大坝安全监测的超高使用最佳的内核部分最小二乘法

文摘

考虑复杂的非线性和多维响应变量的特点一个超高的大坝,内核部分最小二乘(KPLS)方法,强烈非线性多变量分析方法,引入大坝安全监测领域的第一次。通用统一优化算法的目的是选择KPLS方法的关键参数并获得最优内核部分最小二乘(OKPLS)。OKPLS是用于建立一个强烈非线性多元安全监测模型的异常行为识别超高大坝通过多元融合诊断模型。变形监测数据分析的超高拱坝进行案例研究。看不到比多元线性回归(MLR)、部分最小二乘(PLS),和KPLS模型,OKPLS模型显示最好的拟合精度和预测精度,模型和多元融合诊断减少假警报的数量相比,传统的单变量的诊断。因此,OKPLS是一种很有前途的方法在超高大坝安全监测中的应用。

1。介绍

目前,51超高大坝高度超过200米的存在在世界范围内,另外31个超高水坝正在建设或提出了建设。这些项目提供巨大的综合效益,包括发电、防洪、灌溉。与此同时,大坝安全显著影响个人财产和生态环境的安全在大坝附近的地区。除了直接损伤检测方法1- - - - - -4大坝安全监控模型,基于大坝原型监测数据可以监控大坝的行为以保证大坝安全(5]。模型首先预测未来大坝响应值,然后比较预测值与观测值确定的观察是否异常。超高大坝具有特殊的结构形式,如巨大的结构尺寸,众多结构关节和漏洞,和面对复杂的工作环境,如伟大的静水压力和复杂的地质条件。有强烈的非线性结构,如接触非线性。同时,大坝材料非线性和耦合效应的影响的环境因素都是放大。因此,超高的大坝的行为显示了显著的非线性特征;之间存在复杂的非线性关系,环境变量和响应变量的超高大坝。常见的物理假设,即材料的弹性和线性行为和叠加效应的原理,在超高水坝是无效的。看不到多元线性回归(MLR)模型(6,7)基于上述假设不能准确模型这一复杂的非线性关系,而且他们可能不是超高大坝表现良好。此外,传统的大坝安全监控模型几乎都是基于单个响应变量。实现这些模型不仅耗费时间,还容易导致误报(8]。这些缺点更加突出超高大坝因为更多的监测仪器,包括先进的分布式光纤安装在超高大坝全面实时监控大坝的行为。每个仪器输出一个或多个大坝响应变量,反映了大坝的行为。因此,迫切需要研究强烈非线性多元适合超高的大坝安全监控模型。

近年来,一系列的大坝安全监控模型与非线性映射能力强被不断提出,如神经网络(NN)模型(6,9- - - - - -12)和支持向量回归(SVR)模型(13- - - - - -15]。这些非线性模型能更好的拟合精度和预测精度比高模型时选择合适的参数(神经网络层和节点、SVM核函数和正则化参数)。然而,很难选择这些关键参数。此外,训练神经网络需要大量的计算时间,神经网络容易陷入局部最小值。另外,主成分分析(PCA),是一种多元统计数据分析方法,已经应用在大坝多元安全监测8,16- - - - - -18]。环境影响组件是首先利用主成分分析法(PCA)提取多个响应变量,然后确定异常通过分析提取的组件。主成分分析可以消除噪音和冗余数据,减少假警报。然而,PCA不考虑环境变量影响大坝当提取环境影响组件响应变量。提取的组件可能不是真正的环境影响大坝反应变量。偏最小二乘(PLS)方法是一种更好的多元统计数据分析方法比PCA过程监测和产量预测(19]。看不到请结合多元线性回归(MLR)分析、典型相关分析(CCA)和主成分分析。请可以建立多个因变量和多个独立变量之间的回归模型。然而,请目前主要用于建立单变量安全监测模型来解决多重共线性的环境变量(13,20.]。此外,请本质上仍然是线性回归,不能准确地获得环境变量和响应变量之间的复杂非线性关系的超高大坝。

内核部分最小二乘(KPLS) [21)是一种新的非线性PLS方法用于解决非线性问题。在KPLS,原始输入数据非线性转换为高维空间通过核函数,然后创建一个线性PLS模型在高维空间中,所以请在高维空间中获得的线性关系对应于原始输入空间的非线性关系。KPLS不仅保留了所有的优势请还具有强大的非线性映射能力。与其他非线性PLS方法相比,花键等请(22),二次请23,24),和神经网络请25,26),KPLS基本上只需要线性代数在高维空间中,使其简单线性PLS。此外,KPLS可以处理广泛的非线性通过使用不同类型的核函数。在过去的十年中,KPLS已经申请了非线性多变量质量预测(27,28和过程监控29日,30.]。

类似于神经网络和SVR,内核函数和KPLS潜变量的数量也有强烈影响KPLS泛化性能(30.- - - - - -32]。参数的选择比SVR KPLS更简单,因为唯一的参数(除了选择内核)是潜在变量的数量,只需要考虑一些离散值而不是连续在SVR参数。潜变量的数量被调整词的选择标准(30.,33]。然而,核函数的选择仍然是一个开放的问题KPLS [33,34]。目前,当地强大的径向基函数逼近能力主要是用作核函数,和它的内核参数是由一些公式30.,33)或交叉验证(31日,32]。公式的选择方法不具有普遍适用性的,可能不是最优的。选择交叉验证的方法将涉及潜在变量的数量。同样,上面的许多潜在变量的选择方法还包括内核参数。缺乏一个可执行的统一方法选择核函数和潜变量的数量。

在本文中,一个普遍的统一优化算法的目的是选择KPLS参数,实现最优内核部分最小二乘(OKPLS)。接下来,OKPLS用于建立一个强烈非线性多元大坝安全监控模型来监控超高,以确保它的安全。本文组织如下。部分2.1介绍了KPLS的基本原理。通用统一优化算法选择KPLS参数给出的部分2.2。部分3所示。1介绍了建立强烈的非线性多变量的方法使用OKPLS超高大坝的安全监测模型。安全监测模型的多元融合诊断方法提出了部分3所示。2。部分4提供了一个案例分析获得径向变形监测数据的超高拱坝的钟摆。总体结论给出了部分5。

2。最优内核部分最小二乘(OKPLS)

2.1。KPLS基本原理

考虑一个系统测量输入变量+测量输出变量。请创建不相关的潜在变量和这是输入和输出变量的线性组合,分别。程序的基本原则是最大限度地提高输入和输出变量之间的协方差。请的目的是消除数据噪声和提取综合变量,最好的解释这个系统。然后执行一个最小二乘回归的潜在变量,然后请获得系统的输入和输出变量之间的关系。然而,当一个系统具有强烈的非线性特征,也就是说,当有一个复杂的非线性系统的输入和输出变量之间的关系,线性请适合模拟系统。根据覆盖定理,输入空间的非线性数据结构更可能是线性的高维非线性映射。KPLS制定在这个高维空间扩展线性请其非线性内核的形式。因此,KPLS可以模拟复杂的非线性系统,如图1。

假设每个变量的测量收集在系统操作在正常情况下。输入和输出数据可以用和在矩阵,分别。考虑一个非线性映射从输入变量空间到一个高维空间。请注意,尺寸高维空间的可能是任意大,甚至可以是无限的,这保证了强大的非线性映射能力。所有输入变量映射到被在高维空间中。这些映射向量可以用在矩阵。KPLS相当于之间构造一个线性PLS回归模型和,它可以表示为 在哪里是()回归系数矩阵;是()的残差矩阵。

在KPLS,通过核函数 ,我们可以避免执行显式非线性映射和计算在高维空间点产品。代表了内核格拉姆矩阵 所有映射向量之间交叉的点积。从矩阵和,修改KPLS算法(30.显示如下:(1)集,,。(2)初始化score-vector潜变量的的的最大方差列。(3)计算score-vector潜变量的的,因为,。(4)回归的列在,在那里是权重向量。(5)计算新的score-vector:,。(6)重复步骤来直到收敛。(7)缩小矩阵:,。(8)保存数据矩阵:,。(9)集,并返回步骤。停止的时候,被选中的潜变量的数量。

最后,我们可以获得分数矩阵和正交的列。在此基础上,回归系数矩阵在(1可以获得)

是由输出的预测变量

新观察的输入变量、输出估计 在哪里是映射的向量的新观察吗在高维空间中。是对内核函数的向量评估为。

应用KPLS之前,意味着定心在高维空间中应该被执行。这意味着定心可以取代内核执行矩阵和内核向量与和,在那里 在哪里是一个维单位矩阵;是一个矩阵等于所有的条目;是一个列向量,其所有条目等于什么。

2.2。KPLS参数的优化选择

在KPLS有两个主要问题:核函数及其参数的选择潜变量的数量的选择。对KPLS泛化性能决策都有强烈的影响。

任何对称函数满足Mercer定理,如多项式内核,径向基核,和乙状结肠内核,可以用作内核函数。为特定的应用程序和一个给定的一组样本,构造一个合适的核函数应用核函数的关键。然而,一个有效的方法不存在构造核函数。实质性的进展主要是内核参数的选择。交叉验证(35)是一个通用的方法来选择模型参数。通过交叉验证的参数被认为是最优的。

在倍交叉验证,样品是随机分成块的大幅相同数量的样本。假设一些具体参数,建立一个模型基于()的样本。排除块是用于测试,单个预测误差平方和(媒体)计算。这个过程被重复扣除每一块,一次,只有一次,然后计算总新闻的具体参数由加法个人出版社值。总压是用于估计泛化性能的具体参数。交叉验证是应用于不同的参数。最小的参数按被认为是最佳的。事实上,交叉验证只给的期望风险指数评估模型,例如,上述出版社。一些优化算法,如网格搜索方法,遗传算法,粒子群优化,必须用于获得最优内核参数。

潜变量的数量通常是由调整词的选择标准。调整字的基于交叉验证的标准也是一个方法。交叉验证选择内核参数的差异如下:评价指标不是新闻,但一个新的索引建立基于出版社,,在那里总压计算吗潜在的变量;当指数超过一个预定义的阈值(例如,0.9),等于最优数量的潜在变量。这种治疗可以避免产生一个overfitted模型的预测能力差由于包含过多的潜变量(36]。

相应的内核参数的选择方法和潜在变量的数量。因为选择一个将包括一个,一个统一的优化解决方案类似于SVR是最好的方法。然而,他们的评价指标是不同的,这增加了麻烦的统一优化解决方案。因此,一个普遍的统一优化算法选择KPLS参数设计如图2。该算法包含两个循环。外循环通过遗传算法优化内核参数。内循环选择号码潜变量的词的调整标准,获得的作为外部优化的目标。内核参数的最优值和潜变量的数量后可以获得优化迭代,是预定义的优化迭代终止条件。最后,可以获得OKPLS KPLS参数时将获得最优值。

设计算法具有以下特点:(1)对任何核函数算法是普遍的。(2)算法,内核参数选择和潜变量的数量在一起,他们都是交叉验证验证的内部循环。(3)KPLS参数的两种不同的评价指标中使用内循环和外循环,使内核参数和潜变量的最优数量。(4)内核参数可以是任何连续价值,潜在变量的数量可能只是几个离散值。此外,对于不同的内核参数,内核格拉姆矩阵 必须重新计算,这是KPLS最大的计算成本。因此,外部和内部循环的算法设计可以减少成本的计算选择最优KPLS参数。(5)最后,算法容易实现和执行使用电脑。

3所示。使用OKPLS超高大坝安全监测

大坝系统图所示3,影响大坝系统的环境变量可以作为系统输入,通常包括静水压力()、季节温度(),和时间效应()。衡量使用监测仪器安装在大坝,大坝的响应变量,例如,变形、渗流、应力,可以被认为是系统的输出。大坝安全监测大坝的过程就是识别异常行为根据大坝系统的输入和输出。当没有异常出现在大坝结构或监测仪器,输入和输出之间的关系存在大坝的系统。因此,一些数学方法可以用来获取关系根据输入和输出数据没有异常,建立大坝安全监控模型。随后,大坝的模型诊断行为可以执行。模型预测未来大坝响应值根据环境变量的新值并识别异常大坝行为通过比较预测值与观测值。

鉴于超高大坝是一个复杂的非线性系统的多输入和多输出,OKPLS,强烈非线性多元统计数据分析方法,用于执行超高大坝安全监测。

3.1。建模基于OKPLS

建立大坝安全监控模型包括获得确定环境变量之间的关系和大坝响应变量根据大坝监测数据没有异常。超高大坝,之间存在着复杂的非线性关系环境变量和响应变量。KPLS获得复杂非线性关系的非线性映射(),两个线性映射(),和一个线性回归(),如图1。原始的环境变量非线性转换通过非线性映射到高维空间中;接下来,在高维空间中,通过获得的复杂的非线性关系,,在请。

原始的环境变量包含噪声,和非线性映射添加一些无用的冗余组件的响应变量。有用的环境因素提取的线性映射。同样的,有用的响应组件关于超高大坝的行为是提取的线性映射。最后,线性回归建立有用的响应组件之间的关系和有用的环境因素。有用的组件和潜变量的score-vectors吗和,分别。使用请,这些潜在变量共同从环境变量和响应变量中提取一个超高的大坝。因此,获得有用的环境和响应组件可以最好解释的行为超高大坝。此外,由于大坝响应变量是高度相关的,也就是说,他们是高度共线,多元KPLS可能有利于消除噪音和冗余数据(21]。

OKPLS KPLS基于参数优化的实际问题;OKPLS更可能获得正确的环境变量和响应变量之间的关系的超高大坝。建立强非线性多变量的主要步骤超高大坝的安全监测模型基于OKPLS如下。

步骤1。选择多个响应变量属于同一监管项目,共同反映了一个特定行为的超高大坝,如变形、渗流、或压力,OKPLS输出。相应测点位置相邻,有很强的相关性之间的多重响应变量。

步骤2。类似于高安全监测模型(6,7),根据物理力学分析,选择环境变量影响的特定行为的步骤1随着OKPLS输入。他们可能是静水压力()、季节温度(),和时间效应()。

步骤3。选择一段时间的正常历史监控数据环境变量和响应变量的变化在最大可能范围;也就是说,他们应该包括监测数据在极端的环境条件,例如,可能的最高或最低水库水位和温度。

步骤4。选择一个合适的核函数类型生成内核格拉姆矩阵 然后选择内核参数的最优值和潜变量的数量使用宇宙统一优化算法如图2。

第5步。计算矩阵使用修改后的KPLS的回归系数算法。

步骤6。计算的预期值OKPLS模型根据(3)和(4)。

3.2。多元融合诊断模型

模型的诊断大坝行为包括识别异常大坝行为通过比较观测值和预测值的安全监测模型。当异常出现在大坝结构或监测仪器,残余,也就是说,观测值和预测值之间的偏差,将显著增加,超过一定的控制范围。注意,安全监测模型的预测精度对模型的诊断很重要。如果预测精度很差,那么剩余工资将包含一个较大的模型误差,从而导致不正确的诊断结论。根据小概率事故的原则,确定观测值是正常的,几乎正常,或异常,这取决于以下(5]: 在哪里是th观测值;是th预测价值;是残差的标准差和估计(37] 在哪里是观测的数量用于建立模型和是环境变量的数量用于建立模型。上述模型诊断方法是传统的单变量的诊断。相应的监测诊断方法的控制图如图所示4。

OKPLS模型是一个多变量模型输出多个响应变量。模型提供了一定的优势在执行多元融合诊断通过整合信息的多重响应变量。多元融合诊断不仅可以减少诊断变量的数量也减少不正确的诊断结论,由于不完全信息的个人反应变量。执行多元融合诊断、关键工作是构建一个融合诊断指标和确定其控制的限制。通过学习的平方预测误差(SPE)在多元统计过程监控29日,30.]融合诊断指数由外国直接投资 在哪里融合诊断指数的值是外国直接投资的吗观察和代表的综合预测误差响应变量;响应变量的数量是诊断;是的观测值th响应变量;是的预测价值th响应变量;残差的标准差反应变量。请注意,除以标准差消除多个响应变量的残差之间的区别,和这些响应变量将平等融合诊断。

在大坝安全监测中,全球结构损伤和严重的局部结构损伤是主要的。根据(8),只有当这些类型的损失出现在大坝,融合诊断指数外国直接投资将大幅增加,超过一定的控制范围。单一监测仪器故障和轻微的局部结构损伤通常不大大增加外国直接投资;因此他们不会被认定为异常。相反,所有的这些上述异常可能确认为在传统的单变量诊断异常,这将大大增加后续的异常分析。

根据(8),融合诊断指数FDI总是正的,不符合正态分布。因此,诊断方法如(6)不适用。此外,根据小概率事故的原则,首先估计FDI概率分布,然后设置一些控制限制了基于概率分布。最后,大坝行为是诊断这些特定的控制限度。因为外国直接投资的类型的概率分布是未知的,核密度估计方法(38)是用来估计FDI概率分布。类似于(6),两个控制限制(UCL1和UCL2)设置,下面发生的概率分别是95.44%和99.74%,分别对应两个和三个时期,分别对正态分布的标准偏差。因此,融合诊断指数FDI被标识为正常,几乎正常,或异常,根据以下几点: 相应的监测控制图如图5。当融合诊断指数FDI被标识为不正常,应给予高度重视。每一个大坝反应变量应该进一步分析了模型的输出结果发现异常的原因,然后发出警报。

通过上面的分析,使用OKPLS超高大坝安全监测是首先建立一个基于OKPLS强烈非线性多元安全监测模型,其次是执行模型多元融合诊断识别异常行为的超高大坝。总体流程图如图6。

4所示。案例研究

一个超高拱坝是双曲率拱坝最大高度为294.5米。如图7,大坝的顶海拔1245米,其波峰长度是901.771米。三峡大坝是由43个大坝部分和推力墩。皇冠的波峰宽度和底部宽度悬臂(第二十二大坝部分)是12米和72.912米,分别。有5个波峰溢出表面洞6行洪中间孔,2逃脱底洞,4转移中间孔,2在坝体导流底洞。大坝的正常水位1240米有一个相应的存储容量的1491.4亿米³。在坝基,如图8,有一个ⅱ级故障(长度超过1000,18 ~ 37米宽),19 III-grade断层(100 ~ 1000米长、0.5 ~ 4米宽),许多iv断层(10 ~ 100米的长度,宽度0.1 ~ 0.5米),和5大蚀变区。总共有9406监视点被安排在大坝全面监控大坝变形等行为,渗流和应力。在这些点,52摆监视点用于监测坝体和坝基的水平变形,如图7。获得的径向位移的钟摆在中央块大坝被用来验证使用摘要OKPLS超高大坝安全监测。和五个挂的钟摆包含一个倒立摆监视点,海拔963.00米(表示),1010.00米(表示),1065.00米(表示),1100.00米(表示),1173.70米(表示),1245.00米(表示)。

总的来说,764年监测数据样本获得的钟摆从7月1日,2010年12月31日,2012年,如图9。前750个样本作为训练样本建立模型和估计的概率分布融合诊断指数FDI。后者14个样品作为测试样本来验证模型预测性能和多元融合诊断方法。注意这些样品了在正常运作,没有出现异常。符号(−)表明径向位移上游和下游符号(+)表明径向位移。在同一时期,水库水位的观测值也显示在图9。

4.1。建模

基于物理力学分析,环境因素影响拱坝包含径向变形的静水压力项、季节性温度条件,和时间效应方面(5]。静水压力条件是静压推力对大坝的影响:,在那里,水库水位,950.50的值是拱坝的底部的高度。季节性的温度条件是季节性的影响混凝土温度变化主要受空气温度在运行阶段的影响。季节温度的影响周期谐波可以表示为:,在那里年初以来的天数的分析。时间效应方面是坝体混凝土徐变的影响,坝基岩石蠕变,和一些不可逆转的变形,如混凝土和岩石塑性和蠕变变形,混凝土自生的体积变形和开裂变形。这种类型发生变形的时间效应迅速在第一期或初始蓄水,这往往是固定的,所以它可以表示为一个多项式函数和对数函数的组合:,在那里。

在这篇文章中,径向基函数,,被选为内核OKPLS的函数。内核参数和数量潜在的变量选择的普遍统一的优化算法如图2。为了节省计算时间,10倍交叉验证中使用内循环。遗传算法的参数设置表中给出了外循环1。在这些参数中,内核参数的范围是一个对称的扩大选择的参数值公式(30.]。最优的健身价值的进化过程如图10。四迭代后,最佳的健身价值达到收敛。内核参数的最优值和潜变量的数量终于选择3.5,22日分别。

验证OKPLS模型的拟合和预测性能,高六个独立的模型,请模型,KPLS模型基础上建立了六个径向位移相同的环境变量。KPLS的核函数模型也是径向基函数和公式计算出它的内核参数是直接在30.]。KPLS模型中的潜在变量的数量被调整词的选择标准。摘要均方误差(MSE)是用来比较上述四个模型的拟合和预测性能。计算均方误差 在哪里训练样本和测试样本的数量;是th观测值;是模型拟合值或预测价值。比较结果呈现在图11和表2。通过仔细的比较分析,我们可以发现以下后果:(1)高钙相比,请对所有径向位移显示了更好的预测性能,较低的平均均方误差1.430;然而,请展示所有径向位移差拟合性能,更高的平均均方误差为0.913。这种行为可能有两个原因解释。原因之一是高钙由于多重共线性产生的伪回归的四个静水压力条件(最小值的相关系数是0.9926)。的另一个原因是六个径向位移高度相关(之间的比例第一和第六六径向位移协方差矩阵的特征值= 89804),并请利用他们的相关信息来消除噪声,准确地掌握大坝整体行为。(2)KPLS显示了所有的径向位移的更好的拟合性能与高钙和请一个较低的平均均方误差为0.244;除了位移和,KPLS的预测性能比请。这个结果可能是因为所选参数KPLS不适当,KPLS没有获得正确的环境变量之间的关系和径向位移的一样高。(3)在四个模型,OKPLS展览最佳的拟合和预测性能径向位移,和它的拟合和预测均方误差的平均值都是最低的,分别给了0.074和0.090,。的良好表现OKPLS可能归因于两个方面。首先,OKPLS继承的优点请。请不仅解决了环境变量的多重共线性,但也利用相关信息的六个径向位移。第二,使用核函数,OKPLS能力获得环境变量之间的复杂非线性关系和径向位移。此外,内核参数的优化选择和潜变量的数量确保OKPLS正确获得复杂的非线性关系。

4.2。融合诊断

诊断的径向位移超高拱坝使用多元融合诊断方法,融合诊断指数首次计算根据FDI (8)。通过函数ksdensity(核密度估计函数)在MATLAB中,FDI的概率分布估计基于FDI的训练样本,如图12。两个控制限度(UCL1和UCL2)从图中获得12,值分别为5.0和15.5。在此基础上,径向位移在测试期间被诊断为根据(9)。多元融合诊断结果如图13。图13观察表明,没有异常发生,与实际情况一致。

每个立面的径向位移也诊断根据(6)。结果如图所示14。大多数这些位移的观测值确定是正常的。然而,一些后期径向位移的观测值和在海拔963.00米和1100.00米,分别误诊为异常。这些错误的异常可能是由于降低了模型的预测精度。这一现象也反映在增加了外国直接投资。

超高拱坝是在早期阶段的操作和行为正在不断进行调整。随着时间的推移,模型的预测精度会下降。从图14,我们可以推测,可能有行为调整坝基()和中等海拔(超高拱坝的)。总的来说,这些调整都是本地的,轻微的,超高拱坝仍在正常运行。因此,多元融合诊断方法提供了正确的诊断,减少假警报。方法的良好性能可能归因于多重响应变量的信息集成。信息集成提高免疫力当地假异常。

5。结论

超高的持续建设水坝,水坝的安全问题变得越来越突出。一个超高大坝复杂的非线性和多维响应变量的特征。传统的线性和单变量安全监控模型已成为适合超高大坝。最近提出的安全监测模型复杂的非线性或多变量分析功能也包含一些缺陷。此外,他们不可能同时满足要求的复杂的非线性和多变量分析超高大坝。因此,在本文中,KPLS,强烈的非线性多变量分析方法,首次引入大坝安全监测领域。因为内核函数和潜变量的数量KPLS有强烈影响KPLS泛化性能,宇宙统一优化算法的目的是选择KPLS参数并获得最优内核部分最小二乘法。接下来,OKPLS用于建立一个强烈非线性多元安全监测模型来识别异常行为的超高大坝提出的多元融合诊断。

OKPLS不能仅仅解决环境变量的多重共线性,但也利用多个响应变量的相关信息来消除噪声,准确地掌握大坝整体行为。OKPLS也有能力获取之间的复杂非线性关系的环境变量和响应变量超高大坝。与此同时,设计通用统一优化算法可以确保OKPLS正确获得复杂的非线性关系。此外,提出了多元融合诊断方法以及利用多个OKPLS模型的输出结果。该方法可以实现信息集成融合多个响应变量的指数外国直接投资,从而提高诊断效率和准确性。

应用实例表明:高钙相比,请,和KPLS模型,平均OKPLS模型的拟合和预测精度是最高的;OKPLS的多元融合诊断模型减少了假警报的数量相比,传统的单变量的诊断。在本文中,我们只使用一个超高的变形监测数据的分析拱坝作为一个案例研究。拟议的方法,大坝安全监测的超高使用最佳的内核部分最小二乘,包括安全监测模型(预测模型)和融合诊断方法,适用于所有物理数据的超高水坝,例如,变形、渗流、应力。因此,OKPLS适合使用在超高大坝安全监测。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(授予号。51139001,51139001,51209077),中央大学的基础研究基金(基金号。2013 b25414和2014 b36914),墙土石坝的重点实验室失效机理和安全控制技术,水利部(批准号YK914002)和优先级的学术程序开发江苏高等教育机构。此外,我们应感谢教授Chongshi顾写这篇论文给了极大的帮助。

引用

1. w·徐m . Radzieński w . Ostachowicz, m .曹”损伤检测板使用二维方向高斯小波和激光扫描操作偏转形状,”结构健康监测,12卷,不。5 - 6,457 - 468年,2013页。视图:出版商的网站|谷歌学术搜索
2. m·曹m . Radzieński w .徐,w . Ostachowicz”识别多种损伤梁基于振型曲率强劲,”机械系统和信号处理,46卷,不。2、468 - 480年,2014页。视图:出版商的网站|谷歌学术搜索
3. m·曹w .徐、w . Ostachowicz和z .问:苏,”梁的损伤识别噪声条件下基于Teager能源operator-wavelet变换模态曲率,”杂志的声音和振动,卷333,不。6,1543 - 1553年,2014页。视图:出版商的网站|谷歌学术搜索
4. w·徐m .曹w . Ostachowicz m . Radzieński和n .夏”二维曲率模式形状方法基于小波和Teager能量损伤诊断的盘子,“杂志的声音和振动卷,347年,第278 - 266页,2015年。视图:出版商的网站|谷歌学术搜索
5. c . s .顾和z . r .吴大坝和大坝安全监测Foundations-Theories &方法和他们的应用程序、河海大学出版社,南京,中国,2006。
6. j·马塔,“混凝土坝的解释行为与人工神经网络和多元线性回归模型,”工程结构,33卷,不。3、903 - 910年,2011页。视图:出版商的网站|谷歌学术搜索
7. f·李,z z . y . Wang和g·h·刘,“对大坝监测数据的误差修正模型分析基于协整理论,“结构安全,43卷,12-20,2013页。视图:出版商的网站|谷歌学术搜索
8. z . r . h . Yu, t·f·鲍和l .张“多元分析与主成分分析大坝监测数据,”中国科学技术科学,53卷,不。4、1088 - 1097年,2010页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
9. g . Habibagahi”堆石坝的工后沉降进行了分析通过自适应基于网络的模糊推理系统,”电脑和土工技术卷,29号3、211 - 233年,2002页。视图:出版商的网站|谷歌学术搜索
10. Y.-S。金和俊男。金,“相对波峰的concrete-faced堆石坝沉降预测分析使用一个人工神经网络模型,”电脑和土工技术,35卷,不。3、313 - 322年,2008页。视图:出版商的网站|谷歌学术搜索
11. 曹m . s . p . z俏,w . Ren,“改善混合小波神经网络方法对时变行为预测的工程结构,”神经计算和应用,18卷,不。7,821 - 832年,2009页。视图:出版商的网站|谷歌学术搜索
12. 诉Ranković,a . Novakovićn . Grujovićd·迪瓦茨和n . Milivojević”预测水压通过人工神经网络在大坝水位,”神经计算和应用,24卷,不。5,1115 - 1121年,2014页。视图:出版商的网站|谷歌学术搜索
13. b, c。顾,Z.-L。李,Z.-Z。张:“大坝渗流监控模型基于偏最小二乘回归和偏最小平方支持向量机,”《水利工程,39卷,不。12日,第1400 - 1390页,2008年。视图:谷歌学术搜索
14. x·d·陈,c . s .顾和h . n .陈“早期预警大坝渗流与合作的主成分分析和最小二乘小波支持向量机,”费森尤斯公司环境公报,22卷,不。2、500 - 507年,2013页。视图:谷歌学术搜索
15. 诉Ranković:Grujović、d·迪瓦茨和n . Milivojević”发展的支持向量回归预测模型识别大坝结构的行为,”结构安全卷,48 33-39,2014页。视图:出版商的网站|谷歌学术搜索
16. l . e . Chouinard d·w·班尼特,n . Feknous“混凝土拱坝监测数据的统计分析,“《构建设施的性能,9卷,不。4、286 - 301年,1995页。视图:出版商的网站|谷歌学术搜索
17. c . s .顾e . f .赵,y,和z h·苏,“奇异值在大坝安全监测诊断的影响值,“中国科学技术科学,54卷,不。5,1169 - 1176年,2011页。视图:出版商的网站|谷歌学术搜索
18. l . Cheng和d . j .郑”两个在线大坝安全监控模型基于提取环境影响的过程中,“工程软件的进步卷,57 48-56,2013页。视图:出版商的网站|谷歌学术搜索
19. j·l·戈j·r·维加和j·l·马”PCA和pls回归之间的关系。”化学计量学和智能实验室系统卷,130年,第191 - 182页,2014年。视图:出版商的网站|谷歌学术搜索
20. c, d . j .悦,c·f·邓“混合GA / SIMPLS选择回归模型在大坝变形分析中,“人工智能技术的工程应用,25卷,不。3、468 - 475年,2012页。视图:出版商的网站|谷歌学术搜索
21. r . Rosipal和l . j . Trejo”核偏最小二乘回归在再生核希尔伯特空间中,“机器学习研究杂志》上,2卷,第123 - 97页,2001年。视图:谷歌学术搜索
22. 美国荒原”,非线性偏最小二乘建模II。花键的内在关系,“化学计量学和智能实验室系统,14卷,不。1 - 3、71 - 84年,1992页。视图:出版商的网站|谷歌学术搜索
23. g . Baffi e·b·马丁和a·j·莫里斯,“非线性投影潜在结构的再现:二次请算法,”电脑和化学工程,23卷,不。3、395 - 411年,1999页。视图:出版商的网站|谷歌学术搜索
24. 人工智能任和g . j . Lim,”一个非线性偏最小二乘算法使用二次模糊推理系统,”化学计量学杂志》,23卷,不。10日,530 - 537年,2009页。视图:出版商的网站|谷歌学术搜索
25. g . Baffi e·b·马丁和a·j·莫里斯,“非线性投影潜在结构重新审视(请神经网络算法),“电脑和化学工程,23卷,不。9日,第1307 - 1293页,1999年。视图:出版商的网站|谷歌学术搜索
26. j j。兴,R.-M。罗,H.-L。”郭et al .,径向基函数网络转换为非线性偏最小二乘优化粒子群优化:定量构效关系研究,应用程序”化学计量学和智能实验室系统卷。130年,37-44,2014页。视图:出版商的网站|谷歌学术搜索
27. x张、w·w·燕和h·h·邵“非线性多变量质量基于核偏最小二乘估计和预测,“工业化学与工程化学研究卷,47号4、1120 - 1131年,2008页。视图:出版商的网站|谷歌学术搜索
28. y . w . Zhang, y . d .腾,y,“复杂的过程质量预测使用修改内核部分最小二乘,”化学工程科学,卷65,不。6,2153 - 2158年,2010页。视图:出版商的网站|谷歌学术搜索
29. 张y . w . y和z胡”,基于多尺度KPLS多元过程监控和分析,“化学工程的研究和设计,卷89,不。12日,第2678 - 2667页,2011年。视图:出版商的网站|谷歌学术搜索
30. j·l·戈·d·a . Zumoffen j·r·维加和j·l·马”新的贡献通过内核偏最小二乘非线性过程监控,“化学计量学和智能实验室系统卷,135年,第89 - 76页,2014年。视图:出版商的网站|谷歌学术搜索
31. a·j·威利斯,”的离心机振动状态监测使用内核请,”计算机与化学工程,34卷,不。3、349 - 353年,2010页。视图:出版商的网站|谷歌学术搜索
32. s s·谢里夫,j·p·赖利,j·f·麦格雷戈,“约束kernelized偏最小二乘法,”化学计量学杂志》,28卷,不。10日,762 - 772年,2014页。视图:出版商的网站|谷歌学术搜索
33. k金,人类。李,I.-B。李”,一个新颖的基于核偏最小二乘的多元回归方法与正交信号校正”化学计量学和智能实验室系统,卷79,不。1 - 2,比如22 - 30,2005页。视图:出版商的网站|谷歌学术搜索
34. s . j .秦”调查数据驱动的工业过程监控和诊断年度审核控制,36卷,不。2、220 - 234年,2012页。视图:出版商的网站|谷歌学术搜索
35. m .石头,“Cross-validatory选择和评估的统计预测,“皇家统计学会杂志》的方法论,36卷,不。2、111 - 147年,1974页。视图:谷歌学术搜索|MathSciNet
36. 比比,j·莫里斯,e·b·马丁“偏最小二乘回归模型选择,”化学计量学和智能实验室系统,卷64,不。1,第89 - 79页,2002。视图:出版商的网站|谷歌学术搜索
37. j . y .陈和林j .观测数据处理方法,上海交通大学出版社,上海,中国,1987。
38. e·b·马丁和a·j·莫里斯,“过程性能监控图表、非参数置信界限”《过程控制》第六卷,没有。6,349 - 358年,1996页。视图:出版商的网站|谷歌学术搜索

版权

版权©2015郝黄等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。