一、时间水位因子模型在大坝变形分析中的应用（论文文献综述）
罗朝林,陈武奋,张波,梁启斌[1]（2022）在《基于小波优化神经网络在大坝变形预测的应用》文中研究指明针对传统BP神经网络大坝变形预测模型存在网络收敛速度慢、陷入局部极值点、泛化能力差的不足,结合了小波的时频局部分析能力与神经网络的自学习、自组织的特点构建了基于小波神经网络的大坝变形预测模型;选取广州市李溪拦河坝4#沉降实测值为研究对象,将2016年1月至2019年6月共557组数据作为模型训练集建立模型;2019年7月至2019年10月95组数据作为模型验证集,用于评判模型性能。通过小波神经网络与BP神经网络测试集预测结果表明:基于BP神经网络变形预测模型均方误差为0.138、确定性系数为0.748;基于小波神经网络变形预测模型均方误差为0.025、确定性系数为0.927,小波神经网络在大坝变形预测中具有收敛速度快、预测精度高和泛化能力强等特点。
徐肖遥[2]（2020）在《基于多因素神经网络模型的大坝变形预测研究》文中研究指明我国河流众多、径流丰沛、落差巨大,蕴藏着非常丰富的水电资源。其陆地水力资源理论蕴藏量在10MW及以上的河流共有3886条,分别建有共9.8万余座水坝,在提供清洁能源同时,还对防洪、供水、灌溉起重要作用。于上个世纪80年代以前建设的老坝基本上为土石坝,出险的几率较高。目前,我国200米级以上高坝主要集中在西部地区,高海拔、高地震烈度、高边坡、地质条件极为复杂,需要对大坝的安全监测进行研究。由于大坝的变形是一个受水压因子、时效因子、温度因子等多因素共同影响的、长期的、非线性的复杂变化过程,而传统方法是利用单一的理论方法、算法模型进行大坝变形预测,所以这种基于理想严格的假定条件之下的传统模型难以取得良好的预测效果。在此情况下,引入能够进行复杂逻辑运算和非线性关系实现的一种非线性信息处理模型——人工神经网络,构建对大坝的变形预测模型。为此,本文以神经网络中近年研究热点的极限学习机为基础研究手段,结合遗传算法、粒子群优化算法,提出组合模型,并创新性地融入了经验模态分解、补充集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）滤波、影响因子选择与分析和差分整合移动平均自回归模型（Autoregressive Integrated Moving Average model,ARIMA）误差修正等理论知识,构建了基于多因素神经网络的大坝变形预测模型及模型的误差修正和精度评定。具体研究内容包括以下几方面:（1）研究学习了经验模态分解的相关理论和主要特性,并针对经验模态分解（empirical mode decomposition,EMD）存在的问题,深入研究了集合经验模态分解和补充集合经验模态分解。由于大坝的变形是多种因素共同作用的结果,因此通过分解,可以更好的对应分析其物理因素的影响。在此之上,科学合理进行大坝变形监测数据的滤波,提高了大坝变形预测模型的精度。（2）利用Spearman秩相关系数对智能算法输入层中主要影响因子进行分析评价,并据此进行影响因子的选择,最终确认大坝变形预测模型的影响因子。同时为消除量纲和数值差距的影响,对大坝变形预测模型的影响因子和变形监测数据进行归一化处理。（3）将遗传算法、粒子群算法和极限学习机相结合,利用遗传算法（Genetic Algorithm,GA）算法和粒子群优化算法（Particle Swarm optimization,PSO）算法对极限学习机（Extreme Learning Machine,ELM）神经网络的输入权值和隐含层阈值进行优化,分别构建GA-ELM和PSO-ELM组合模型,并结合之前选取的多种大坝变形影响因子构建基于多因素神经网络的大坝变形预测模型,结合实例验证。（4）利用ARIMA误差修正模型对预测结果进行残差修正,减弱大坝变形预测模型的预测残差,进一步提高模型精度。结合均方根误差RMSE、平均绝对误差MAE和平均相对误差MRE三个评价系数,对所有预测结果进行评价分析,验证构建的基于多因素神经网络的大坝变形预测模型的合理性。
谢怀宇[3]（2019）在《基于改进布谷鸟优化MKELM和Bootstrap方法的大坝变形预测研究》文中进行了进一步梳理大坝变形预测对于分析大坝服役性态,保证大坝安全运行具有重要的理论与现实意义。然而,现有变形预测模型如统计模型、神经网络模型等采用线性回归、梯度下降等建模方式,存在难以有效表达变形序列高维非线性特征、易陷入局部最优的不足,因此模型的预测精度有待进一步提升;同时,在对变形观测数据进行建模预测时,监测数据的随机噪声、模型结构的主观选择、参数的随机设置等因素对预测结果的不确定具有较大影响,然而当前研究仅能以点预测方式进行坝体变形的预测分析,缺乏有效量化变形预测过程中的不确定性,导致难以判断结果的可信度。针对上述问题,本文提出基于改进布谷鸟优化多核极限学习机（improved cuckoo search-multiple kernel extreme learning machine,ICS-MKELM）和Bootstrap方法的大坝变形预测模型,实现在精确预测变形值的同时,通过区间形式表征预测结果的不确定程度,主要研究内容如下:（1）针对目前大坝变形预测模型精度有待提高的问题,提出了基于改进布谷鸟优化多核极限学习机的大坝变形点预测算法。通过将处理非线性问题适用性良好的核极限学习机和泛化、学习能力强的混合核相结合,构建高精度的多核极限学习机模型（multiple kernel extreme learning machine,MKELM）。同时采用基于惯性权重和混沌理论改进的布谷鸟搜索（improved cuckoo search,ICS）算法对多核极限学习机中核参数及正则系数进行优化,以进一步弥补模型易陷入局部最优的不足。（2）针对现有预测模型缺乏考虑模型及数据中不确定性因素的影响,提出基于改进布谷鸟优化多核极限学习机和区间预测方法的大坝变形预测模型。在改进布谷鸟优化多核极限学习机点预测算法的基础上,引入Bootstrap区间预测方法,通过重复抽样的形式估计模型和样本两者中如数据噪声、模型结构选择的主观性、模型参数设置的随机性等因素造成的不确定性影响,以构造对应的预测区间,从而实现对结果不确定程度的量化表征。（3）结合我国西南某工程为研究对象,进行了大坝变形预测应用研究。采用所提出的基于改进布谷鸟优化MKELM和Bootstrap方法的预测模型进行大坝变形预测研究。将其与标准布谷鸟优化多核极限学习机、单核极限学习机、极限学习机等预测方法对应的点预测和区间预测结果进行比较分析,结果表明,本文模型具有优越性和一致性,其在均方误差和宽度范围综合指数两项指标中的改进率最高可分别达到36.45%和93.48%,表现出良好的点预测和区间预测精度。
刘冬临[4]（2019）在《基于一对一连接BP神经网络的混凝土坝坝基扬压力监控模型研究》文中研究指明坝基扬压力是混凝土坝安全监测中的一项重要物理量,通过对它的监测分析,可以掌握坝基的渗流形态,了解防渗帷幕和排水系统的工作性能以及坝体的稳定情况。本文首先阐述两种常规坝基扬压力监控模型——逐步回归分析模型和BP神经网络模型。逐步回归分析模型原理简单,操作方便,且可进行因子分离,定量研究各因子对扬压力的影响;但无法对非线性系统进行模拟,预测精度很难保证。BP神经网络模型实现了输入到输出的高度非线性映射,预测精度一般较高;但无法展开各因子对扬压力影响的定量研究。同时,常规模型输入因子内容多样、数目多。在此基础上,本文提出一对一连接BP神经网络坝基扬压力监控模型。该模型是在BP神经网络的基础上,对网络结构和输入因子两个方面进行改变。（1）一对一连接BP神经网络坝基扬压力监控模型将BP神经网络输入层和隐藏层之间神经元的连接方式由全连接变为一对一连接,隐藏层和输出层之间仍保持全连接不变。网络结构改变后,模型输出为各因子影响效应线性累加之和的形式,这是模型能实现因子分离的根本原因。一对一连接BP神经网络模型不仅实现了输入因子与扬压力之间的非线性映射,还可进行因子分离,定量研究各因子对扬压力的影响。同时,网络结构的改变使隐藏层神经元个数等于输入因子个数,克服了BP神经网络隐藏层神经元个数难以确定的问题。（2）一对一连接BP神经网络坝基扬压力监控模型采用一种新的输入因子选择方法。考虑坝基扬压力测压孔管水位监测数据时间上的连续性,用测压孔管水位前一次监测值,前后两次管水位监测时对应的上游水位变化值、下游水位变化值、降雨变化值和气温变化值来预测后一次管水位。因子数目减少为5且内容固定,有效控制了输入因子的个数,避免了输入因子内容的多样化。本文利用丹江口大坝坝基扬压力监测资料,在R语言中建立逐步回归分析模型、BP神经网络模型和一对一连接BP神经网络模型。计算结果表明一对一连接BP神经网络模型因子分离结果可靠,预测精度最高;BP神经网络模型预测精度其次;逐步回归分析模型预测精度最低。然后对一对一连接BP神经网络模型进行分析,研究发现网络结构的改变对模型预测精度不会产生影响,输入因子的改变才是模型预测精度提高的原因。同时,网络结构和输入因子的改变均能减少模型中计算参数的个数,提高模型计算效率。因此使用一对一连接BP神经网络模型对混凝土坝坝基扬压力监测资料进行分析是有效可行的,可为大坝的安全运行提供科学依据。
王仕松[5]（2019）在《基于流固耦合的灯泡贯流式水电站大坝安全性分析》文中指出水电站大坝的安全是在水电站运行期间关注的重点,尤其在汛期,水电站大坝的安全更是关乎下游人民的生命财产安全。贯流式水电站虽然水头较低,但距离城市较近,一旦发生溃坝,直接威胁着整个城市的安全,因此,对于贯流式水电站的大坝安全问题正在引起越来越多学者的关注。大坝的变形分析涉及的学科较多,其分析方法的选择直接关系着对大坝安全的判断及预测,正确和适当的分析方法能够了解大坝的安全现状,同时能预测大坝在遭遇极端洪水工况时各建筑物的可靠性。本文选取黄河干流某典型贯流式水电站作为研究对象,采用数值模拟的方法,分析大坝结构在不同泄流工况下的变形特性。首先,根据研究对象的相关设计图纸、参数,建立出大坝主要结构的三维模型。通过改变闸门开度和机组启闭情况得到校核、设计洪水工况的大坝模型,对校核、设计洪水工况进行数值模拟计算得到相应的泄流流态、流速,并将计算结果与水工模型试验结果对比,验证了数值计算方法及模型的正确性和可靠性。其次,通过改变闸门开度和机组启闭情况得到由水工模型试验确定的在库水位为1551m的5种运行工况泄流方案的大坝模型,对各泄流方案进行数值模拟计算,得到不同泄流方案的大坝结构变形特性,通过对5种泄流方案大坝变形特性进行分析,选出仅考虑流固耦合对变形影响时的最优泄流方案。最后,改变最优泄流方案中的机组启闭情况,对不同机组启闭情况进行数值模拟计算,得到各机组启闭方案中大坝的变形特性。研究结果表明:在库水位为1551m的运行工况下,大坝的主要变形发生在泄洪闸闸墩和闸门上,5种泄流方案中,2、4号闸门开8.2m的泄流方案（三）闸墩及闸门变形量最小,在仅考虑流固耦合对变形影响时是最优的泄流方案,不同机组启闭方式对大坝的变形影响较小,不作为大坝变形的主要影响因素。
李世友,王奉伟,沈云中[6]（2018）在《大坝变形时间序列的奇异谱分析》文中研究表明为了研究大坝变形规律并分析其影响因子,利用奇异谱分析（SSA）提取大坝变形时间序列的趋势和周期分量,并分析各分量与时效、温度和水位因子的关联性。通过分析某大坝实测数据,发现大坝存在徐变和周期性弹性形变。其中,徐变即趋势项,主要与时效因子有关;弹性形变对应的周期项主要与温度和水位的周期变化有关,且温度因子与弹性形变的相关性明显大于水位因子。利用提取的趋势和周期项对大坝变形时间序列进行拟合并预测,其拟合和预测误差分别为0.52和0.24 mm;若采用传统的多元线性回归模型进行拟合和预测,其误差则分别为0.81和0.57 mm。这表明奇异谱方法的拟合和预测精度均优于多元回归法,能够更准确地预测大坝变形。
邢尹[7]（2018）在《大坝水平位移神经网络模型研究》文中指出为保障大坝的安全运行和确保下游人民生命财产的安全,在大坝的整个生命周期内应进行安全监测,实践证明,该工作发挥了极其重要的作用。作为大坝安全监测研究领域中的重要方向之一,安全监控预测模型的研究一直是该领域研究的一个热点问题。预测模型通过大量的实测数据建立,可达到监控和判断大坝安全状况的目的。然而,由于某些监测量影响因素复杂,其影响机理难以用确定的函数关系表达,或监测数据系列短、信息缺失等,以致常用的预测模型精度低、可靠性差,难以满足工程日常管理和研究的需求。因此,采用新的理论和方法研究高精度、高可靠性的预测模型,对完善监测数据分析处理理论和提高大坝安全管理水平具有重要的理论和现实意义。本文采用神经网络理论,重点研究大坝水平位移与影响因素之间的非线性映射关系,进而对大坝变形规律进行分析和预测,主要研究内容和结论如下:（1）研究了基于遗传算法的神经网络预测模型。由于BP神经网络存在训练速度较慢、易陷入局部最小值等缺陷,本文引入具有全局优化能力的遗传算法对BP神经网络进行优化,构建了一种基于遗传神经网络的大坝变形预测模型。该模型采用遗传算法的选择、交叉和变异操作,对神经网络初始的权值和阈值进行优化,利用优化好的初始的权值和阈值对大坝多源监测数据训练集进行学习,利用建立好的模型进行分析预测,其精度有一定的提高。（2）提出了一种改进的自适应遗传神经网络模型。该模型从遗传算法的基本原理出发,一方面对选择算子进行改进,摒弃了传统的轮盘赌法和最优个体保存策略,采用不同遗传操作阶段保存不同比例的最优个体进行直接遗传到下一代的策略,增加了初始种群的多样性,同时保存了最优的个体;另一方面,摒弃了传统的固定交叉、变异概率和自适应的交叉、变异概率,采用一种具有种群进化初期良好的自适应交叉、概率,使得该算法能够依据自身所处的环境自适应地调整参数。基于以上改进策略,大大提升了基本遗传算法的全局寻优能力。（3）研究了基于粒子群算法神经网络预测模型。由于粒子群算法具备全局寻优能力,对BP神经网络的初始的权值和阈值进行优化,可有效克服BP算法的固有缺陷;探讨了基于小波分析理论和BP神经网络相结合的小波神经网络模型。小波神经网络用小波元替代神经元,通过仿射变换建立起小波变换和网络系数之间的连接,可进一步提高网络的泛化能力和可靠性。（4）利用实测数据对所研究模型进行了分析验证。分析结果表明,改进的自适应遗传神经网络模型相比于基本的BP神经网络、遗传神经网络等模型,不仅提高了预测精度和收敛速度,而且具有更好的稳定性,有很好的实际应用价值。
梁国贺[8]（2017）在《时空全域代理模型及大坝参数反演应用》文中指出大坝安全监测数据的反馈分析是了解其真实工作性态的必要手段,针对该问题的研究对大坝安全具有重要意义,受到了持续而广泛的关注。“数字大坝”的发展产生了多点、多效应量的动态测值序列,如何利用不断增加的监测数据及时、高效地反馈分析坝工结构的真实工作性态,值得重点研究。本文围绕坝工结构反馈分析的全过程,从基于物理模型的参数反演和基于统计模型的数据分析两个方面展开研究,以提高坝工结构参数反演的效率和促进监测数据的及时、有效利用为目的,搭建了大坝监测数据的快速反馈分析平台。论文获得的主要研究成果包括以下几个方面:（1）基于基向量的概念,建立了时空全域代理模型。利用双层本征正交分解提取系统响应场在时间、空间维度的代表性基向量,将响应场表示为基向量展开基态的线性组合,通过理论推导获得样本响应场在基态上的组合系数计算公式,然后采用径向基函数插值模型建立任意参数与其对应的基态组合系数之间的非线性映射关系。该方法可针对任意时空自由度的响应场进行代理建模,与数值模型保持相同的输出量个数且可实时输出。（2）开发了基于时空全域代理模型的参数快速反演算法。在低参数维度条件下,通过合适密度的空间采样建立较高精度的全域代理模型以模拟有限元计算,建立与实测响应的误差目标函数后,结合粒子群优化算法进行快速反演;为进一步提高参数识别精度,并改善多参数同时反演时建立代理模型消耗过大的不足,提出迭代更新代理模型的优化反演策略,以实现多参数的精确反演。该反演算法对系统测点变化、动态测量序列以及多效应测值等工程实际问题的适应性更强,能够针对连续测值实现实时地跟踪反演。（3）提出了基于向量误差修正模型的大坝响应预测方法。从多元回归模型和时间序列模型出发,引入误差修正模型兼顾二者优点,为进一步考虑多点测值间的互相关特性,提出了基于向量误差修正模型的响应预测方法。该方法针对多测点测值同时建模,考虑了大坝整体工作下多点测值间的互相关关系,能在大坝蓄水初期建立,可在线分析大坝工作性态并分离各主要影响因素,为仿真模型的参数反演过程提供参考。
李瑞[9]（2016）在《桐子壕水电站大坝变形观测研究与实践》文中研究表明随着我国水电能源的大力发展,更多的大坝、高坝被修建。大坝所处环境复杂,在其运行过程中可能受到多方面未知因素的不利影响而发生安全事故,因此,对大坝进行变形监测很有必要性,利用原型监测资料分析大坝变形的规律,科学分析大坝各效应量及其影响量之间的关系,及时掌握其运行状态及演变趋势,及时发现危及安全的异常因素,在社会、经济效益乃至科学研究上面都具有重要的意义。目前,大坝监测数据采集方法已较成熟,但监测数据建模分析仍处于半理论、半经验阶段,各类分析模型均有所发展。本文在对变形监测技术及变形监测数据分析模型系统研究的基础上,以桐子壕航电枢纽工程为例,详细论述了大坝变形监测方案、监测数据的处理与分析,并对几种典型统计分析模型进行比较分析研究。论文主要包括以下几个部分：（1）调研国内外关于大坝变形监测的文献、资料,系统梳理和总结大坝变形监测方法及变形监测数据分析方法,并比较分析了各类方法的优劣及发展趋势。（2）深入研究各类典型大坝变形监测统计分析模型原理、方法,包括多元线性回归分析模型、逐步回归分析模型、偏最小二乘回归分析模型、时间序列分析模型、灰色系统分析模型Kalman滤波模型及人工神经网络模型等。（3）以桐子壕航电工程为例,确定大坝外部变形监测方案及实施方法,并分析了方案的可靠性等；简单分析桐子壕航电工程大坝水平位移基准网和垂直位移基准网的三期监测数据成果,通过比较各点的相对年变化量和差异情况,来判断基准点的稳定性。同时,对变形监测成果进行初步整理,利用大量的监测数据,绘制大坝变形的时间位移过程线图,并对大坝变形体态进行了相应的分析。（4）应用统计模型进行桐子壕航电工程大坝变形预测分析；建立多元线性回归分析模型、逐步回归分析模型、偏最小二乘回归分析模型,分析大坝水位、气温及时效与监测点变形的相关性,获得了大坝坝体变形主要与温度相关的结论。（5）变形监测数据统计模型分析方法的比较和讨论。比较多元线性回归分析模型、逐步回归分析模型、偏最小二乘回归分析模型三类统计模型的适应性及准确度。通过对大坝变形监测数据典型统计分析方法比较研究,对大坝变形规律的深入分析,为更好地选择变形监测方法及揭示大坝变形规律提供参考。
向华琦[10]（2012）在《基于时间序列分析法的大坝变形监测数据分析研究》文中研究说明大坝安全监测对于保障大坝安全运行和确保人民生命财产安全发挥着极其关键的作用。作为大坝安全监测领域中的重要方面，大坝变形监测通过对大坝变形观测资料的分析，建立数学监控模型以监控和评判大坝的安全状况。常有的监控模型有统计模型、确定性模型等，他们在建模时都需要原因量；然而有时某些变形量难以运用确定的函数关系去建模，或原因量数据系列经常有信息缺失现象。时间序列分析具有分析并预测复杂系统发展趋势的能力，其核心思想是在考虑各种因素的综合作用下用自身的历史信息去预测未来信息。正是在这样的背景下，本文采用时间序列分析法对大坝等水工建筑物变形监测数据进行分析研究，主要研究内容及成果如下：（1）论述并总结了建立大坝变形统计学模型的步骤，并提出了采用因子与模型组合选优来建立最佳统计模型的思想。以广西长洲水利枢纽为工程实例，通过对几组因子与两种统计模型组合选优建立了该工程船闸部位沉降量与变形因子间的定量关系。（2）运用时间序列分析法对该工程船闸控制楼沉陷测点建立ARIMA模型，获得了较好的建模效果，预测精度也较高，预报结果表明目前该部位沉降量已基本趋于稳定，无明显发展趋势。建模过程中发现在该部位测点趋势性明显的情况下，测值序列的季节性容易被趋势性覆盖，ARIMA模型不易识别其季节性。（3）对时间序列分离趋势量和周期量，再对残差进行时序分析，建立了季节周期-ARMA指数叠合模型，并将该模型运用于船闸控制楼测点ZLD-02中，其效果与ARIMA模型差别不大。（4）运用季节周期-ARMA叠合模型对实例工程中泄水闸坝段和船闸部位典型测点建模并进行预报，结果表明这些部位沉陷测点具有明显的季节性沉降变形特征，周期间隔为12个月，个别测点带有小周期性，基本无明显趋势分量，说明这些部位沉降可解释为周期性温度变化所引起。（5）本文还以外江船闸WLD-08测点沉陷数据为例建立了变形显着性因子的多维CAR时序模型，发现其建模效果和精度与季节周期-ARMA叠合模型相比差距不大，说明该方法在预报大坝变形方面也具有一定的应用前景。（6）将时序模型（季节周期-ARMA叠合模型、多维CAR模型）与统计模型（多元回归、逐步回归）对比，发现时序模型建模效果明显优于传统统计模型，且季节周期-ARMA叠合模型效果稍优于多维CAR模型，但是叠合模型不能对变形原因给出定量解释，而后者能得到变形显着因子间的定量表达式，二者各有优劣。时间序列模型在大坝变形分析和预测方面具有很好的效果，能以较高的预测精度对变形数据进行预测和分析，特别对于短期预测，效果更佳。同时，时序模型具有动态外延特性，只要及时更新时序数据，就能保持较高的短期预测精度。总之，应用时间序列分析方法可以较准确地反映大坝变形的分布规律，能够以较高的精度进行预报，可以为大坝等大型水工建筑物的变形提早做出预警，从而实现对工程的安全监控，保障建筑物的安全运行。
二、时间水位因子模型在大坝变形分析中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、时间水位因子模型在大坝变形分析中的应用（论文提纲范文）
（2）基于多因素神经网络模型的大坝变形预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 大坝变形预测的研究目的和意义 |
| 1.3 大坝变形预测的国内外研究现状 |
| 1.3.1 大坝变形预测的研究动态 |
| 1.3.2 现有预测方法存在的问题 |
| 1.4 主要研究内容及技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 第二章 经验模态分解和去噪 |
| 2.1 经验模态分解理论 |
| 2.1.1 瞬时频率 |
| 2.1.2 本征模函数 |
| 2.1.3 经验模态分解 |
| 2.2 经验模态分解的主要特性 |
| 2.2.1 EMD的自适应性 |
| 2.2.2 EMD的近似正交性 |
| 2.2.3 EMD的完备性 |
| 2.3 经验模态分解存在的问题与研究 |
| 2.3.1 端点效应 |
| 2.3.2 模态混叠 |
| 2.4 基于补充集合经验模态分解的去噪 |
| 2.4.1 集合经验模态分解 |
| 2.4.2 补充集合经验模态分解 |
| 2.4.3 CEEMD低通滤波去噪 |
| 2.5 本章小结 |
| 第三章 人工神经网络和智能算法 |
| 3.1 人工神经网络 |
| 3.1.1 人工神经网络的概述 |
| 3.1.2 人工神经网络的基本原理 |
| 3.1.3 人工神经网络的学习方式和算法 |
| 3.2 极限学习机 |
| 3.2.1 极限学习机的概述 |
| 3.2.2 极限学习机的原理 |
| 3.3 遗传算法 |
| 3.3.1 遗传算法的概述 |
| 3.3.2 遗传算法的工作流程 |
| 3.4 粒子群优化算法 |
| 3.4.1 粒子群优化算法的概述 |
| 3.4.2 粒子群优化算法的数学原理与流程 |
| 3.5 本章小结 |
| 第四章 基于多因素神经网络的大坝变形预测模型的建立 |
| 4.1 大坝变形的影响因子 |
| 4.1.1 影响因子的选择 |
| 4.1.2 影响因子的相关性分析 |
| 4.2 GA-ELM融合预测模型的设计 |
| 4.3 PSO-ELM融合预测模型的设计 |
| 4.4 本章小结 |
| 第五章 大坝变形预测模型的的实例应用与精度评定 |
| 5.1 工程概况 |
| 5.2 大坝变形监测数据的预处理 |
| 5.3 基于多因素神经网络的大坝变形预测研究 |
| 5.3.1 基于多因素GA-ELM的大坝变形预测研究 |
| 5.3.2 基于多因素CEEMD-PSO-ELM的大坝变形预测研究 |
| 5.4 ARIMA误差修正模型 |
| 5.5 模型的精度评定与分析 |
| 5.5.1 评价指标 |
| 5.5.2 评价结果 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要研究成果 |
| 6.2 论文的主要创新点 |
| 6.3 后续研究工作 |
| 参考文献 |
| 致谢 |
| 附录 |
（3）基于改进布谷鸟优化MKELM和Bootstrap方法的大坝变形预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 大坝变形预测研究现状 |
| 1.2.2 点预测研究现状 |
| 1.2.3 区间预测研究现状 |
| 1.3 研究思路与主要内容 |
| 1.3.1 研究思路 |
| 1.3.2 主要内容 |
| 第2章 基于ICS-MKELM和Bootstrap方法的大坝变形预测模型 |
| 2.1 研究框架 |
| 2.2 数学模型 |
| 2.2.1 模型概述 |
| 2.2.2 模型输入样本选择 |
| 2.2.3 点预测与区间预测的关系 |
| 2.2.4 模型评价指标 |
| 2.3 本章小结 |
| 第3章 基于改进布谷鸟优化多核极限学习机的大坝变形点预测 |
| 3.1 多核极限学习机 |
| 3.1.1 极限学习机 |
| 3.1.2 核极限学习机 |
| 3.1.3 混合核函数构造 |
| 3.2 布谷鸟搜索算法及其改进 |
| 3.2.1 布谷鸟搜索算法原理 |
| 3.2.2 动态惯性权重策略 |
| 3.2.3 混沌局部搜索策略 |
| 3.2.4 改进布谷鸟搜索算法 |
| 3.3 基于改进布谷鸟优化多核极限学习机的大坝变形点预测步骤 |
| 3.4 本章小结 |
| 第4章 基于Bootstrap法的大坝变形区间预测 |
| 4.1 变形预测中的不确定性分析 |
| 4.1.1 变形预测中不确定性的来源分析 |
| 4.1.2 不确定性的表达形式分析 |
| 4.2 区间预测方法的数学描述 |
| 4.3 基于Bootstrap法的区间预测模型 |
| 4.3.1 Bootstrap法的基本原理 |
| 4.3.2 基于Bootstrap的区间预测方法 |
| 4.3.3 大坝变形区间预测模型建模步骤 |
| 4.4 本章小结 |
| 第5章 工程应用 |
| 5.1 工程概况 |
| 5.2 数据预处理 |
| 5.2.1 数据均匀化处理 |
| 5.2.2 数据归一化处理 |
| 5.3 监测资料分析 |
| 5.4 基于改进布谷鸟搜索算法的参数选取 |
| 5.5 基于改进布谷鸟优化MKELM和 Bootstrap的大坝变形预测 |
| 5.5.1 预测结果分析 |
| 5.5.2 模型的点预测和区间预测精度对比分析与讨论 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（4）基于一对一连接BP神经网络的混凝土坝坝基扬压力监控模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究进展 |
| 1.3 本文研究内容 |
| 2 常规坝基扬压力监控模型 |
| 2.1 逐步回归分析坝基扬压力监控模型 |
| 2.2 BP神经网络坝基扬压力监控模型 |
| 2.3 本章小结 |
| 3 一对一连接BP神经网络坝基扬压力监控模型 |
| 3.1 引言 |
| 3.2 建模思路 |
| 3.3 建模步骤 |
| 3.4 模型的输入因子 |
| 3.5 模型的优点 |
| 3.6 本章小结 |
| 4 实例应用 |
| 4.1 丹江口水利枢纽介绍 |
| 4.2 模型的建立 |
| 4.3 模型的比较 |
| 4.4 一对一连接BP神经网络模型分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间的主要科研成果 |
（5）基于流固耦合的灯泡贯流式水电站大坝安全性分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题的背景和意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 国外研究现状及发展趋势 |
| 1.2.2 国内研究现状及发展趋势 |
| 1.3 本文主要研究内容 |
| 1.4 小结 |
| 2 数值计算的基本理论 |
| 2.1 有限元分析基本理论 |
| 2.1.1 计算理论模型 |
| 2.1.2 位移模式 |
| 2.1.3 弹性力学基本方程 |
| 2.1.4 最小位能原理 |
| 2.1.5 二维有限元法 |
| 2.1.6 三维有限元法 |
| 2.2 计算流体动力学基本理论 |
| 2.2.1 流体动力学介绍 |
| 2.2.2 质量守恒方程 |
| 2.2.3 动量守恒方程 |
| 2.2.4 能量守恒方程 |
| 2.3 计算流体动力学湍流模型 |
| (1)标准k-ε湍流模型 |
| (2)RNG k-ε湍流模型 |
| (3)标准k-ω湍流模型 |
| (4)SST k-ω湍流模型 |
| 2.4 流固耦合的基本理论 |
| 2.4.1 流固耦合控制方程 |
| 2.4.2 单向流固耦合实现方法 |
| 2.5 小结 |
| 3 研究对象工程概况及模型建立 |
| 3.1 工程概况 |
| 3.2 大坝主要结构模型 |
| 3.3 网格划分 |
| 3.4 数值计算参数设置 |
| 3.5 网格无关性验证 |
| 3.6 小结 |
| 4 有限元仿真及模型正确性验证 |
| 4.1 模型试验要求 |
| 4.2 模型设计和制作 |
| 4.3 试验与计算结果对比分析 |
| 4.4 |
| 4.4.1 校核洪水工况试验与计算结果对比分析 |
| 4.4.2 设计洪水工况试验与计算结果对比分析 |
| 4.5 小结 |
| 5 不同运行工况大坝变形分析 |
| 5.1 不同泄流方案大坝变形分析 |
| 5.1.1 泄流方案(一)大坝变形分析 |
| 5.1.2 泄流方案(二)大坝变形分析 |
| 5.1.3 泄流方案(三)大坝变形分析 |
| 5.1.4 泄流方案(四)大坝变形分析 |
| 5.1.5 泄流方案(五)大坝变形分析 |
| 5.2 不同机组启闭方式对大坝变形影响 |
| 5.3 小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
（6）大坝变形时间序列的奇异谱分析（论文提纲范文）
| 1 奇异谱分析法 |
| 2 大坝变形的奇异谱分析 |
| 3 大坝变形预测 |
| 4 结语 |
（7）大坝水平位移神经网络模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 大坝形变监测研究进展 |
| 1.2.1 监测技术研究进展 |
| 1.2.2 监测数据处理研究进展 |
| 1.2.3 预测模型研究进展 |
| 1.2.4 安全评价理论研究进展 |
| 1.3 存在的主要问题 |
| 1.4 本文主要研究内容及技术路线 |
| 第二章 基于不同神经网络的大坝水平位移预测模型 |
| 2.1 基于BP神经网络的大坝水平位移预测模型 |
| 2.1.1 BP神经网络的基本原理 |
| 2.1.2 BP神经网络模型的应用与分析 |
| 2.2 基于粒子群神经网络的大坝水平位移预测模型 |
| 2.2.1 粒子群神经网络的基本原理 |
| 2.2.2 粒子群神经网络模型的应用与分析 |
| 2.3 基于小波神经网络的大坝水平位移预测模型 |
| 2.3.1 小波神经网络的基本理论 |
| 2.3.2 小波神经网络模型的应用与分析 |
| 2.4 本章小结 |
| 第三章 基于遗传神经网络的大坝水平位移预测模型 |
| 3.1 遗传神经网络的基本原理 |
| 3.2 遗传神经网络模型的应用与分析 |
| 3.3 基本遗传神经网络的缺点与不足 |
| 3.4 本章小结 |
| 第四章 基于改进遗传神经网络的大坝水平位移预测模型 |
| 4.1 自适应遗传神经网络 |
| 4.1.1 自适应遗传算法 |
| 4.1.2 自适应遗传神经网络算法的建立步骤 |
| 4.1.3 自适应遗传神经网络模型的应用与分析 |
| 4.2 改进的自适应遗传神经网络 |
| 4.2.1 改进的自适应遗传算法 |
| 4.2.2 改进的自适应遗传神经网络的实施步骤 |
| 4.3 改进的自适应遗传神经网络模型在大坝水平位移预测中的应用 |
| 4.3.1 改进的自适应遗传神经网络模型的应用与分析 |
| 4.3.2 不同遗传神经网络模型综合比较与分析 |
| 4.3.3 不同神经网络模型综合比较与分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简介、攻读硕士期间参与的科研项目及发表的学术论文 |
| 致谢 |
（8）时空全域代理模型及大坝参数反演应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.1.1 我国水电事业的发展 |
| 1.1.2 大坝安全监测与反馈分析 |
| 1.1.3 研究意义 |
| 1.2 坝工结构参数反演问题的研究现状 |
| 1.2.1 逆解法 |
| 1.2.2 直接法 |
| 1.2.3 近似法 |
| 1.3 大坝监测数据统计分析模型的研究现状 |
| 1.3.1 模型建立方法 |
| 1.3.2 统计模型建立的关键问题 |
| 1.4 论文的主要工作及创新点 |
| 1.4.1 主要工作 |
| 1.4.2 主要创新点 |
| 第2章 基于基向量的时空全域代理模型 |
| 2.1 引言 |
| 2.2 代理建模技术 |
| 2.2.1 代理建模的一般流程 |
| 2.2.2 参数空间的采样方法 |
| 2.2.3 映射关系的构造方法 |
| 2.3 本征正交分解-径向基函数代理模型 |
| 2.3.1 本征正交分解 |
| 2.3.2 径向基函数模型 |
| 2.3.3 形成代理模型 |
| 2.3.4 模型应用及存在的不足 |
| 2.4 瞬态问题的时空全域代理模型 |
| 2.4.1 时间和空间基向量的提取 |
| 2.4.2 时空全域代理模型的建立 |
| 2.5 算例验证 |
| 2.5.1 算例设计 |
| 2.5.2 模型预测效果 |
| 2.5.3 模型建立与输出效率 |
| 2.6 本章小结 |
| 第3章 基于时空全域代理模型的参数反演算法 |
| 3.1 引言 |
| 3.2 直接利用代理模型的在线反演 |
| 3.3 多参数反演的更新代理模型策略 |
| 3.3.1 高维空间采样的维数灾难问题 |
| 3.3.2 基于迭代更新代理模型的优化反演策略 |
| 3.3.3 初始样本数量及收敛条件的设置 |
| 3.4 优化算法的选择 |
| 3.4.1 PSO算法原理 |
| 3.4.2 PSO的基本流程 |
| 3.5 算例验证 |
| 3.5.1 对流传导问题的双参数算例 |
| 3.5.2 平面传热问题的多参数反演算例 |
| 3.6 本章小结 |
| 第4章 基于向量误差修正模型的大坝响应预测方法 |
| 4.1 引言 |
| 4.2 观测数据的平稳性检验 |
| 4.2.1 时间序列平稳性检验 |
| 4.2.2 多测点测值的相关稳定性检验 |
| 4.3 非平稳序列的误差修正模型 |
| 4.3.1 协整分析 |
| 4.3.2 误差修正模型 |
| 4.4 向量误差修正模型 |
| 4.4.1 模型建立 |
| 4.4.2 模型预测 |
| 4.5 案例研究 |
| 4.5.1 数据前处理 |
| 4.5.2 多测点测值相关稳定性检验 |
| 4.5.3 多元回归与协整检验 |
| 4.5.4 向量误差修正模型 |
| 4.5.5 模型预测效果 |
| 4.6 本章小结 |
| 第5章 工程应用实例 |
| 5.1 引言 |
| 5.2 大坝监测数据反馈分析平台的搭建 |
| 5.3 溪洛渡工程 |
| 5.3.1 工程概况 |
| 5.3.2 监测系统布置及数字大坝建设 |
| 5.4 基于统计模型的拱坝变形分析与初步评价 |
| 5.4.1 拱坝工作性态与模型预测对比 |
| 5.4.2 效应量分离结果 |
| 5.4.3 工作性态初步评价 |
| 5.5 拱坝材料参数及边界约束的反演 |
| 5.5.1 仿真模型设置 |
| 5.5.2 坝体混凝土导热系数反演 |
| 5.5.3 材料力学参数及边界约束的反演 |
| 5.6 全过程仿真及工作性态评价 |
| 5.6.1 坝体变形 |
| 5.6.2 坝体应力 |
| 5.7 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要成果与结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（9）桐子壕水电站大坝变形观测研究与实践（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 大坝外部变形监测方法现状 |
| 1.2.2 变形监测数据分析方法研究现状 |
| 1.3 研究内容 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 第2章 大坝变形监测统计分析模型基础 |
| 2.1 多元线性回归分析模型 |
| 2.1.1 基本原理 |
| 2.1.2 回归方程显着性检验 |
| 2.1.3 回归系数显着性检验 |
| 2.2 逐步回归分析模型 |
| 2.3 偏最小二乘回归分析 |
| 2.3.1 模型概述 |
| 2.3.2 基本原理 |
| 2.3.3 交叉有效性检验 |
| 2.4 大坝变形监测统计模型分量 |
| 2.4.1 水压分量 |
| 2.4.2 温度分量 |
| 2.4.3 时效分量 |
| 2.5 本章小结 |
| 第3章 桐子壕航电工程大坝变形监测方案与实施 |
| 3.1 大坝安全监测概况 |
| 3.1.1 桐子壕航电工程概况 |
| 3.1.2 大坝安全监测工程概况 |
| 3.2 大坝变形监测基准网设计与实施 |
| 3.2.1 水平位移监测基准网设计与实施 |
| 3.2.2 垂直位移监测基准网设计与实施 |
| 3.3 大坝外部变形监测方案与实施 |
| 3.3.1 大坝外部变形水平位移监测 |
| 3.3.2 大坝外部变形垂直位移监测 |
| 3.4 变形监测成果的整理 |
| 3.4.1 大坝变形监测基准网稳定性分析 |
| 3.5 本章小结 |
| 第4章 变形监测数据统计回归分析 |
| 4.1 模型因子选择 |
| 4.2 多元线性回归模型 |
| 4.2.1 多元线性回归模型的建立 |
| 4.2.2 多元线性回归模型预测分析 |
| 4.3 逐步回归模型 |
| 4.3.1 逐步回归模型的建立 |
| 4.3.2 逐步回归模型预测分析 |
| 4.4 偏最小二乘回归模型 |
| 4.4.1 偏最小二乘回归模型的建立 |
| 4.4.2 偏最小二乘回归模型预测分析 |
| 4.5 三类统计模型比较分析 |
| 4.5.1 回归系数比较 |
| 4.5.2 模型因子分离效果比较 |
| 4.5.3 模型预测分析准确性比较 |
| 4.6 本章小结 |
| 第5章 工程中遇到的问题及解决方案 |
| 5.1 工作基点稳定性问题及对策 |
| 5.2 大坝坝体折光影响及解决办法 |
| 5.3 监测数据检查 |
| 5.3.1 外业观测数据检查 |
| 5.3.2 测点位移量成果检查 |
| 5.4 监测数据程序化处理及预报 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 大坝坝顶水平位移多元线性回归拟合值 |
| 附录2 大坝垂直位移多元线性回归拟合值 |
| 附录3 大坝坝顶水平位移逐步回归拟合值 |
| 附录4 大坝垂直位移逐步回归拟合值 |
| 附录5 大坝坝顶水平位移偏最小二乘回归拟合值 |
| 附录6 大坝垂直位移偏最小二乘回归拟合值 |
（10）基于时间序列分析法的大坝变形监测数据分析研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 大坝变形监测资料分析建模研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 时间序列分析方法研究现状 |
| 1.4 论文的研究内容 |
| 第二章 大坝变形监测资料的统计建模方法 |
| 2.1 多元回归分析的基本理论 |
| 2.1.1 基本思路 |
| 2.1.2 回归方程 |
| 2.1.3 经验回归方程的求解 |
| 2.1.4 经验回归方程的有效性验证 |
| 2.2 逐步回归分析法 |
| 2.2.1 逐步回归基本计算步骤 |
| 2.2.2 计算中出现的几个实际问题 |
| 2.3 大坝变形多元线性回归模型 |
| 2.3.1 各因子的基本理论 |
| 2.3.2 模型中的因子选择 |
| 2.3.3 建模步骤 |
| 第三章 时间序列分析基本理论 |
| 3.1 时序分析概述 |
| 3.1.1 时序分析的相关概念 |
| 3.1.2 时序分析的特点 |
| 3.2 时序分析的基本原理 |
| 3.3 时序 ARMA 模型体系 |
| 3.3.1 自回归模型 AR(P) |
| 3.3.2 移动平均模型 MA(q) |
| 3.3.3 自回归移动平均结合模型 ARMA(p，q) |
| 3.4 时序 ARMA 模型的改进——ARIMA 模型 |
| 3.4.1 ARIMA(p，d，q)模型 |
| 3.4.2 ARIMA(P，D，Q)s模型 |
| 3.4.3 ARIMA(p，d，q) (P，D，Q)s模型 |
| 3.5 时序模型的识别与阶次判定 |
| 3.5.1 差分化 |
| 3.5.2 p、q 的确定 |
| 3.5.3 P、Q 的确定 |
| 3.6 时序模型参数估计 |
| 3.7 时序模型检验 |
| 第四章 时序分析模型建模与预报 |
| 4.1 ARIMA 模型建模 |
| 4.1.1 总体流程 |
| 4.1.2 数据准备及预处理 |
| 4.1.3 平稳化处理 |
| 4.1.4 参数估计与模型定阶 |
| 4.1.5 模型检验与预报 |
| 4.2 季节周期—ARMA 叠合模型建模 |
| 4.2.1 基本原理 |
| 4.2.2 建模步骤 |
| 4.2.3 结果输出 |
| 4.3 多维时序 CAR 模型建模 |
| 4.3.1 多维 CAR 模型参数估计 |
| 4.3.2 多维 CAR 模型的识别 |
| 4.3.3 大坝变形主因子多维 CAR 模型建模 |
| 4.3.4 多维 CAR 模型的预报及精度分析 |
| 第五章 大坝变形时序模型工程实例与模型对比研究 |
| 5.1 长洲水利枢纽水工建筑物沉陷位移监测数据分析 |
| 5.1.1 工程概况 |
| 5.1.2 长洲水利枢纽水工建筑物沉陷位移监测方案 |
| 5.1.3 沉降数据分析预报结果 |
| 5.2 时间序列模型与统计模型对比 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简介 |
四、时间水位因子模型在大坝变形分析中的应用（论文参考文献）
- [1]基于小波优化神经网络在大坝变形预测的应用[A]. 罗朝林,陈武奋,张波,梁启斌. 水库大坝和水电站建设与运行管理新进展, 2022
- [2]基于多因素神经网络模型的大坝变形预测研究[D]. 徐肖遥. 贵州大学, 2020(04)
- [3]基于改进布谷鸟优化MKELM和Bootstrap方法的大坝变形预测研究[D]. 谢怀宇. 天津大学, 2019(01)
- [4]基于一对一连接BP神经网络的混凝土坝坝基扬压力监控模型研究[D]. 刘冬临. 华中科技大学, 2019(03)
- [5]基于流固耦合的灯泡贯流式水电站大坝安全性分析[D]. 王仕松. 西华大学, 2019(02)
- [6]大坝变形时间序列的奇异谱分析[J]. 李世友,王奉伟,沈云中. 测绘通报, 2018(09)
- [7]大坝水平位移神经网络模型研究[D]. 邢尹. 桂林理工大学, 2018(05)
- [8]时空全域代理模型及大坝参数反演应用[D]. 梁国贺. 清华大学, 2017(02)
- [9]桐子壕水电站大坝变形观测研究与实践[D]. 李瑞. 西南石油大学, 2016(05)
- [10]基于时间序列分析法的大坝变形监测数据分析研究[D]. 向华琦. 西北农林科技大学, 2012(01)