水工建筑物地区渗流监控模型的研究

《水工建筑物地区渗流监控模型的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要随着水资源的开发与利用的发展，水工建筑物安全问题日益突出。如何正确地预报水工建筑物安全监测量，对指导水工建筑物安全运行和辅助决策具有重要的意义。本文针对与水工建筑物安全密切相关的渗流监控问题，利用数理统计、最优化、小波网络等方法，结合天荒坪抽水蓄能电站原型观测资料，分别建立了常规统计模型、基于滞后效应的优化统计模型和小波网络模型，并采用数值方法求解，从而得出以下结论：(1)通过对渗流量影响因子的分析研究，合理选择因子，建立了大坝渗流量的常规统计模型。实例分析表明，常规统计模型在分析具有线性特征的渗流的监测资料时，模型很

2、有效，而在分析具有非线性特征的渗流的监测资料时，效果不是很好。(2)在分析库水位和降雨对渗流滞后效应的基础上，深入研究了大坝渗流的数学监控模型，建立了基于滞后效应的渗流优化统计模型。应用结果表明，在分析相同监测资料时，优化统计模型明显优于常规统计模型，但是在分析具有非线性特征的渗流的监测资料时，模型精度仍然不高。(3)在小波和小波变换基本特征研究的基础上，引出小波网络，重点研究了小波网络的模型和结构及其学习规则，利用小波网络在函数逼近问题上的优点，建立了渗流小波网络模型。计算结果表明，与常规统计模型和优化统计模型相比，小波

3、网络模型在大坝线性和非线性特征的渗流预测中都能取得较好的预测效果。关键词：大坝，渗流监控模型，常规统计模型，滞后效应，优化统计模型，小波网络模型AbstractWiththedevelopmentofwaterresourcesexploitationandutilization，theproblemsinvolvedinhydraulicstructuresafetybecomeincreasinglyremarkable．Itisimportanttopredictthemonitoringdataofhydrauli

4、cstructurepreciselyforsupervisinganddecision—makingofhydraulicstructureoperation．Aimingatseepageflowmonitoringproblemsrelatedtosafetyhydraulicstructureclosely,sometheoriesandmethodsarepresentedforseepageflowmonitoringmodelbasedonthemathematicalandmechanicalknowled

5、ge，suchasprobabilitystatistics，methodsofoptimization，waveletnetwork，andsoon，togetherwithprototypeobservationdatefromTianhuangpingpumped—storagehydroelectricplant，theordinarystatisticalmodel，theoptimumstatisticalmodelonlaggingeffectandthewaveletnetworkmodelareestab

6、lishedrespectively，wecandrawthefollowingconclusionsfromobtainingsolutionbythewayofthenumericalanalysismethod．1．Afteranalyzingfactorsofseepageflowquantity，theordinarystatisticalmodelisestablishedbyselectingfactorsreasonably．Theexampleshowsthatordinarystatisticalmod

7、eliseffectiveinanalyzingmonitoringdataoflinearseepageflow,however,whenitislesseffectiveinanalyzingmonitoringdataofnon—linearseepageflOW．2．Basedonanalysisoflaggingeffectofreservoirlevelandrainfallontheseepageflow，theseepageflowmonitoringmodelsofthedamareresearched，

8、andtheseepageflowoptimumstatisticalmodelonlaggingeffectisestablished．Theappliedresultshowsthatoptimumstatisticalmodelismoreprecisethantheordinarystatist