| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状和发展 | 第9-12页 |
| 1.2.1 大坝安全监控技术的发展及研究现状 | 第9-10页 |
| 1.2.2 大坝运行性状融合诊断研究现状 | 第10-12页 |
| 1.3 问题的提出 | 第12-13页 |
| 1.4 本文研究的主要内容 | 第13-15页 |
| 第2章 混凝土重力坝运行性状融合诊断体系 | 第15-23页 |
| 2.1 概述 | 第15页 |
| 2.2 混凝土重力坝融合诊断体系效应量的选取 | 第15-18页 |
| 2.2.1 效应量的选取原则 | 第15-16页 |
| 2.2.2 效应量的监控方法 | 第16-18页 |
| 2.3 混凝土重力坝融合诊断体系的构建方法 | 第18页 |
| 2.4 混凝土重力坝融合诊断评价集设计 | 第18-19页 |
| 2.5 工程实例 | 第19-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第3章 大坝监测数据的时序分析方法 | 第23-37页 |
| 3.1 概述 | 第23页 |
| 3.2 时间序列的平稳性检验 | 第23-25页 |
| 3.2.1 散点图法 | 第24页 |
| 3.2.2 自相关函数法 | 第24-25页 |
| 3.3 时间序列监控模型的建模方法 | 第25-27页 |
| 3.3.1 逐步回归方法 | 第25-26页 |
| 3.3.2 自回归滑动平均模型 | 第26-27页 |
| 3.4 工程算例 | 第27-36页 |
| 3.4.1 回归因子的选取 | 第27-30页 |
| 3.4.2 扬压力监控模型的建立 | 第30-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于神经网络-逐步回归的大坝混合监控模型优化方法 | 第37-53页 |
| 4.1 概述 | 第37页 |
| 4.2 混凝土重力坝位移混合模型构建原理 | 第37-39页 |
| 4.2.1 混合模型中有限元方法的基本原理 | 第37-38页 |
| 4.2.2 位移混合模型中回归因子的选取 | 第38-39页 |
| 4.3 多测点位移场条件下坝体弹性模量的优化反演 | 第39-42页 |
| 4.3.1 坝体弹性模型反演基本原理 | 第39-41页 |
| 4.3.2 坝体弹性模量的优化反演方法 | 第41-42页 |
| 4.4 工程算例 | 第42-52页 |
| 4.4.1 各测点混合模型的建立 | 第42-50页 |
| 4.4.2 坝体弹性模量的优化反演 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 基于信息融合技术的混凝土重力坝运行性状诊断模型 | 第53-87页 |
| 5.1 概述 | 第53页 |
| 5.2 大坝监控模型的残差分析方法 | 第53-55页 |
| 5.2.1 残差的经验分布和理论分布 | 第54页 |
| 5.2.2 分布的K-S检验法 | 第54-55页 |
| 5.3 大坝各测点融合权重分析方法 | 第55-56页 |
| 5.4 基于云模型的混凝土重力坝多效应量融合诊断方法 | 第56-61页 |
| 5.4.1 单效应量诊断云模型的基本原理 | 第56-60页 |
| 5.4.1.1 逆向云发生器 | 第57-58页 |
| 5.4.1.2 正向云发生器 | 第58-59页 |
| 5.4.1.3 正态分布总体云模型参数的提取方法 | 第59-60页 |
| 5.4.2 多效应量诊断云模型的构建方法 | 第60-61页 |
| 5.5 工程算例 | 第61-86页 |
| 5.5.1 各测点云诊断模型的建立 | 第61-79页 |
| 5.5.2 单效应量诊断云模型的建立 | 第79-85页 |
| 5.5.3 扬压力与位移的联合诊断云模型 | 第85-86页 |
| 5.6 本章小结 | 第86-87页 |
| 第6章 结论与展望 | 第87-89页 |
| 6.1 结论 | 第87页 |
| 6.2 展望 | 第87-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 攻读学位期间研究成果 | 第94页 |
