一、湖塘水库大坝混凝土的质量检测及分析（论文文献综述）
古今用,王红[1]（2022）在《跨孔声波法在某水库坝址区岩体检测中的应用》文中提出跨孔声波法是混凝土检测的重要方法,为掌握下把比水库大坝坝址区岩体节理裂隙发育、岩体性状及其分布,选择了坝址区A、B两处部位各3个钻孔,采用跨孔声波探测技术进行钻孔岩体声波波速测试。测试结果表明:大坝坝址水平段基础岩体组织结构部分破坏,岩体纵波波速值vpm一般在2000～4000 m/s,岩体风化裂隙发育、较破碎,存在裂隙、破碎带及局部软弱夹层等缺陷。研究结果为大坝坝址基础岩体完整性程度评价提供数据支撑,为解决大坝坝址稳定及渗漏问题提供提供详实可靠的依据。
张喜喜[2]（2021）在《堆石混凝土坝填充密实性监测研究》文中认为堆石混凝土坝是我国拥有发明专利权的新型大坝,在水利工程建设中被广泛应用。国内外学者对堆石混凝土的力学特性、温度特性、填充特性等方面进行了大量研究,其中填充密实性研究以室内试验和数值模拟为主,对实际工程的填充密实性评价较少,主要是因为大坝施工现场环境复杂,大块石空间结构难以预测。本文基于广山水库堆石混凝土重力坝的全过程施工期建设,开展多种混凝土浇筑质量的试验检测措施,采用监测仪器对单元工程堆石混凝土浇筑过程进行填充密实性的监测试验。研究了堆石粒径分布及堆石结构等方面对自密实混凝土流动填充的影响,并指出堆石入仓过程中块石质量管控的重点。同时分析了现场坝段的芯样检测和部分仓面的浇筑率情况。其研究成果将为堆石混凝土坝提高填充密实质量和浇筑率提供参考,有利于堆石混凝土技术在实际工程中的质量管控。主要结论如下:（1）本文提出了一种新拌自密实混凝土的流动填充密实性监测试验方法,即采用有线或无线传感器埋设在堆石结构空隙处,通过发射声光、电流或温度信号来判断是否有自密实混凝土流通过。根据室内模拟填充试验和实际工程监测试验,证明该方法能够对自密实混凝土的流动填充密实情况进行监测判断。（2）通过在单元工程仓面进行堆石混凝土坝填充密实性的监测试验,发现结构内部存在自密实混凝土局部填充不密实的现象,主要发生在某几类特殊堆石结构处,如逊径块石集中处、堆石狭窄喉口处等。建议堆石过程中加强位于施工仓面1.1m左右高度的逊径块石集中处和狭窄堆石喉口位置的堆石质量管控。（3）通过逊径块石分布试验可知,粒径约10cm-20cm范围内的逊径块石,若集中分布且堆积成一定高度,容易导致堆石混凝土结构内部出现局部孔洞现象,自密实混凝土可能填充不密实。此外,若逊径块石适量分布于堆石顶部表面,对自密实混凝土的流动填充密实性无较大影响。（4）通过广山水库完建后的现场坝段钻孔取芯试验,获取大量硬化后的堆石混凝土芯样。利用芯样外观质量评价法、芯样容重计算法和芯样评定法多种方法进行堆石混凝土质量评定,都验证了广山水库堆石混凝土坝的填充密实效果较好。通过数据测量和统计,得出广山水库单元工程的平均净浇筑率约47.28%,其中堆石混凝土体积小于300m3的单元工程,需采取措施提高堆石率。
王修春[3]（2021）在《大坝安全评价之结构安全检测浅析》文中提出水库除险加固是国家重点关注的水利安全问题。文章通过对水库安全检测实例解析水库安全评价重点关注的问题,为水库除险加固工作的开展提供有力的技术支撑。
黄海波[4]（2021）在《病险水库土石坝防渗加固效果评价方法探讨》文中指出本文介绍了病险水库土石坝防渗加固效果的常规检测方法、物探检测方法及两种方法的优缺点,提出了针对土石坝型病险水库大坝防渗加固效果的评价方法。
王薇,卢圣力,赵仁基,林松[5]（2021）在《高分辨率跨孔超声波透射成像研究与应用——以某水库大坝裂隙探测为例》文中研究指明水库大坝渗水问题一直是工程建设中的难题,尤其是大坝蓄水后,渗漏现象处理较为困难。常规的高密度电法、探地雷达等无损检测手段受到场地或干扰条件限制,很难准确发现渗漏具体位置和规模。引入跨孔超声波透射技术对大坝裂隙进行探测,将获取的声波初至走时进行拾取,利用网格射线获取大坝介质内部波速结构,结合PSD（Power Spectral Density）判别法判断大坝裂缝发育的具体位置和规模。研究结果表明:跨孔声波法透射成像技术能获取较高的分辨率,精细探测水库大坝坝肩裂隙发育状态,探测结果与钻孔取芯资料高度吻合。该方法的成功引入为水库大坝渗漏检测提供了行之有效的新手段,其探测成果不仅可为大中型水库大坝渗漏处理提供检测依据,还可为水库大坝风险后果综合评价提供参考,具有较高的推广应用价值。
李斌[6]（2021）在《重力坝变形监控的智能分析方法研究》文中进行了进一步梳理重力坝变形监测数据包含了大坝变形过程的重要信息,对其信息挖掘、分析预测、安全评价是掌握大坝安全性态至关重要的技术方法。随着大坝安全监控的发展,监测数据的采集方式越来越全面、越来越智能,数据量也越来越大,这就对数据的分析处理能力提出了更高的要求。如何在海量数据中挖掘更多的有用信息,是了解大坝运行性态的基础;如何对海量数据进行预处理,是提高数据质量的前提;而对效应量保持长期精准的预测以及科学合理的安全评价,是大坝安全管理的重要内容。因此,在人工智能快速发展的时代背景下,本文以重力坝变形监测相关数据为研究对象,引入数据挖掘、智能算法、机器学习等方法,用于监测数据的异常值检测、预测预报、安全评价等分析方法的研究。主要研究内容和成果如下:（1）通过理论分析与实测数据验证,总结了重力坝变形的一般规律。首先,对空间维度的面板数据进行了相关分析,结果表明不同坝段之间均具有高度线性相关性;在此基础上,提出了形状相似系数,用于描述不同测点在变形幅度上的大小关系,计算结果表明:以中间坝段为中心将坝体对称分开,一般情况下,处于对称位置的坝段变形相似度较高,同时相邻坝段的变形相似度也较高。然后,对时间维度的单测点数据进行了自相关和偏自相关分析,从而得知某个数据与其前1时刻、前2时刻、或前3时刻有显着相关性。最后,从整体、局部和空间3个方面对重力坝变形监测数据的变化特征进行了分析和总结,以期研究适合该类数据特征的异常值检测算法。（2）对重力坝变形监测数据中的异常值进行了定义,并总结了异常值的分类与特征。然后分析了基于距离的异常值检测算法在重力坝变形监测数据分析中的适用性,并借鉴该类算法的思想,提出了多重局部异常系数法,该方法通过提取待检测值前k个数据组成的局部窗口数据,并根据设定的判别准则,可简单、快速地进行异常值实时检测。该算法主要针对原位监测数据中异常值的预处理检测,目的是为了获得高质量数据,便于后续建模分析。（3）改进了自适应差分进化算法关于初始解的选择方式,得到了改进的自适应差分进化算法（Improved Self-Adaptive Differential Evolution Algorithm,ISADE）,这提高了该算法的全局优化能力,然后将其用于在线极限学习机（Online Sequential Extreme Learning Machine,OSELM）的优化,提出并建立了基于ISADE-OSELM的重力坝变形预测模型。该模型仅通过训练最新数据便可更新已有模型的参数,可实现模型的自我更新,改善了传统模型的更新方式,同时结合优化算法,提高了模型的精度和泛化性。实例计算结果表明:ISADE-OSELM模型的综合性能优于逐步回归模型、ELM模型和OSELM模型。（4）在传统置信区间法拟定监控指标的基础上,考虑了监测数据的随机性和模糊性,将云模型融入其中,使得一个具有明确边界的置信区间,拓展为一个以区间为边界的置信区间。提出并建立了云置信区间法的重力坝变形监控指标,该方法以ISADE-OSELM预测模型的误差为研究对象,因此可随着ISADE-OSELM模型的更新而更新,这使得监控指标的拟定方式更加高效。实例计算结果表明,云置信区间不仅具有传统置信区间的功能,还可按一定隶属度评价接近置信区间边界数据的安全性,这种评价方式更符合实际情况,对大坝的变形监控更加合理。
张瑜潇[7]（2021）在《基于POT和改进D-S证据理论的土石坝健康诊断方法研究》文中研究指明在我国近10万座已建水库大坝中,大量工程处于不同程度的病险工作状态,其中土石坝所占比例最大。采用健康诊断方法定量评估土石坝健康状况,能够对影响土石坝安全的各种不确定性因素进行有效准确的辨识,及时诊断土石坝的病险程度,确保大坝长效安全运行。土石坝健康诊断信息类型多样、诊断过程复杂,健康诊断方法是实现土石坝健康诊断信息融合与安全性态分析的关键问题。因此,本文综合利用数值计算、安全监测、检查巡查、试验检测等多类健康诊断信息,构建基于模糊最优最劣法（the Fuzzy Best-Worst Method,FBWM）和熵权法（Entropy Weight Method,EWM）的土石坝健康影响因素重要性分析模型,建立基于超阈值（Peaks over Threshold,POT）模型的土石坝健康诊断指标拟定方法,在此基础上,提出改进的Dempster-Shafer证据理论（D-S证据理论）及基于该理论的土石坝健康综合诊断方法,为土石坝专项及综合健康诊断提供科学的定量评估方法。具体的研究内容如下:（1）基于土石坝的运行环境与结构特点,依据土石坝溃坝及风险分析理论,对土石坝健康影响因素进行挖掘,总结了土石坝健康的影响因素集,并构建了定性、定量相结合的土石坝健康诊断体系,为后续土石坝健康诊断过程提供了结构基础。（2）运用模糊最优最劣法和熵权法分别确定健康诊断体系中各影响因素的主、客观权重,利用级差最大化法（Level Difference Maximization,LDM）优化求解最佳组合权重,建立了FBWM-EWM-LDM组合赋权模型,定量评估土石坝健康影响因素的重要性,为土石坝健康影响因素重要性研究提供了科学有效的新方法。（3）综合水利规范要求以及水利土木领域健康状态评定标准研究成果,提出了土石坝健康评价等级的五级划分原则。并针对诊断体系中的非监测资料和监测资料信息,分别采取等区间划分法和POT模型构建土石坝健康诊断指标的综合拟定方法,建立五级健康评语量化区间的划分标准,为土石坝健康诊断提供合理准确的评价依据。（4）针对土石坝健康诊断存在的模糊性及随机性问题,利用可拓云理论的定性定量转化能力对D-S证据理论进行改进,同时对信息融合准则进行改进,将影响因素重要性与诊断信息支持度作为合成规则,提出了基于改进D-S证据理论的土石坝健康诊断方法,解决了模糊、随机的多证据体融合问题,提高了土石坝健康诊断的准确性。
胡祚晨[8]（2021）在《基于STL-CS-LSTM组合模型的大坝变形预测方法研究》文中提出截止到2018年,中国已经建设完成大坝9.8万余座,是世界上拥有大坝数量最多的国家。大坝不仅能调度水利资源的时空分布,同时也是合理配置水资源的最为重要的工程措施之一。大坝具有防洪、抗旱、发电、航运、灌概、养殖、旅游等功能。因此大坝在我国的国民经济建设中发挥着至关重要的作用。然而溃坝事件时常发生,在影响国家的经济效益的同时,还会对周围的百姓造成十分巨大的生命和财产的损失。而大坝的损坏一般都是由量变到质变的,这个过程是不可能靠人的直觉来发现的,因而必须进行完善可靠的变形监测工作。因此对大坝变形进行有效的监测并对获取到的变形监测数据进行准确的预测,是确保大坝安全运行的十分必要的手段。大坝变形受水压、气温、地质条件等多种因素的影响,受限于管理成本和水平,小型水库大坝通常难以获取上述监测数据。因此对于小型水库来说仅使用历史大坝变形监测数据来进行预测是一种既能节约成本又行之有效的方法。本文使用小型水库利山水库大坝获取的5个点位的水平位移数据进行实验,数据为2018年12月16日至2019年1月12日测得。将5组数据的异常值剔除并对缺失值进行插值填补,得到5组有672条数据的水平位移数据。水平位移数据选择前500条数据为训练集,后172条数据为测试集。针对大坝变形监测数据同时存在非线性、趋势性、周期性和随机性的特征的问题,本文选择基于局部加权回归的周期趋势分解（Seasonal-Trend decomposition procedure based on Loess,STL）、布谷鸟搜索算法（Cuckoo Search,CS）和长短期记忆神经网络（Long Term and Short Term Memory neural network,LSTM）构建了组合模型STL-CS-LSTM,该模型首先使用STL方法将时间序列分解成趋势分量、周期分量和余项分量,使用基于布谷鸟搜索算法优化过的LSTM模型对趋势分量和余项分量进行预测;周期分量则使用简单周期估计方法预测,本文采用的数据是逐小时的,周期设置为24,也就是t时刻的序列值等于（t+24）时刻的序列值。最后将三个分量的预测值相加得到最后的预测结果。对数据进行预处理后,将组合模型STL-CS-LSTM的预测结果与LSTM模型、FNN模型、SVR模型、XGBoost模型、GRU模型的预测结果进行对比分析,可得6个模型的预测精度从高到底依次为:STL-CS-LSTM模型、LSTM模型、FNN模型、SVR模型、GRU模型、XGBoost模型。预测性能最好的STL-CS-LSTM模型的RMSE小于0.028mm,MAE小于0.025mm,而R2高于0.9,预测精度能够满足工程的实际需要。
宋洋[9]（2021）在《重力坝变形监测数据缺失值处理方法研究》文中提出随着我国水利工程的快速发展,大坝安全监测的任务也日益加重。变形值作为反映重力坝安全状态的综合变量,是评判结构性能的重要指标,对坝体变形值进行监测分析可以更好地了解坝体变形规律、预测坝体变形趋势,对重力坝的安全稳定运行具有重要意义。然而,大坝运行中面临很多不确定因素且监测周期较长,从数据采集到数据传输再到数据存储的过程中,如仪器损坏、网络中断均会导致数据缺失。由于目前的数据分析方法及程序均基于数据的完备性进行实现,当存在数据缺失时会导致分析结果的可靠性降低,不利于后期的大坝安全性态评价工作。因此,如何对变形监测数据中的缺失值进行有效插补,以得到更高质量的数据集,对于大坝安全监测预警预报结果可靠性的提高具有重要意义。本文针对不同类型的缺失值,基于重力坝变形时空分布规律,利用深度学习模型长短时记忆神经网络（LSTM）分别构建了数据修复模型对缺失值进行插补。主要研究内容与成果如下:（1）针对重力坝变形监测数据中的缺失值问题,通过分析大量实际监测数据,对缺失值的成因、模式、产生机制以及传统缺失值处理方法进行研究。同时,通过工程实例计算表明,当重力坝预测模型的训练集存在缺失值时,预测模型的精度会明显下降,不能准确反映测点的真实位移情况,证明了对监测数据缺失值进行插补的必要性。（2）针对单测点数据缺失问题,基于最大信息系数（MIC）进行相关性分析,量化了变形监测数据中同类型效应量之间以及效应量与环境量之间的关系,引入长短时记忆神经网络（LSTM）挖掘不同变量间的特征信息,建立了基于MIC-LSTM的变形监测数据缺失值修复模型。研究结果表明,通过MIC相关性分析优选输入因子后,模型的缺失数据修复精度有明显提升;在选择模型的输入因子时,应选用同类型的测点数据作为自变量进行分析,且应根据相关性分析结果优先选择相关系数最高的测点作为模型的输入因子。（3）针对多测点数据缺失问题,利用自适应噪声完全集合经验模态分解（CEEMDAN）分解变形序列,基于排列熵（PE）算法对不同尺度分量的复杂度进行评估,为减小计算规模及计算误差,对复杂度相似的分量进行重组,建立基于CEEMDAN-PE-LSTM的重力坝多测点数据缺失值修复模型。计算结果表明,与传统预测模型相比,本文提出的多测点插补模型对变形监测数据缺失值的修复精度较高,能准确反映缺失数据段的监测值实际变化规律,通过实例计算验证了模型具有良好的泛化性与普适性。（4）为验证缺失值插补对预测模型精度提升的有效性,构造了四种不同缺失率的数据集,分别用本文所提出的M-L及C-P-L缺失值插补方法及传统缺失值处理方法对缺失数据集进行插补。基于不同插补方法得到的数据集,利用传统预测模型支持向量机（SVM）、BP神经网络以及LSTM神经网络进行预测。结果表明,使用M-L及C-P-L缺失值插补方法得到的数据集进行预测时结果精度较高、误差较小,且在不同缺失率下的稳定性均较好,说明这两种方法能有效应用于提升监测数据质量。通过多测点结果对比分析进一步证明了本文所提出插补方法的有效性与普适性。
杨丽群,曾旭[10]（2021）在《堆石混凝土坝材料性能探讨》文中认为堆石混凝土筑坝技术经过10多年的发展,广泛应用于水利水电工程建设中,其工艺简便、施工快速、水化热低、温控简单易行、成本低廉、环境友好等特点得到了行业主管部门及工程参建单位的认可,但该材料的物理力学性能、薄弱环节等需进一步深入研究。笔者通过对已建的3座水库大坝钻孔芯样断口统计分析、钻孔芯样及大试件试验研究,分析了影响堆石混凝土料物理力学指标的关键因素和破坏机理,提出了在工程设计中堆石混凝土材料物理力学指标的拟定原则,为类似工程的设计提供借鉴,还对堆石混凝土坝建设质量的控制提出了建议。
二、湖塘水库大坝混凝土的质量检测及分析（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、湖塘水库大坝混凝土的质量检测及分析（论文提纲范文）
（2）堆石混凝土坝填充密实性监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1绪论 |
| 1.1 课题背景 |
| 1.2 堆石混凝土填充密实性研究现状 |
| 1.2.1 室内填充密实性试验研究 |
| 1.2.2 常用的浇筑填充质量检测方法 |
| 1.2.3 实际工程浇筑填充质量研究 |
| 1.3 课题研究目的及意义 |
| 1.4 本文的主要工作内容 |
| 2 堆石混凝土坝填充质量管控 |
| 2.1 施工浇筑填充质量影响因素 |
| 2.2 原材料抽检与质量控制 |
| 2.3 自密实混凝土的工作性能检测 |
| 2.4 远程监控措施 |
| 2.5 其它管控措施 |
| 2.6 本章小节 |
| 3 堆石混凝土填充密实性研究 |
| 3.1 新的填充密实性监测方法 |
| 3.2 填充密实性监测室内试验 |
| 3.2.1 监测仪器 |
| 3.2.2 有线灯泡感应仪器试验 |
| 3.2.3 无线温度感应仪器试验 |
| 3.3 本章小节 |
| 4 广山水库填充密实性监测试验 |
| 4.1 工程概况 |
| 4.2 填充密实性监测试验方案 |
| 4.2.1 浇筑填充密实性监测试验 |
| 4.2.2 堆石粒径分布试验方案 |
| 4.2.3 堆石结构试验方案 |
| 4.3 工程现场监测点布设情况 |
| 4.4 本章小结 |
| 5 堆石混凝土坝填充密实性监测结果及分析 |
| 5.1 填充密实性监测结果及分析 |
| 5.1.1 有线灯泡感应仪器监测结果及分析 |
| 5.1.2 无线温度感应仪器监测结果及分析 |
| 5.1.3 填充密实性试验结果 |
| 5.2 堆石结构情况分析 |
| 5.3 块石粒径试验分析 |
| 5.3.1 逊径块石广泛分布于仓面堆石顶部 |
| 5.3.2 逊径块石分布集中且堆积一定高度 |
| 5.3.3 逊径块石分布试验结果 |
| 5.4 钻孔取芯检测结果及分析 |
| 5.4.1 外观质量评价法 |
| 5.4.2 芯样容重计算法 |
| 5.4.3 芯样评定法 |
| 5.5 堆石混凝土坝浇筑率情况 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 本文的主要研究成果 |
| 6.2 展望 |
| 参考文献 |
| 在学期间发表的学术论文及其他成果 |
| 在学期间参加专业实践及工程项目研究工作 |
| 致谢 |
（3）大坝安全评价之结构安全检测浅析（论文提纲范文）
| 引言 |
| 1 结构安全检测概述 |
| 2 工程实例 |
| 3 混凝土结构安全检测 |
| 3.1 混凝土强度检测 |
| 3.2 混凝土碳化深度检测 |
| 3.3 混凝土抗压强度计算 |
| 4 金属结构检测 |
| 4.1 金属结构涂层厚度检测 |
| 4.2 金属结构腐蚀状态检测 |
| 4.3 金属结构材料强度检测 |
| 4.4 金属结构无损检测 |
| 5 钻孔试验检测 |
| 5.1 压水试验检测 |
| 5.2 声波检测 |
| 6 结论及建议 |
（4）病险水库土石坝防渗加固效果评价方法探讨（论文提纲范文）
| 1 病险水库防渗加固的方法 |
| 2 防渗加固效果的常规检测方法 |
| 3 防渗加固效果的物探检测方法 |
| 4 不同检测方法优缺点及防渗加固效果评价 |
| 4.1 常规检测和物探检测方法的优缺点 |
| 4.2 大坝防渗加固效果的有效评价方法 |
| 5 结束语 |
（5）高分辨率跨孔超声波透射成像研究与应用——以某水库大坝裂隙探测为例（论文提纲范文）
| 1 研究背景 |
| 2 工程概况 |
| 3 方法原理与参数 |
| 3.1 方法原理 |
| 3.2 工作方法与参数选择 |
| 3.3 数据处理 |
| 4 裂隙检测成果分析与解释 |
| 5 结 语 |
（6）重力坝变形监控的智能分析方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 大坝安全监测数据异常检测研究进展 |
| 1.2.2 大坝安全监控模型研究进展 |
| 1.2.3 大坝变形监控指标拟定研究进展 |
| 1.3 问题的提出 |
| 1.4 研究内容和技术路线 |
| 1.5 创新点 |
| 2 变形监测数据的规律与特征分析 |
| 2.1 引言 |
| 2.2 重力坝变形影响因子及其规律分析 |
| 2.2.1 水压因子 |
| 2.2.2 温度因子 |
| 2.2.3 时效因子 |
| 2.2.4 重力坝的一般变形规律 |
| 2.3 变形监测数据的相关性分析 |
| 2.3.1 面板数据的相关性分析 |
| 2.3.2 面板数据的形状相似性分析 |
| 2.3.3 时序数据的自相关与偏自相关分析 |
| 2.4 变形监测数据的特征分析 |
| 2.4.1 整体特征 |
| 2.4.2 局部特征 |
| 2.4.3 空间特征 |
| 2.5 本章小结 |
| 3 基于多重局部异常系数法的异常值预处理 |
| 3.1 引言 |
| 3.2 异常值的基本概念 |
| 3.2.1 异常值定义 |
| 3.2.2 异常值的分类 |
| 3.2.3 异常值的特征 |
| 3.3 基于距离的异常值检测算法 |
| 3.3.1 距离的度量方法 |
| 3.3.2 局部离群因子算法 |
| 3.3.3 K近邻算法 |
| 3.4 多重局部异常系数算法研究 |
| 3.4.1 多重局部异常系数算法 |
| 3.4.2 窗口长度的选择 |
| 3.4.3 阈值的选择 |
| 3.4.4 多重局部异常系数 |
| 3.4.5 实例计算 |
| 3.5 本章小结 |
| 4 ISADE-OSELM重力坝变形预测模型研究 |
| 4.1 引言 |
| 4.2 在线极限学习机 |
| 4.2.1 单隐层前馈神经网络 |
| 4.2.2 极小范数最小二乘解 |
| 4.2.3 极限学习机 |
| 4.2.4 在线极限学习机 |
| 4.3 在线极限学习机的优化研究 |
| 4.3.1 自适应差分进化算法 |
| 4.3.2 自适应差分进化算法的改进 |
| 4.3.3 ISADE-OSELM预测模型 |
| 4.4 ISADE-OSELM预测模型应用研究 |
| 4.4.1 工程概况 |
| 4.4.2 模型拓扑结构 |
| 4.4.3 参数选择 |
| 4.4.4 ISADE-OSELM模型预测结果 |
| 4.5 本章小结 |
| 5 基于云置信区间法的重力坝变形监控指标研究 |
| 5.1 引言 |
| 5.2 置信区间法的变形监控指标拟定 |
| 5.2.1 置信区间法 |
| 5.2.2 误差序列的分布检验 |
| 5.2.3 置信区间法拟定的监控指标 |
| 5.3 云置信区间 |
| 5.3.1 云模型 |
| 5.3.2 云置信区间的组成 |
| 5.3.3 云置信区间的计算步骤 |
| 5.3.4 云区间的选择 |
| 5.4 云置信区间法的变形监控指标拟定 |
| 5.4.1 数据转换 |
| 5.4.2 云区间的计算 |
| 5.4.3 云置信区间法拟定的监控指标 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间主要研究成果 |
（7）基于POT和改进D-S证据理论的土石坝健康诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 大坝健康影响因素与诊断体系研究进展 |
| 1.2.2 大坝健康诊断指标拟定研究进展 |
| 1.2.3 大坝健康综合诊断方法研究进展 |
| 1.3 问题的提出 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 2.土石坝健康影响因素与诊断体系 |
| 2.1 引言 |
| 2.2 土石坝健康影响因素挖掘 |
| 2.3 土石坝健康诊断体系构建 |
| 2.3.1 诊断元素选择原则 |
| 2.3.2 诊断体系构建 |
| 2.4 本章小结 |
| 3.土石坝健康影响因素重要性分析方法 |
| 3.1 引言 |
| 3.2 理论方法 |
| 3.2.1 模糊最优最劣法 |
| 3.2.2 熵权法 |
| 3.2.3 级差最大化法 |
| 3.3 模型构建 |
| 3.4 实例应用 |
| 3.4.1 工程概况 |
| 3.4.2 健康诊断元素重要性评价体系构建 |
| 3.4.3 健康影响因素赋权 |
| 3.4.4 比较与分析 |
| 3.5 本章小结 |
| 4.基于POT模型的土石坝健康诊断指标拟定方法 |
| 4.1 引言 |
| 4.2 健康评语集设计 |
| 4.3 理论方法 |
| 4.3.1 POT模型 |
| 4.3.2 等区间划分法 |
| 4.4 模型构建 |
| 4.5 实例应用 |
| 4.5.1 工程概况 |
| 4.5.2 监测数据的厚尾性分析 |
| 4.5.3 基于POT模型的诊断指标拟定 |
| 4.5.4 比对分析 |
| 4.6 本章小结 |
| 5.基于改进D-S证据理论的土石坝健康综合诊断方法 |
| 5.1 引言 |
| 5.2 理论方法 |
| 5.2.1 D-S证据理论 |
| 5.2.2 可拓云理论 |
| 5.3 模型构建 |
| 5.4 实例应用 |
| 5.4.1 工程概况 |
| 5.4.2 健康综合诊断 |
| 5.4.3 对比分析 |
| 5.5 本章小结 |
| 6.总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（8）基于STL-CS-LSTM组合模型的大坝变形预测方法研究（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 国内外研究现状 |
| 1.2.1 大坝变形监测研究现状 |
| 1.2.2 大坝变形预测研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 1.5 章节安排 |
| 1.6 本章小结 |
| 第二章 大坝变形监测相关方法 |
| 2.1 大坝的分类 |
| 2.2 大坝变形监测主要的内容及过程 |
| 2.3 大坝变形监测常用技术 |
| 2.4 大坝变形监测精度要求 |
| 2.5 本章小节 |
| 第三章 机器学习概论与研究方法 |
| 3.1 机器学习概论 |
| 3.1.1 机器学习的简介及发展历史 |
| 3.1.2 机器学习算法的分类 |
| 3.1.3 回归问题 |
| 3.2 数据预处理与数据集划分方法 |
| 3.3 机器学习模型介绍 |
| 3.3.1 长短期记忆神经网络(LSTM) |
| 3.3.2 前馈神经网络(FNN) |
| 3.3.3 支持向量回归(SVR) |
| 3.3.4 极度梯度提升(XGBoost) |
| 3.3.5 门控循环单元网络(RGU) |
| 3.4 基于局部加权回归的周期趋势分解(STL) |
| 3.5 布谷鸟搜索算法(CS) |
| 3.6 STL-CS-LSTM模型构建 |
| 3.6.1 组合模型构建方式 |
| 3.6.2 STL-CS-LSTM模型构建流程 |
| 3.7 模型评价指标 |
| 3.8 本章小结 |
| 第四章 基于组合模型STL-CS-LSTM的大坝变形预测 |
| 4.1 研究区及数据 |
| 4.1.1 研究区概况 |
| 4.1.2 数据来源 |
| 4.2 大坝水平位移变化分析 |
| 4.3 基于STL模型大坝变形监测数据分解 |
| 4.4 基于CS-LSTM模型的单一分量预测结果 |
| 4.4.1 趋势分量预测结果 |
| 4.4.2 余项分量预测结果 |
| 4.5 预测结果对比 |
| 4.5.1 点1水平位移预测 |
| 4.5.2 点2水平位移预测 |
| 4.5.3 点3水平位移预测 |
| 4.5.4 点4水平位移预测 |
| 4.5.5 点5水平位移预测 |
| 4.6 模型预测性能分析与讨论 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（9）重力坝变形监测数据缺失值处理方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 大坝变形监控模型研究现状 |
| 1.2.2 缺失值插补方法研究现状 |
| 1.3 本文的研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 重力坝变形特性及缺失值分析 |
| 2.1 重力坝变形特征及主要影响因素 |
| 2.1.1 重力坝变形的一般规律及数据特征 |
| 2.1.2 重力坝变形主要影响因素 |
| 2.2 变形监测数据缺失值分析 |
| 2.2.1 数据缺失问题 |
| 2.2.2 传统缺失值处理方法 |
| 2.2.3 工程实例 |
| 2.2.4 数据缺失对预测模型精度的影响 |
| 2.3 本章小结 |
| 3 基于相关性分析的单测点变形监测数据缺失修复模型 |
| 3.1 时间序列相关性分析方法 |
| 3.1.1 皮尔逊相关系数 |
| 3.1.2 最大信息系数 |
| 3.2 长短时记忆神经网络 |
| 3.3 基于MIC-LSTM的单测点数据缺失修复模型 |
| 3.4 工程实例 |
| 3.4.1 监测数据相关性分析 |
| 3.4.2 单测点变形监测数据缺失值修复 |
| 3.5 本章小结 |
| 4 基于分解组合的多测点变形监测数据缺失修复模型 |
| 4.1 数据分解组合预处理方法 |
| 4.1.1 经验模态分解(EMD) |
| 4.1.2 集合经验模态分解(EEMD) |
| 4.1.3 自适应噪声完全集合经验模态分解(CEEMDAN) |
| 4.1.4 排列熵(PE) |
| 4.2 基于CEEMDAN-PE-LSTM的多测点数据缺失修复模型 |
| 4.3 工程实例 |
| 4.3.1 影响分量选取 |
| 4.3.2 变形时间序列CEEMDAN-PE分解重组 |
| 4.3.3 多测点变形监测数据缺失值修复 |
| 4.3.4 缺失值修复结果分析 |
| 4.4 本章小结 |
| 5 变形监测数据缺失值插补方法有效性检验 |
| 5.1 实例数据集 |
| 5.2 变形监测数据缺失值插补 |
| 5.2.1 缺失值插补方法 |
| 5.2.2 插补结果与分析 |
| 5.3 不同插补方法对变形预测模型精度的影响分析 |
| 5.3.1 模型参数选择 |
| 5.3.2 模型评价指标 |
| 5.3.3 预测结果与分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（10）堆石混凝土坝材料性能探讨（论文提纲范文）
| 1 研究背景 |
| 2 工程概况 |
| 2.1 打鼓台水库[2] |
| 2.2 绿塘水库[3] |
| 2.3 蔺家坪水库[4] |
| 3 大坝钻孔芯样断口分析 |
| 3.1 打鼓台水库大坝取芯孔布置及芯样断口统计情况[5] |
| 3.2 蔺家坪水库大坝取芯孔布置及芯样断口统计情况[6] |
| 3.3 绿塘水库大坝取芯孔布置及芯样断口统计情况[7] |
| 3.4 芯样断口分析 |
| 4 大坝钻孔芯样试验分析 |
| 4.1 打鼓台水库芯样试验情况[5] |
| 4.2 蔺家坪水库芯样试验情况[6] |
| 4.3 大坝芯样强度试验分析 |
| 5 专项试验研究 |
| 5.1 岩石试验[8] |
| 5.2 自密实混凝土试验[6] |
| 5.3 堆石混凝土大试件试验 |
| 5.3.1 试件制作 |
| 5.3.2 抗压强度 |
| 5.3.3 劈裂抗拉强度 |
| 5.3.4 抗压弹性模量 |
| 5.4 试验成果分析 |
| 6 结语 |
四、湖塘水库大坝混凝土的质量检测及分析（论文参考文献）
- [1]跨孔声波法在某水库坝址区岩体检测中的应用[J]. 古今用,王红. 岩土工程技术, 2022(01)
- [2]堆石混凝土坝填充密实性监测研究[D]. 张喜喜. 长春工程学院, 2021
- [3]大坝安全评价之结构安全检测浅析[J]. 王修春. 湖南水利水电, 2021(05)
- [4]病险水库土石坝防渗加固效果评价方法探讨[J]. 黄海波. 江淮水利科技, 2021(04)
- [5]高分辨率跨孔超声波透射成像研究与应用——以某水库大坝裂隙探测为例[J]. 王薇,卢圣力,赵仁基,林松. 长江科学院院报, 2021(09)
- [6]重力坝变形监控的智能分析方法研究[D]. 李斌. 西安理工大学, 2021(01)
- [7]基于POT和改进D-S证据理论的土石坝健康诊断方法研究[D]. 张瑜潇. 西安理工大学, 2021(01)
- [8]基于STL-CS-LSTM组合模型的大坝变形预测方法研究[D]. 胡祚晨. 江西理工大学, 2021(01)
- [9]重力坝变形监测数据缺失值处理方法研究[D]. 宋洋. 西安理工大学, 2021(01)
- [10]堆石混凝土坝材料性能探讨[J]. 杨丽群,曾旭. 红水河, 2021(02)