基于APSO-Robust-ELM的大坝变形原始监测数据粗差识别方法OACSTPCD
A Method for Identifying Gross Error in Raw Dam Deformation Monitoring Data Based on APSO-Robust-ELM
针对大坝原始监测数据普遍存在粗差的问题,提出了稳健估计与极限学习机相结合的粗差识别方法;并在此基础上,利用自适应粒子群算法寻找神经网络的最佳隐含层节点数;最后利用大坝安全预测模型验证所用方法的必要性和适用性.在工程实例分析中,将 APSO-Robust-ELM 法与 Robust-ELM 法、罗曼诺夫斯基准则和拉依达准则的处理结果进行对比,结果表明,APSO-Robust-ELM 法能够更好的识别原始监测数据中的粗差,从而提高大坝安全运行的管理效率.
Aiming at the universal of gross error in the raw monitoring data of dams,a gross error identification method combining robust estimation and extreme learning machine is proposed,and on this basis,an adaptive particle swarm algorithm is utilized to find the optimal number of nodes in the hidden layer of the neural network.Finally,a dam safety prediction model is utilized to validate the necessity and applicability of the proposed method.In a study case,the processing results of the APSO-Robust-ELM method are compared with those of the Robust-ELM method,Romanovsky criterion and Pauta criterion,and the results show that the APSO-Robust-ELM method is able to better identify gross error in the raw monitoring data,thus improving the management efficiency of the safe operation of dams.
杨兴富;刘得潭;杨进;刘少文;高睿颖;顾昊;王岩博
四川大唐国际甘孜水电开发有限公司,四川 康定 626001||河海大学水利水电学院,江苏 南京 210024河海大学水利水电学院,江苏 南京 210024||大唐水电科学技术研究院有限公司,四川 成都 610074大唐水电科学技术研究院有限公司,四川 成都 610074四川大唐国际甘孜水电开发有限公司,四川 康定 626001河海大学水利水电学院,江苏 南京 210024
水利科学
监测数据大坝安全粗差识别人工智能APSO-Robust-ELM
monitoring datadam safetygross error identificationartificial intelligenceAPSO-Robust-ELM
《水力发电》 2024 (006)
111-116 / 6
国家自然科学基金资助项目(51739003);中央高校基本科研业务费专项资金资助项目(B230201011);江苏省水利科技项目(2022024)
评论