基于改进IGGⅢ-ELM法的混凝土坝变形监测数据粗差识别方法.pdf

水利水电科技进展,2023,43(6)摇 Tel:[phone]摇 E鄄mail:jz 摇 http:/第 43 卷第 6 期Vol.43 No.6水 利 水 电 科 技 进 展Advances in Science and Technology of Water Resources2023 年 11 月Nov.2023基金项目:国家自然科学基金联合基金项目(U2243223);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)作者简介:王岩博(1998),男,博士研究生,主要从事水工结构安全监控研究。E鄄mail:通信作者:顾冲时(1962),男,教授,博士,主要从事水工结构安全监控研究。E鄄mail:csgu DOI:10.3880/j.issn.10067647.2023.06.013基于改进 IGG芋鄄ELM 法的混凝土坝变形监测数据粗差识别方法王岩博1,2,顾冲时1,2,石摇 立3,顾摇 昊1,2,张建中1,2,陆摇 希3,吴摇 艳4,朱明远4(1.河海大学水灾害防御全国重点实验室,江苏 南京摇 210098;2.河海大学水利水电学院,江苏 南京摇 210098;3.中国电建集团西北勘测设计研究院有限公司,陕西 西安摇 710065;4.新疆水利水电科学研究院,新疆 乌鲁木齐摇 830049)摘要:针对混凝土坝变形监测数据存在非线性强、粗差识别与剔除困难等问题,结合改进 IGG芋法对异常值的抗差能力强、极限学习机(ELM)对数据序列预测效率高和对非线性问题处理能力强、增量 ELM 寻找最优网络结构速度快等优势,提出了基于改进 IGG芋鄄ELM 法的混凝土坝变形监测数据粗差识别方法,并采用包含两个调和系数的四段权函数对 IGG芋鄄ELM 法进行改进,使得权函数的一阶导数处处光滑,增强了权函数突变范围内信息的可利用性。与 IGG芋鄄ELM 法、DBSCAN聚类算法、罗曼诺夫斯基准则和拉依达准则的实例处理结果对比表明:基于改进 IGG芋鄄ELM 法的混凝土坝变形监测数据粗差识别方法较其他 4 种方法粗差识别率更高、泛化能力更强、预测效果更好。关键词:变形监测数据;混凝土坝;粗差识别;机器学习;变形预测中图分类号:TV698.1摇 摇 摇 文献标志码:A摇 摇 摇 文章编号:10067647(2023)06008907Gross error identification method for deformation monitoring data of concrete dams based on improved IGG芋鄄ELM method/WANG Yanbo1,2,GU Chongshi1,2,SHI Li3,GU Hao1,2,ZHANG Jianzhong1,2,LU Xi3,WU Yan4,ZHUMingyuan4(1.The national key Laboratory of Water Disaster Prevention,Hohai University,Nanjing 210098,China;2.College of Water Conservancy and Hydropower Engineering,Hohai University,Nanjing 210098,China;3.NorthwestEngineering Corporation Limited,Xi爷an 710065,China;4.Xinjiang Institute of Water Resources and Hydropower Research,Urumqi 830049,China)Abstract:Aiming at the problems of strong nonlinearity,difficulty in identifying and eliminating gross errors in concretedam deformation monitoring data,an approach of gross error identification and a dam safety monitoring model fordeformation monitoring data of concrete dams are proposed based on the improved IGG芋鄄ELM method,which combines theadvantages of the improved IGG芋 method with the good robustness to outliers,the extreme learning machine(ELM)method with high efficiency in predicting data sequences and strong ability to handle nonlinear problems and the incrementalELM method with rapid optimal network structure seeking,the IGG芋鄄ELM method is improved by using a four鄄segmentweight function containing two harmonic coefficients,making the first derivative of the weight function smooth everywhere,and enhancing the availability of information in the mutation range of the weight function.In the study case,the processingresult of the improved IGG芋鄄ELM method was compared with the IGG芋鄄ELM method,DBSCAN clustering algorithm,Romanovsky criterion and Pauta criterion.The results show that the gross error identification and prediction method ofconcrete dam deformation monitoring data based on the improved IGG芋鄄ELM method has a gross error identification rate,stronger generalization ability and better prediction effect than the other four methods.Key words:monitoring data;concrete dams;gross error identification;machine learning;deformation prediction摇 摇 混凝土坝是重要的国民基础设施,然而大型混凝土坝一旦失事,会给下游人民的生命财产带来巨大损失,并对周边城市、村庄和生态环境造成毁灭性的灾难1,因此,确保混凝土坝健康长效服役至关98水利水电科技进展,2023,43(6)摇 Tel:[phone]摇 E鄄mail:jz 摇 http:/重要。混凝土坝在设计施工中存在的不合理因素和在服役期间受到的动静循环荷载与恶劣环境侵蚀,会导致混凝土性能和大坝结构整体安全性降低,严重影响大坝的安全运行2,需要大坝安全监控系统实时掌握混凝土坝真实的工作性态,及时发现混凝土坝运行过程中的缺陷和隐患,并对病险坝进行除险加固3鄄5。在获取混凝土坝安全监测原始数据时,经常会因为读数错误、计算错误、检测仪器故障等产生一定的粗差。粗差的存在严重影响了大坝监测数据序列的准确性,只有采取有效措施予以剔除,才能取得真实可靠的大坝安全预测效果。目前应用广泛的粗差去除方法有过程线法、统计检验法和数学模型法6鄄7,这些传统方法存在粗差识别率低,经常出现误判、漏判等问题,因此,Zhang 等8基于集成学习算法提出了用实时数据更新的异常指标矩阵来识别大坝监测数据异常值的方法;Song 等9基于多变量面板数据和 K 均值聚类算法建立了大坝异常值监测的理论方法;Shao 等10利用图像处理技术和布谷鸟搜索算法处理大坝监测数据中的异常值。同时,也有众多学者将稳健估计理论引入粗差识别模型中,从而增强模型的鲁棒性和泛化能力。赵泽鹏等11提出了一种基于最小协方差行列式估计的拉依达准则改进算法来识别大坝监测数据中的残差异常值;Li 等12提出了结合稳健统计量和置信区间的早期预警模型来识别监测异常值;李兴等13提出了基于 M 估计的改进 Pauta 准则去除粗差算法,有效地解决了异常值误判的问题;胡德秀等14结合稳健估计 抵 抗 粗 差 能 力 强 和 极 限 学 习 机(extremelearning machine,ELM)能够处理非线性问题的优势,建立了基于 M鄄ELM 的大坝安全监控模型。与传统方法相比,这些方法能够较好地解决大坝变形数据中的异常值问题,但当存在连续偏离正常值或低偏差度的监测序列时,仍存在误判漏判现象,导致可利用信息在稳健估计中不能得到充分利用。这一现象需要进一步研究,以提高对异常数据的识别能力。目前传统的大坝安全监控模型有数理统计模型、确定性模型和混合模型。葡萄牙、意大利等国家早在 20 世纪 50 年代就开始采用统计回归法建立大坝变形监控模型15鄄16。我国大坝安全监控模型起步相对较晚,20 世纪 80 年代中期吴中如17采用逐步回归、加权回归等数理统计方法,建立了实测数据与效应量之间的统计模型,并成功地应用于实际工程中。近年来,随着计算机、大数据和人工智能的发展,随机森林算法、神经网络、粒子群算法等智能算法相继被引入大坝安全监控领域。Huang 等18首次将核偏最小二乘法引入超高坝的安全监测中;Xu19构建了基于径向基函数神经网络的大坝变形监测模型;Gu 等20基于优化随机森林方法建立了混凝土坝监测因子挖掘模型;Chen 等21基于狄利克雷过程 高斯混合模型聚类算法提出了一种考虑时空分异的大坝综合位移预测模型。这些智能算法能够更好地解决监控模型中复杂的非线性问题和众多的不确定因素,提高大坝安全监控模型的鲁棒性和泛化能力,进而提高大坝安全监控的预测精度。选权迭代法中的 IGG芋法是稳健估计中最常用的方法,其初值的选取一般采用最小二乘法。然而,IGG芋权函数的一阶导数存在不光滑的“尖点冶,导致其附近范围内的信息不能被充分准确地利用,对于小偏差异常值易造成数据误判漏判的现象。因此,本文结合 IGG芋与 ELM 方法进行混凝土坝变形监测数据的粗差识别与回归分析,采用包含两个调和系数的四段权函数对 IGG芋鄄ELM 进行改进(以下简称“改进 IGG芋鄄ELM 法冶),并结合工程案例讨论该方法在粗差识别和回归预测中的效果,以期更好地解决监测模型中复杂的非线性问题和众多的不确定因素,提高大坝安全监测模型的鲁棒性和泛化能力,进而提高大坝安全监测的预测精度。1摇 改进 IGG芋鄄ELM 法1.1摇 IGG芋鄄ELM 法ELM 是一种简单高效的单隐含层前馈神经网络算法,相比于传统的神经网络算法具有学习速度快、泛化能力强、预测精度高等优点22鄄23。神经网络隐含层节点输出权重14为茁夷=(HTBH)-1HTBTT(1)式中:H 为隐含层输出矩阵;B 为隐含层的随机偏置矩阵,B=(b1,b2,bl)T;T 为混凝土坝的变形实测值矩阵。若大坝实际变形的权重为 Pi,令軈P=(軈Pi)=(Pibi),其中軈Pi为 IGG芋等价权函数的一阶导数,则法方程组矩阵为茁夷=(HT軈PH)-1HT軈PTT(2)摇 摇 稳健估计中的选权迭代法是根据残差大小确定权因子,其中最有效的方案是利用 IGG芋法逐步降低异常值的权重,达到准确识别粗差的目的。具体公式为軈Pi=1軇vi臆 k1k1軇vik2-軇vik2-k12摇 k1 k2(3)09水利水电科技进展,2023,43(6)摇 Tel:[phone]摇 E鄄mail:jz 摇 http:/式中:k1=1.5;k2=2.5;軇vi为标准化残差。处理方法如表 1 所示。表 1摇 IGG芋法权重处理方法判别条件监测值措施权重軇vi臆k1正常保权1k10 k2异常淘汰01.2摇 IGG芋鄄ELM 法的改进稳健估计是一个保留有效数据信息、削弱可用数据信息、剔除干扰数据信息的反复迭代过程。IGG芋权函数的一阶导数在 k1处存在不光滑的“尖点冶,使得 k1附近的数据信息不能得到充分利用,易出现误判漏判的情况。因此,本文采用包含两个调和系数的四段权函数一阶导数来替代式(3):軈Pi=1軇vi臆 k11-2軇vi-k1k2-軇vi2k1軇vi臆k1+k222k2-軇vi軇vi-k12k1+k22 k 2(4)改进 IGG芋的权函数如图 1 所示。图 1摇IGG芋及改进方案的权函数1.3摇 增量 ELM 法确定隐含层节点数在 ELM 中,隐含层节点数是影响网络泛化能力的一个重要参数,本文采取增量 ELM 法确定隐含层的节点个数。该方法的原理是初始化一个较小的ELM 网络结构,逐渐增加隐含层的节点个数,使其结果达到期望精度为止。具体步骤如下:假设 ELM 网络结构初始隐含层节点数为 s-1,则 茁s-1=(HTs-1Hs-1)-1HTs-1TT,其中茁s-1表示节点数为 s-1 时隐含层与输出层之间的连接权重;当新的节点加入后,有 茁s=(HTsHs)-1HTsTT,其中 Hs=(Hs-1,vs),vs为与第 s 个隐含层节点连接的隐含层输出向量。由于(HTsHs)-1是对称的,因此有(HTsHs)-1=ABBE-1=A忆B忆B忆TE忆(5)其中A=HTs-1Hs-1摇 B=HTs-1vs摇 C=vTsvs摇 摇 因此有I=ABBTEA忆B忆B忆TE忆=AA忆+BB忆TAB忆+BE忆BTA忆+EB忆TBTB忆+EE忆(6)解得:A忆=A-1B(A-1B)TE-BT(A-1B)+A-1B忆=A-1BBTA-1B-EC忆=1E-BTA-1B(7)摇 摇 因此可得:Ds=A忆B忆B忆TE忆HTs-1vTs=A忆HTs-1+B忆vTsB忆THTs-1+E忆vTs(8)摇 摇 令 Ds=(M,N)T,把式(7)代入式(8)可以计算M 和 N,即可算得 茁s。1.4摇 大坝监测数据中剔除粗差的具体步骤对于给定的数据拟合段 N,初始隐含层节点个数为 s,最大隐含层节点数为 smax,期望精度为 着。步骤 1摇在 ELM 网络结构中随机生成输入大坝环境量因子的权重矩阵 棕 和偏置矩阵 B(i=1,2,s)。步骤 2摇 令 s=1,计算隐含层输出矩阵 H0和混凝土坝拟合效应量因子权重 茁0,并计算网络学习精度 es=e0。步骤 3摇 当 s着 时,令 s=s+1,计算输出矩阵 Hs和混凝土坝拟合效应量因子权重 茁s,直至满足条件为止,得到最优隐含层节点数s*。步骤 4摇 利用改进 IGG芋法计算混凝土坝变形监测数据的初始等价权矩阵軈P。步骤 5摇 根据步骤 3 中 s*对应的 Hs*和步骤 4中軈P,利用式(2)计算 茁夷。步骤 6摇逐次迭代计算,直至 茁夷i-1-茁夷i臆啄 时停止。步骤 7摇 输出混凝土坝在连续时间序列上的监测变形权重 Pi,Pi为 0 的样本序列判定为粗差,予以剔除。改进 IGG芋鄄ELM 法粗差识别流程如图 2 所示。2摇 工程案例2.1摇 工程概况某水电站是雅砻江干流梯级滚动开发的龙头水库电站,水库正常蓄水位 1880 m,主要任务是发电,兼有防洪、拦沙作用。该水电站的主要建筑物为19水利水电科技进展,2023,43(6)摇 Tel:[phone]摇 E鄄mail:jz 摇 http:/图 2摇 改进 IGG芋鄄ELM 法粗差识别流程混凝土双曲拱坝,坝顶高程1885m,最大坝高305 m。本文选取电站运行期 2016 年 9 月 1 日至 2018 年5 月19 日的位移监测数据,分析并验证所用方法的准确性和适用性。图 3 为该水电站双曲拱坝的三维模型。图 3摇 双曲拱坝的三维模型2.2摇 模型影响因子的选取及数据集的划分在混凝土坝运行过程中,大坝会受到水压力、扬压力、泥沙压力和温度等荷载的共同作用,选取水压分量 啄H、温度分量 啄T、时效分量 啄兹为自变量,大坝变形的位移 啄 为因变量,利用 ELM 建立自变量与因变量间的非线性映射,能够较好地构建大坝变形位移的预测模型,其表达式为啄=啄H+啄T+啄兹(9)选取 H-H0、H2-H20、H3-H30、H4-H40作为水压因子,sin2仔t365-sin2仔t0365、cos2仔t365-cos2仔t0365、sin4仔t365-sin4仔t0365、cos4仔t365-cos4仔t0365作为温度因子,兹-兹0、ln兹-ln兹0作为时效因子,其中 H 为上游水位,H0为观测起始日的上游水位,t 为监测日至实测日的累计天数,t0=1,兹=0.01t,兹0=0.01t0。拱冠梁的监测数据是馈控大坝变形安全的关键性数据,因此选取 13 号坝段坝中监测点 PL13鄄3 作为研究对象,将其径向位移监测数据划分为拟合段(用于模型拟合的数据样本)和验证段(用于验证模型泛化能力的数据样本),拟合段为 2016 年 9 月1 日至 2018 年 3 月 22 日(共计 522 个数据样本),验证段为 2018 年 3 月 23 日至 2018 年 5 月 19 日(共计 58 个数据样本)。为了检验改进 IGG芋鄄ELM 法识别粗差的效果,将震荡、台坎、突跳、台阶 4 种类型及偏差量较小的粗差引入到测点 PL13鄄3 中(粗差类型分别计为淤、于、盂、榆、虞),测点的位移过程线见图 4。图 4摇 PL13鄄3 测点加入粗差的位移过程首先在 ELM 网络结构中随机产生权重 棕i和bi,将隐含层节点数初始值取为 1,将拟合段数据按式(5)处理后输入该网络结构。其次不断增加隐含层节点数 s,当 s=42 时,满足所需的学习精度,因此选定隐含层节点数为 42 个。取 啄=0.001,利用改进IGG芋鄄ELM 法进行选权迭代,计算每个拟合段数据的权重。图 4 中所插入粗差的初次迭代权重如表 2所示,最终迭代权重均降为 0,根据最终迭代权重可识别出拟合段所有的异常值数据。2.3摇 粗差去除效果对比分析采用 IGG芋鄄ELM 法、DBSCAN 聚类算法、罗曼诺夫斯基准则、拉依达准则与改进 IGG芋鄄ELM 法进行对比,分析不同方法去除粗差的效果。表 3为不同方法的粗差识别情况对比。由表 3 可知,传统的29水利水电科技进展,2023,43(6)摇 Tel:[phone]摇 E鄄mail:jz 摇 http:/表 2摇 粗差初次迭代权重日期初次迭代权重日期初次迭代权重2016鄄01鄄110.97232016鄄11鄄250.92612016鄄10鄄120.98672017鄄03鄄0502016鄄10鄄1312017鄄03鄄060.67722016鄄11鄄1002017鄄03鄄0712016鄄11鄄110.84152017鄄03鄄0812016鄄11鄄1302017鄄04鄄050.96222016鄄11鄄1402017鄄04鄄0602016鄄11鄄1502017鄄04鄄0702016鄄11鄄1602017鄄08鄄0102016鄄11鄄1802017鄄09鄄1502016鄄11鄄1902017鄄09鄄1602016鄄11鄄2102017鄄09鄄1702016鄄11鄄2202017鄄09鄄1802016鄄11鄄240.69672017鄄09鄄190表 3摇 粗差插入位置和不同方法的粗差识别情况日期原始位移/mm位移测值粗差/mm加入粗差后的位移测值/mm粗差识别情况改进 IGG芋鄄ELM 法IGG芋鄄ELM 法DBSCAN聚类算法罗曼诺夫斯基准则拉依达准则2016鄄10鄄1138.14-1.1337.01姨2016鄄10鄄1238.13-1.2336.90姨2016鄄10鄄1338.15-1.1537.00姨2016鄄11鄄1038.85-5.8533.00姨姨姨2016鄄11鄄1138.754.2543.00姨姨姨2016鄄11鄄1338.82-5.8233.00姨姨2016鄄11鄄1438.819.1948.00姨姨姨2016鄄11鄄1538.78-6.7832.00姨姨2016鄄11鄄1638.707.3046.00姨姨姨2016鄄11鄄1838.67-6.6732.00姨姨2016鄄11鄄1938.608.4047.00姨姨姨2016鄄11鄄2138.52-6.0232.50姨姨姨2016鄄11鄄2238.48-6.4832.00姨姨姨2016鄄11鄄2438.474.5343.00姨姨姨2016鄄11鄄2538.483.5242.00姨姨姨2017鄄03鄄0526.056.9533.00姨姨姨2017鄄03鄄0625.72-12.2213.50姨姨2017鄄03鄄0725.363.6429.00姨姨2017鄄03鄄0825.003.5028.50姨姨2017鄄04鄄0513.871.3015.17姨2017鄄04鄄0613.571.4014.97姨2017鄄04鄄0713.141.5014.64姨2017鄄08鄄0128.2429.7658.00姨姨姨姨2017鄄09鄄1536.56-5.5631.00姨姨姨2017鄄09鄄1636.4826.5263.00姨姨姨姨姨2017鄄09鄄1736.7326.2763.00姨姨姨姨姨2017鄄09鄄1836.74-6.7430.00姨姨姨2017鄄09鄄1936.63-6.6330.00姨姨姨摇 摇 注:“姨冶表示该方法可以识别粗差。拉依达准则和罗曼诺夫斯基准则粗差识别能力较差,识别率分别为 7.14%和 10.71%;DBSCAN 聚类算法能识别出16 个粗差,识别率为57.14%;IGG芋鄄ELM 法能识别出淤、于、盂、榆类型的粗差,但没有识别出粗差虞,表明该方法对于小偏差量的异常值没有抵抗能力;改进 IGG芋鄄ELM 法能识别出 28 个粗差,识别率为 100%。通过对比可知,改进 IGG芋鄄ELM 法不仅具有更好的稳健能力,而且能够充分利用 k1附近的数据信息,精准地识别出大坝位移监测数据中偏差量较小的异常值。2.4摇 剔除粗差后的验证效果根据表 3 数据,使用改进 IGG芋鄄ELM 法对 5 种方法剔除异常值后的数据集建立大坝安全监测模型,并根据 2018 年 5 月 21 日至 2018 年 12 月 30 日的水压、温度、时效分量对大坝径向位移进行预测,从而评估模型最终的泛化能力,如图 5 所示。由图 5可知,利用改进 IGG芋鄄ELM 法剔除异常值后,模型拟合段的拟合值与实测值基本重合,拟合效果很好;从预测段的散点排列中可以看出,预测段的大坝径向位移变化趋势符合拟合段的大坝径向位移变化规律,表明该方法具有准确的预测精度和良好的泛化能力。选取 平 均 绝 对 误 差(MAE)、均 方 根 误 差(RMSE)、决定系数(R2)作为评判指标进行对比,结果如表 4 所示。从表 4 可知,在剔除异常值后的大坝径向位移验证中,5 种方法的 R2均在 0.85 以上,验证段的 MAE、RMSE 均在 1 以内,表明利用改进39水利水电科技进展,2023,43(6)摇 Tel:[phone]摇 E鄄mail:jz 摇 http:/图 5摇 5 种方法剔除粗差后的大坝监测模型泛化能力表 4摇 评判指标对比粗差识别方法训练段验证段MAE/mmRMSE/mmR2MAE/mmRMSE/mmR2改进 IGG芋鄄ELM 法0.08900.12610.99980.23010.34570.9815IGG芋鄄ELM 法0.17900.24720.99830.41580.48550.9604DBSCAN 聚类算法0.37640.95260.97060.55720.61270.9375罗曼诺夫斯基准则0.46841.53550.97620.86680.91070.8614拉依达准则0.41041.15820.98630.59470.73160.9106IGG芋鄄ELM 法进行大坝安全监测建模是合理和准确的。其中利用改进 IGG芋鄄ELM 法剔除粗差后拟合段和验证数据是 5 种方法中误差最小、相关性最强的一组数据。综上可知,利用改进 IGG芋鄄ELM 法去除粗差的比例最高,对后续大坝径向位移的监测效果最好。3摇 结摇 语针对复杂因素影响下大坝安全监测数据中的粗差问题,结合增量 ELM 法寻找最优网络结构速度快、改进 IGG芋选权迭代法对异常值的抗差能力强、ELM 对数据序列的预测效率高和处理非线性问题能力强等方面的优势,提出了基于改进 IGG芋鄄ELM法的混凝土坝变形监测数据粗差识别方法。改进IGG芋鄄ELM 法能够很好地解决连续时间序列数据中的粗差识别问题。工程案例表明,在人为添加 28个粗差的大坝监测数据序列中,粗差识别率为100%。相比于其他 4 种粗差识别方法,该模型剔除粗差效果更好、识别精度更高、泛化能力更强,验证了模型的准确性与可靠性。通过 5 种方法剔除粗差后,利用改进 IGG芋鄄ELM 法对大坝安全进行监测,结果表明所用方法在剔除粗差后具有更好的拟合效果和更高的预测精度。参考文献:1 顾冲时,苏怀智,刘何稚.大坝服役风险分析与管理研究述评 J.水 利 学 报,2018,49(1):26鄄35.(GUChongshi,SU Huaizhi,LIU Hezhi.Review on service riskanalysis of dam engineering J.Journal of HydraulicEngineering,2018,49(1):26鄄35.(in Chinese)2 袁冬阳,顾冲时,顾昊.严寒地区混凝土重力坝变形行为分析与预测模型J.水利学报,2022,53(6):733鄄746.(YUANDongyang,GUChongshi,GUHao.Displacement behavior analysis and prediction model ofconcrete gravity dams in cold region J.Journal ofHydraulic Engineering,2022,53(6):733鄄746.(inChinese)3 顾昊,曹文翰,汪程,等.混凝土坝服役性态监测效应量安全监控指标拟定方法J.水利水电科技进展,2021,41(1):30鄄34.(GU Hao,CAO Wenhan,WANG Cheng,etal.Safety monitoring index determination for monitoringeffect quantity of concrete dams in serviceJ.Advancesin Science and Technology of Water Resources,2021,41(1):30鄄34.(in Chinese)4 赵二峰,顾冲时.混凝土坝长效服役性态健康诊断研究述评J.水力发电学报,2021,40(5):22鄄34.(ZHAOErfeng,GU Chongshi.Review on health diagnosis of long鄄49水利水电科技进展,2023,43(6)摇 Tel:[phone]摇 E鄄mail:jz 摇 http:/term service behaviors for concrete damsJ.Journal ofHydroelectric Engineering,2021,40(5):22鄄34.(inChinese)5 赵二峰,顾冲时.碾压混凝土坝安全服役关键技术研究进展J.水利水电科技进展,2022,42(1):11鄄20.(ZHAOErfeng,GUChongshi.Reviewonkeytechnologies for safe operation of roller compacted concretedamsJ.Advances in Science and Technology of WaterResources,2022,42(1):11鄄20.(in Chinese)6 刘千驹,陈代明,陈少勇,等.小波理论在大坝安全监测数据粗差探测中的应用J.西北水电,2020(增刊 1):129鄄132.(LIU Qianju,CHEN Daiming,CHEN Shaoyong,et al.Application of wavelet theory in detection of grosserrors in dam safety monitoring data J.NorthwestHydropower,2020(Sup1):129鄄132.(in Chinese)7 花胜强,李永红,高磊,等.基于离差和改进的大坝变形监测粗差判别方法J.水电能源科学,2020,38(6):67鄄69.(HUA Shengqiang,LI Yonghong,GAO Lei,et al.Agross errordiscriminantmethodbasedondifferencesquares in dam displacement monitoring J.WaterResources and Power,2020,38(6):67鄄69.(in Chinese)8 ZHANG Jun,XIEJiemin,KOUPangao.Abnormaldiagnosis of dam safety monitoring data based on ensemblelearning J.IOPConferenceSeries:EarthandEnvironmental Science,2019,267(6):062027.9 SONG Jintao,ZHANG Shengfei,TONG Fei,et al.Outlierdetection based on multivariable panel data and K鄄meansclustering for dam deformation monitoring data J.Advances in Civil Engineering,2021,2021:3739551.10 SHAO Chenfei,ZHENG Sen,GU Chongshi,et al.A noveloutlier detection method for monitoring data in damengineeringJ.Expert Systems with Applications,2022,193:116476.11 赵泽鹏,陈建康,张瀚,等.基于稳健估计的大坝监测数据粗差识别方法J.水电能源科学,2018,36(12):68鄄71.(ZHAO Zepeng,CHEN Jiankang,ZHANG Han,et al.The method for gross error identification of dam monitoringdata based on robust estimationJ.Water Resources andPower,2018,36(12):68鄄71.(in Chinese)12 LI Xing,LI Yanling,LU Xiang,et al.An online anomalyrecognition and early warning model for dam safetymonitoring dataJ.Structural Health Monitoring,2020,19(3):796鄄809.13 李兴,李艳玲,张鹏,等.基于 M 估计的改进 Pauta 准则在监测数据粗差识别中的研究及应用J.中国农村水利 水 电,2019(8):133鄄136.(LI Xing,LI Yanling,ZHANG Peng,et al.Research on an improved PautacriterionbasedonM鄄estimationforgrosserroridentification of monitoring data and its applicationJ.China Rural Water and Hydropower,2019(8):133鄄136.(in Chinese)14 胡德秀,屈旭东,杨杰,等.基于 M鄄ELM 的大坝变形安全监控模型J.水利水电科技进展,2019,39(3):75鄄80.(HU Dexiu,QU Xudong,YANG Jie,et al.A safetymonitoring model of dam deformation based on M鄄ELMJ.Advances in Science and Technology of WaterResources,2019,39(3):75鄄80.(in Chinese)15 马佳佳,苏怀智,王颖慧.基于 EEMD鄄LSTM鄄MLR 的大坝变形组合预测模型J.长江科学院院报,2021,38(5):47鄄54.(MA Jiajia,SU Huaizhi,WANG Yinghui.Combinatorial prediction model for dam deformation basedon EEMD鄄LSTM鄄MLR J.Journal of Yangtze RiverScientific Research Institute,2021,38(5):47鄄54.(inChinese)16 侯回位,郑东健,刘永涛,等.基于 EEMD鄄SE鄄LSTM 的混凝土坝变形监测模型J.水利水电科技进展,2022,42(1):61鄄66.(HOU Huiwei,ZHENG Dongjian,LIUYongtao,et al.Deformation monitoring model of concretedams basedonEEMD鄄SE鄄LSTM J.AdvancesinScience and Technology of Water Resources,2022,42(1):61鄄66.(in Chinese)17 吴中如.论混凝土坝安全监控的确定性模型及混合模型 J.水 利 学 报,1989(5):64鄄70.(WU Zhongru.Research on the deterministic model and hybrid model ofconcrete dam safety monitoringJ.Journal of HydraulicEngineering,1989(5):64鄄70.(in Chinese)18 HUANG Hao,CHEN Bo,LIU Chungao.Safety monitoringof a super鄄high dam using optimal kernel partial leastsquaresJ.Mathematical Problems in Engineering,2015,2015:571594.19 XU Guanghua.Application of RBF neural network in damdeformation prediction J.AppliedMechanicsandMaterials,2014,675鄄677:261鄄264.20