| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景和研究意义 | 第9-10页 |
| 1.3 混凝土坝安全监控研究现状 | 第10-14页 |
| 1.3.1 混凝土坝安全监控模型研究现状 | 第10-12页 |
| 1.3.2 混凝土坝安全性态综合判诊研究现状 | 第12-14页 |
| 1.4 本文主要研究内容 | 第14-16页 |
| 第2章 混凝土坝安全性态综合判诊体系 | 第16-28页 |
| 2.1 概述 | 第16页 |
| 2.2 混凝土坝安全性态综合判诊体系指标选取 | 第16-17页 |
| 2.3 混凝土坝安全性态判诊体系的构建 | 第17-18页 |
| 2.4 混凝土坝安全性态综合判诊评价集设计 | 第18-20页 |
| 2.4.1 状态等级设置 | 第18-19页 |
| 2.4.2 建立指标属性矩阵 | 第19-20页 |
| 2.5 混凝土坝安全性态综合判诊方法 | 第20-25页 |
| 2.5.1 监测数据预处理 | 第20-21页 |
| 2.5.2 多项目综合判诊方法 | 第21-25页 |
| 2.6 工程实例 | 第25-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第3章 基于组合寻优和支持向量机的大坝渗流预报方法 | 第28-43页 |
| 3.1 概述 | 第28页 |
| 3.2 模型回归因子的选取 | 第28-31页 |
| 3.2.1 上游水位分量 | 第29-30页 |
| 3.2.2 下游水位分量 | 第30页 |
| 3.2.3 降雨分量 | 第30页 |
| 3.2.4 温度分量 | 第30页 |
| 3.2.5 时效分量 | 第30-31页 |
| 3.3 大坝扬压力预测分析模型 | 第31-34页 |
| 3.3.1 逐步回归模型 | 第31-32页 |
| 3.3.2 组合寻优下的支持向量机模型 | 第32-34页 |
| 3.4 工程算例 | 第34-41页 |
| 3.4.1 监测数据分析与模型建立 | 第34-35页 |
| 3.4.2 计算与结果分析 | 第35-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 基于BP神经网络-ARIMA的大坝变形组合预报模型 | 第43-61页 |
| 4.1 概述 | 第43页 |
| 4.2 回归因子的选取 | 第43-45页 |
| 4.2.1 水压分量 | 第43-44页 |
| 4.2.2 温度分量 | 第44页 |
| 4.2.3 时效分量 | 第44-45页 |
| 4.3 监测数据的多尺度小波预处理分析 | 第45-46页 |
| 4.4 混凝土坝变形组合预测模型的建模方法 | 第46-50页 |
| 4.4.1 BP神经网络 | 第46-48页 |
| 4.4.2 求和式自回归滑动平均模型ARIMA | 第48-49页 |
| 4.4.3 建模方法 | 第49-50页 |
| 4.5 工程算例 | 第50-60页 |
| 4.5.1 数据预处理与模型建立 | 第50-54页 |
| 4.5.2 计算与结果分析 | 第54-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 基于趋势预测的大坝安全性态综合判诊 | 第61-82页 |
| 5.1 概述 | 第61页 |
| 5.2 判诊指标监测数据的归一化 | 第61-62页 |
| 5.3 判诊指标权重确定 | 第62-63页 |
| 5.4 云判诊模型 | 第63-67页 |
| 5.4.1 云模型类型 | 第63-65页 |
| 5.4.2 云发生器 | 第65-67页 |
| 5.5 建立动态熵权时效云判诊模型 | 第67-69页 |
| 5.6 工程实例 | 第69-81页 |
| 5.6.1 单测点云判诊分析 | 第69-76页 |
| 5.6.2 单项目云判诊分析 | 第76-79页 |
| 5.6.3 综合云判诊分析 | 第79-81页 |
| 5.7 本章小结 | 第81-82页 |
| 第6章 结论与展望 | 第82-84页 |
| 6.1 结论 | 第82-83页 |
| 6.2 展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-90页 |
| 攻读学位期间研究成果 | 第90页 |