科学文摘数据库,中国中国科技核心期刊,中国北大核心期刊(2004版),中国北大核心期刊(2008版),中国北大核心期刊(2011版),中国北大核心期刊(2014版),中国北大核心期刊(2000版)
  • 被引量:11402