海堤渗压多测点径向基函数监测模型的建立

上海交通大学学报（自然版） ›› 2012, Vol. 46 ›› Issue (10): 1675-1679.

海堤渗压多测点径向基函数监测模型的建立

黄铭1，刘俊2

(1. 合肥工业大学土木与水利工程学院，合肥 230009； 2.上海交通大学船舶海洋与建筑工程学院，上海 200240)

收稿日期:2011-03-16 出版日期:2012-10-30 发布日期:2012-10-30
基金资助:
国家自然科学基金资助项目(50979056)

Establishment of Sea Wall Seepage Pressure Multi-point RBF Monitoring Model

HUANG Ming-1, LIU Jun-2

(1.School of Civil Engineering, Hefei University of Technology, Hefei 230009, China; 2.School of Naval Architecture, Ocean and Civil Engineering, Shanghai Jiaotong University, Shanghai 200240, China)

Received:2011-03-16 Online:2012-10-30 Published:2012-10-30

摘要/Abstract

摘要： 为综合多测点监测信息建立海堤渗压预测模型，揭示其受海洋潮位等因素影响的复杂而特殊的变化规律，以径向基函数(RBF)神经网络为建模工具，采用前期潮位因子、积分型降雨因子、时效因子构建模型输入层，对符合条件的多个渗压测点进行综合训练、预测.同时根据海堤渗压特点，对建模中RBF网络的计算中心选取方法加以探讨，进而结合模糊C均值聚类算法确定计算中心.以浦东海堤实测资料实现了该模型建立的具体过程，取得理想效果，并给出了应用建议.

关键词: 海堤渗压, 多测点监测模型, 径向基函数, 影响因子, 模糊C均值聚类

Abstract: In order to establish multi-point sea wall seepage pressure monitoring model to describe its rules considering tidewater etc., radial basis function (RBF) artificial neural network was used together with sea wall seepage pressure effect factors analysis. Former tidewater factor, integral rain factor and time effect factor were put into the network as input units, while multiple suitable seepage pressure survey points were taken as output units together. Furthermore, the method to pre-select RBF center considering sea wall seepage pressure character was studied. Then fuzzy C-means algorithm (FCM) was used to adjust and decide them. The instance of Pudong sea wall shows the process of establishing seepage pressure multi-point RBF monitoring model which has good results. Suggestions of application were presented also.

Key words: sea wall seepage pressure, multi-point monitoring model, radial basis function(RBF), effect factor, fuzzy C-means algorithm(FCM)

中图分类号:

TV 698.1

黄铭1, 刘俊2. 海堤渗压多测点径向基函数监测模型的建立[J]. 上海交通大学学报（自然版）, 2012, 46(10): 1675-1679.

HUANG Ming-1, LIU Jun-2. Establishment of Sea Wall Seepage Pressure Multi-point RBF Monitoring Model[J]. Journal of Shanghai Jiaotong University, 2012, 46(10): 1675-1679.

参考文献

［1］黄铭．数学模型与工程安全监测［M］．上海：上海交通大学出版社，2008.
［2］HUANG Ming, LIU Jun, HUANG Wei, et al.

Analysis of sea wall osmosis pressure’s influencing factors and monitoring models［C］∥Advances in Earth Structures: Research to Practice, Proceedings of Sessions of Geoshanghai. Shanghai：ASCE, 2006:310316.
［3］王跃威，黄铭，潘翔．神经网络在高坝基岩多点位移计监测分析中的应用［J］．水电自动化与大坝监测，2005，29(4)：3539.
WANG Yuewei, HUANG Ming, PAN Xiang. Application of neural network to multipoint extensometer monitoring of high dam bedrock［J］．Hydropower Automation and Dam Monitoring, 2005,29(4):3539.
［4］李珍照. 大坝安全监测［M］﹒北京:中国电力出版社，1997.
［5］Kim D W, Huh S H, Seo S J, et al. Selforganizing radial basis function network modeling for robot manipulator［C］∥Lecture Notes in Computer Science. Berlin:Springer, 2005: 579587.
［6］王维斌，赵新华. 基于RBF神经网络的活性污泥模型的应用［J］. 南开大学学报（自然科学版），2008，41(2)：9197.
WANG Weibin,ZHAO Xinhua. Application of the model of the activated sludge system based on RBF NN［J］. Acta Scientiarum Naturalium Universitatis Nankaiensis, 2008,41(2):9197.
［7］张秀玲，陈丽杰，季颖，等. 基于径向基函数神经网络的板形模式识别研究［J］. 工业仪表与自动化装置，2009(3):79.
ZHANG Xiuling, CHEN Lijie, JI Ying, et al. Research on the flatness pattern recognition based on radial basic function network［J］. Industrial Instrumentation & Automation,2009(3):79.
［8］黄铭，刘俊. 海堤渗压监测因果模型基本结构和因子选择［J］.上海交通大学学报，2008，42(11)：19311934.
HUANG Ming, LIU Jun. The frame of sea wall osmosis pressure monitoring model and factors selection［J］. Journal of Shanghai Jiaotong University, 2008, 42(11):19311934.
［9］Everitt B S. The Cambridge dictionary of statistical［M］. 2nd ed, Cambridge, United Kindom: Syndicate of the University of Cambridge, 2002.
［10］刘笛，朱学峰，苏彩红. 一种新型的模糊Ｃ均值聚类初始化方法［J］. 计算机仿真, 2004，21(11)：148151.
LIU Di,ZHU Xuefeng,SU Caihong. A novel initialization method for fuzzy Cmeans algorithm［J］. Computer Simulation, 2004,21(11):148151.

编辑推荐 0

Metrics

阅读次数

全文

402

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	402

来源	本网站	其他网站

次数	25	377
比例	6%	94%

摘要

2472

最新录用	在线预览	正式出版

0	0	2472

来源	本网站	其他网站

次数	290	2182
比例	12%	88%

[1]	张宇, 王晓亮. 基于显式动力学的软式飞艇流固耦合计算框架[J]. 上海交通大学学报, 2021, 55(3): 311-319.
[2]	丘文桢, 宋兴宇, 张新曙. 基于代理模型的三立柱半潜平台多目标优化[J]. 上海交通大学学报, 2021, 55(1): 11-20.
[3]	刘陈续, 于桂兰. 基于神经网络的层状周期结构能量传输谱预测[J]. 上海交通大学学报, 2021, 55(1): 88-95.
[4]	杨森，何卫平，王月，郭改放. 金属零件微小数据矩阵码快速精定位[J]. 上海交通大学学报（自然版）, 2018, 52(7): 816-824.
[5]	马晨增，唐文勇. 独立B型液化天然气运输船绝热层#br# 局部失效对结构安全的影响[J]. 上海交通大学学报（自然版）, 2017, 51(3): 300-.
[6]	宋学伟，马玲玲，黄天仑，刘敏. T形管液压成形自适应径向基函数优化设计[J]. 上海交通大学学报（自然版）, 2017, 51(11): 1340-1347.
[7]	聂冰a，赵慧敏a，丁鸣艳b，李文a. 组态式牵引电动机故障诊断模型[J]. 上海交通大学学报（自然版）, 2015, 49(03): 402-405.
[8]	黄铭1，刘俊2. 海堤渗压神经网络分布模型的建立及规律分析[J]. 上海交通大学学报（自然版）, 2014, 48(11): 1655-1659.
[9]	黄铭1，刘俊2. 降雨影响下高边坡渗压神经网络监测模型[J]. 上海交通大学学报（自然版）, 2013, 47(10): 1548-1551.
[10]	任姝1, 吉小军1, 董浩然1, 蔡萍1, 韩韬1, 陈乐生2, 周鲜美2. 热量计量仪表铂电阻最优配对算法[J]. 上海交通大学学报（自然版）, 2013, 47(04): 663-666.
[11]	凌小峰, 宫新保, 金荣洪. 基于免疫机制的径向基函数网络动态训练方法[J]. 上海交通大学学报（自然版）, 2012, 46(04): 642-645.
[12]	王志强, 邵之江, 万娇娜, 方学毅. 基于径向基函数的动态优化问题联立求解方法[J]. 上海交通大学学报（自然版）, 2011, 45(08): 1221-1225.
[13]	黄铭1, 刘俊2. 堆载预压作用下路基沉降的多测点监测模型[J]. 上海交通大学学报（自然版）, 2011, 45(05): 753-756.
[14]	黄铭，刘俊. 海堤渗压监测因果模型基本结构和因子选择[J]. 上海交通大学学报（自然版）, 2008, 42(11): 1931-1934.