混凝土坝智能监控模型与软件系统研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第8-17页 |
| 1.1 大坝安全监控的研究背景及意义 | 第8-9页 |
| 1.2 大坝安全监控模型的研究现状 | 第9-14页 |
| 1.2.1 国外研究现状 | 第9-11页 |
| 1.2.2 国内研究现状 | 第11-13页 |
| 1.2.3 现有模型的优缺点 | 第13-14页 |
| 1.3 大坝安全监控系统研究现状 | 第14-15页 |
| 1.3.1 研究现状 | 第14-15页 |
| 1.3.2 存在的缺陷 | 第15页 |
| 1.4 本文的研究内容 | 第15-17页 |
| 2 混凝土坝的监控统计模型 | 第17-24页 |
| 2.1 引言 | 第17页 |
| 2.2 混凝土坝变形监控统计模型 | 第17-21页 |
| 2.2.1 水压分量y_H | 第17-18页 |
| 2.2.2 温度分量y_T | 第18-19页 |
| 2.2.3 时效分量y_θ | 第19-21页 |
| 2.3 混凝土坝应力（应变）统计模型 | 第21-22页 |
| 2.3.1 水压分量y_H | 第21页 |
| 2.3.2 温度分量y_T | 第21页 |
| 2.3.3 时效分量y_θ | 第21-22页 |
| 2.3.4 自重分量y_G | 第22页 |
| 2.3.5 湿胀分量y_W | 第22页 |
| 2.4 混凝土坝渗流监控统计模型 | 第22-24页 |
| 2.4.1 坝体孔隙水压力统计模型 | 第22页 |
| 2.4.2 坝基扬压力统计模型 | 第22-23页 |
| 2.4.3 渗流量统计模型 | 第23-24页 |
| 3 常用的几种传统建模方法 | 第24-31页 |
| 3.1 引言 | 第24页 |
| 3.2 多元线性回归分析法 | 第24-26页 |
| 3.2.1 多元线性回归方程的建立 | 第24-26页 |
| 3.2.2 多元线性回归方程评价指标 | 第26页 |
| 3.3 逐步回归分析法 | 第26-28页 |
| 3.3.1 逐步回归方程的建立 | 第27-28页 |
| 3.3.2 逐步回归方程的评价指标 | 第28页 |
| 3.4 BP神经网络 | 第28-31页 |
| 3.4.1 BP神经网络结构 | 第28-29页 |
| 3.4.2 BP神经网络学习步骤 | 第29-31页 |
| 4 极限学习机大坝监控模型 | 第31-37页 |
| 4.1 引言 | 第31页 |
| 4.2 极限学习机 | 第31-34页 |
| 4.2.1 基本原理 | 第32-34页 |
| 4.2.2 计算步骤 | 第34页 |
| 4.3 极限学习机大坝监控模型的建立 | 第34-35页 |
| 4.4 评价指标 | 第35-37页 |
| 5 实例分析 | 第37-72页 |
| 5.1 引言 | 第37页 |
| 5.2 工程概况 | 第37-38页 |
| 5.3 样本收集及处理 | 第38-39页 |
| 5.4 模型性能评价 | 第39-71页 |
| 5.4.1 样本集A建模结果 | 第39-50页 |
| 5.4.2 样本集B建模结果 | 第50-60页 |
| 5.4.3 样本集C建模结果 | 第60-71页 |
| 5.5 本章小结 | 第71-72页 |
| 6 大坝安全监测数据分析软件系统的设计与开发 | 第72-84页 |
| 6.1 引言 | 第72页 |
| 6.2 软件系统的功能结构设计 | 第72-73页 |
| 6.3 理论依据 | 第73-75页 |
| 6.3.1 数据归一化方法 | 第73-74页 |
| 6.3.2 奇异值诊断方法 | 第74页 |
| 6.3.3 数学模型理论 | 第74-75页 |
| 6.4 软件系统的开发 | 第75-84页 |
| 6.4.1 软件开发平台 | 第75-76页 |
| 6.4.2 软件系统介绍 | 第76-79页 |
| 6.4.3 操作演示 | 第79-84页 |
| 7 结论与展望 | 第84-86页 |
| 7.1 结论 | 第84页 |
| 7.2 展望 | 第84-86页 |
| 参考文献 | 第86-93页 |
| 攻读硕士学位期间发表学术论文情况 | 第93-94页 |
| 致谢 | 第94-96页 |
