首页>知识导航 > 水务管理 > 安全监督 > 监测预测
资源种类 收起
年份 收起
展开更多
语种 收起
学科分类 展开
出版状态 展开
订阅
至 收起
  • [期刊论文] 《水电能源科学》 ISTIC EI SCI PKU CSSCI - 2026年4期
    混凝土面板堆石坝面板应力的监测数据可以较为直接地反映面板的安全状态,对其进行预测有利于提前掌握面板安全风险,及时做出相应的工程措施进行规避.越长时段的精准预测可以为安全风险的规避争取的时间越多,由于面板自身结构以及荷载与约束条件的复杂性,现有的大部分统计算法和机器学习算法虽然在面板应力短时预测中效果良好,但在长时预测中却表现欠佳.为此,基于卷积算子提出一种考虑监测数据时空特征的堆石坝面板应力长时预测方法,即先利用普通一维卷积提取应力监测数据不同时间分辨率下的时空特征,然后通过残差连接将其作为原始监测数据的增强特征与原始监测数据合并进行时间卷积,完成面板应力长时预测.将所述算法应用于某工程运行期的实际面板应力长时预测中进行试验验证.结果显示,所提算法表现出最优的预测效果,相对于参与比较的 AR、LSTM、TCN 算法平均绝对误差分别相对减小94.534%、75.714%、37.037%.表明所提算法是一种有效的面板应力长时预测方法,可应用于实际堆石坝面板应力长时预测中,有利于及时掌握面板安全状态并采取相应的风险规避措施.
    结构健康监测混凝土面板堆石坝面板应力长时预测CNN-TCN
  • [期刊论文] 《水电能源科学》 ISTIC EI SCI PKU CSSCI - 2026年2期
    高土石坝在经历长期运行或重大灾变后,监测数据质量降低将破坏变形预测模型的可靠性.为支撑长期运行过程中高土石坝的持续精准变形监控,提出一种基于模型驱动辅助的大坝监测数据处理与变形预测方法.从土石坝结构特性与监测数据时序特性出发,基于有限元方法提出简化的输入特征模型及原位监测数据处理模型.进一步利用深度学习算法的容错能力,考虑多目标需求,建立卷积神经网络-门控循环单元序列模型实时预测大坝变形,提出惯性权重非线性迭代格式以提高粒子群算法寻优能力,增强了预测模型泛化能力.将该方法应用于紫坪铺面板堆石坝2009~2021年间原位监测数据分析中,发现该方法在基于低质量监测数据预测大坝变形方面具有较高的精度和稳健性,为高土石坝长期运行的沉降行为分析与预测提供了新的技术手段.
    高土石坝低质量监测数据模型驱动深度学习变形预测
  • [期刊论文] 《水电与抽水蓄能》 - 2026年4期
    针对水电站设备状态监测中固定阈值报警滞后、SCADA 历史数据利用不足以及异常定位依赖人工经验等问题,提出一种通信数据驱动的 SOM-KPI 预测性维护方法.该方法利用水电站实时通信系统采集的多源运行数据、时间戳和数据质量标识,构建标称工况样本库,并通过自组织映射神经网络计算状态失真度及KPI 下控制限;同时引入变量贡献率,实现异常源定位.两座水电站一年多的运行验证表明,该方法共识别22条异常记录,其中高等级异常3条;在运维闭环确认样本上,SOM-KPI的F1-socre值为0.83,AUC值为0.91,较 Hotelling t2 控制图具有更低误报和更稳定的提前预警能力.典型案例表明,该方法可在传统报警阈值触发前 20 天发现高压变压器异常,为水电站预测性维护提供可复现的工程实现路径.
    水力发电通信数据状态监测预测性维护
  • [期刊论文] 《科技资讯》 - 2026年6期
    随着水电工程设备运行环境复杂性与数据规模的持续增长,传统监测方法在故障预测准确性与实时性方面面临局限.基于此,采用基于深度学习融合时序分析的大数据处理架构,构建了多维度设备健康状态评估模型与故障预测算法.实验结果表明,所提出的长短期记忆网络(Long Short-Term Memory,LSTM)与卷积神经网络(Convolutional Neural Network,CNN)混合神经网络模型在设备故障预测方面准确率达到94.7%,较传统方法提升12.3%,故障预警时间提前72 h.该技术为水电工程设备的智能化运维管理提供了有效技术支撑,显著提升了设备运行可靠性与经济效益.
    大数据分析水电工程设备健康监测故障预测深度学习
  • [期刊论文] 《工程技术研究》 - 2026年7期
    基于水库施工风险因素复杂、监测数据多源异构的情况,系统研究风险预测方法,阐述了监测数据的预处理与特征提取流程,建立了多维风险指标体系,设计了改进型误差反向传播(back propagation,BP)神经网络预测模型.安徽省某水库工程实例验证结果表明,该模型能有效反映风险演化特征,预测精度达到92%以上,具有较高的工程适用性与可靠性.
    水库施工监测数据风险预测指标体系神经网络
  • [期刊论文] 《水电站机电技术》 - 2026年4期
    本文针对大型泵站机组状态监测与预测性维护策略展开系统研究,深入探讨了基于数字孪生、人工智能等前沿技术的智能运维框架.通过分析多种传感器数据采集、特征提取方法、状态识别算法及预测模型的构建路径,提出了适用于泵站机组的预测性维护实施方案.研究结合水利行业特点,引入了混合轻量化自适应模型、SOM-BP级联神经网络等先进算法,为提升大型泵站运维效率、降低故障风险提供了可行的技术路径.
    大型泵站状态监测预测性维护数字孪生人工智能
  • [期刊论文] 《现代工程科技》 - 2026年18期
    为精准掌握土石坝渗流安全状态,解决传统统计模型处理多元非线性数据能力不足、部分机器学习模型易过拟合的缺陷,构建了高精度土石坝渗压安全监测预测模型.以库水位、降雨量为核心变量,融入时效与温度影响因子,经过数据预处理、因子分析、模型训练优化,引入XGBoost算法搭建预测模型.以联和水库实测渗压数据开展验证,并与随机森林、LightGBM模型对比测试.结果表明,XGBoost模型预测精度更优,R2 达0.971,MAE、RMSE分别为0.44 m、0.717 m,可量化各因子贡献占比,精准捕捉渗压动态变化,对高水位、暴雨等突变工况响应效果良好.该模型可有效适配渗压非线性变化规律,为土石坝渗流安全监测及风险评估提供可靠科学支撑.
    土石坝渗压预测XGBoost安全监测机器学习
  • [期刊论文] 《水利技术监督》 - 2026年9期
    为应对山东沿海氯盐侵蚀与冻融循环等多因素导致的水工混凝土结构耐久性劣化问题,本研究构建一套融合智能监测与动态预测的综合方法.通过部署光纤光栅传感器网络,实时感知混凝土内部氯离子浓度、温湿度等关键参数,并利用监测数据驱动改进的氯离子扩散模型,采用马尔可夫链蒙特卡洛方法开展参数反演与不确定性量化.实践表明,该方法能够更精准地预测钢筋初锈时间,有效揭示结构在设计基准期内的潜在风险.本研究实现从"被动检维修"到"主动智能预警"的转变,对保障类似恶劣海洋环境下水工基础设施的长期安全具有重要参考价值.
    水工混凝土耐久性智能监测氯离子侵蚀寿命预测
  • [学位论文]作者: 皮李浪 水利工程 新疆农业大学 2025(学位年度)
    土石坝变形监测数据预测模型
  • [学位论文]作者: 潘登 水利工程 扬州大学 2025(学位年度)
    大坝监测数据自适应预测模型变结构方法
1 2 3 4 5 下一页 GO
回到顶部
选择了条数据