Loading [MathJax]/jax/output/SVG/jax.js
  • 全国中文核心期刊
  • 中国科技核心期刊
  • 美国工程索引(EI)收录期刊
  • Scopus数据库收录期刊

水库大坝安全诊断与智慧管理关键技术与应用

盛金保, 向衍, 杨德玮, 严吉皞, 董凯

盛金保, 向衍, 杨德玮, 严吉皞, 董凯. 水库大坝安全诊断与智慧管理关键技术与应用[J]. 岩土工程学报, 2022, 44(7): 1351-1366. DOI: 10.11779/CJGE202207013
引用本文: 盛金保, 向衍, 杨德玮, 严吉皞, 董凯. 水库大坝安全诊断与智慧管理关键技术与应用[J]. 岩土工程学报, 2022, 44(7): 1351-1366. DOI: 10.11779/CJGE202207013
SHENG Jin-bao, XIANG Yan, YANG De-wei, YAN Ji-hao, DONG Kai. Key technologies and applications of safety diagnosis and smart management of reservoir dams[J]. Chinese Journal of Geotechnical Engineering, 2022, 44(7): 1351-1366. DOI: 10.11779/CJGE202207013
Citation: SHENG Jin-bao, XIANG Yan, YANG De-wei, YAN Ji-hao, DONG Kai. Key technologies and applications of safety diagnosis and smart management of reservoir dams[J]. Chinese Journal of Geotechnical Engineering, 2022, 44(7): 1351-1366. DOI: 10.11779/CJGE202207013

水库大坝安全诊断与智慧管理关键技术与应用  English Version

基金项目: 

“十三五”国家重点研发计划项目 2018YFC0407100

详细信息
    作者简介:

    盛金保(1966—),男,正高级工程师(二级),博士生导师,现任水利部大坝安全管理中心总工程师,南京水利科学研究院大坝安全与管理研究所所长,享受国务院政府特殊津贴,水利部5151人才部级人选,江苏省第五期“333高层次人才培养工程”第二层次培养对象,世界银行(World Bank)大坝安全专家,国家注册土木工程师(水利水电工程),国家防汛抗旱总指挥部防汛抗旱专家,国家审计署病险水库除险加固工程专项审计调查技术咨询专家,江苏省注册咨询专家,河海大学兼职教授,武汉大学、四川大学博士生导师。长期从事大坝安全与管理领域科学研究工作,先后主持或参加数十项包括国家科技支撑计划项目、国家重点研发计划、“973”专题、科技部社会公益专项、水利部公益专项等各类重点科技项目研究,提出大量创新研究成果,在全国大坝安全行业管理实践中得到推广应用,推动了行业科技进步,获国家科技进步一等奖1次、二等奖1次,中国标准创新二等奖1次、省部级特等奖1次、一等奖1次、二等奖3次,牵头主持“十三五”国家重点研发专项“水库大坝安全诊断与智慧管理关键技术与应用(2018YFC0407100)”,并协助主持“重大水利工程大坝深水检测及突发事件监测预警与应急处置”研究。主持完成丹江口水利枢纽、小浪底水利枢纽、乌鲁瓦提水利枢纽、磨盘山水库等数十座重大水利工程安全评估或病险机理分析研究,解决其中复杂技术难题,为保障相关工程安全运行提供了科学依据。参与2008年“5.12”汶川地震和2012年“9.07”彝良地震、2013年甘肃李桥水库出险与东北抗洪、2016年长江九江干堤防汛抢险、2018年内蒙古增隆昌水库溃坝等重大水利突发事件应急处置或调查,发挥重要技术支撑作用。出版专(译)著6部,参编专著4部,公开发表学术论文70余篇,取得国际专利1项,国家发明专利5项,实用新型专利3项,软件著作权7项。主持或参与十余部水利行业技术标准或规规性文件制修订,为规范全国水库大坝安全运行管理提供了法规依据和技术标准支撑。培养研究生和博士后十余名。E-mail: jbsheng@nhri.cn

  • 中图分类号: TV62;TU43

Key technologies and applications of safety diagnosis and smart management of reservoir dams

  • 摘要: 中国水库大坝建设水平世界领先,但管理水平相对滞后,突出表现在管理手段落后、信息化应用程度低,出险甚至溃坝事故仍时有发生,亟待加强传统水利与现代信息技术融合,充分应用大数据、人工智能、机器学习等现代信息技术,实现水库大坝安全智能诊断和智慧管理。“十三五”国家重点研发计划项目“水库大坝安全诊断与智慧管理关键技术与应用(2018YFC0407100)”以澜沧江流域代表性水电工程等为依托,以水资源高效利用为目标,以确保水库大坝安全为宗旨,以工程防灾减灾为突破点,通过近四年的联合攻关,在大型复杂水工结构性能演化测试装备与智能诊断技术、大坝结构与服役环境互馈仿真及智能监控关键技术、基于大数据的大坝安全诊断与预警关键技术等方面取得系列创新成果,为进一步健全中国大坝安全保障体系和强化预报、预警、预演、预案“四预”措施提供科技支撑,全面保障水库大坝安全运行和综合效能发挥,具有极高的科学价值和广阔的推广应用前景,社会效益、经济效益和生态环境效益极其显著。
    Abstract: The construction level of reservoirs and dams in China is leading in the world, but the management level is relatively lagging behind, which is highlighted by the backward management means, and low application degree of information technology, and accidents and even dam breaks still occur from time to time. It is urgent to strengthen the integration of traditional water conservancy and modern information technologies, and make full use of the latter such as big data, artificial intelligence and machine learning to realize intelligent diagnosis and smart management of reservoir dam safety. The National Key Research and Development Program of China during the 13th Five-Year Plan period "Key technologies and applications of reservoir dam safety diagnosis and smart management (2018YFC0407100)" is based on the representative hydropower projects in Lancang River Basin, aiming at efficient utilization of water resources, ensuring safety of reservoir dam and taking disaster prevention and mitigation of projects as a breakthrough point. After nearly four years of joint researches, a series of innovative achievements were made in the test equipments and intelligent diagnosis technologies for performance evolution of large and complex hydraulic structures, the key technologies of mutual feed simulation and intelligent monitoring of dam structures and service environment, and the key technologies of dam safety diagnosis and early warning based on big data. The relevant achievements provide scientific and technological support for further improving China's dam safety guarantee system and strengthening the "four pre-measures", and comprehensively guarantee the safe operation and comprehensive efficiency of reservoirs and dams. The achievements have extremely high scientific value and broad prospects for popularization and application as well as extremely remarkable social, economic and ecological environmental benefits.
  • 土体参数空间变异性对土坡稳定性的影响已受到岩土工程界的广泛关注,繁冗的计算量是空间变异土坡可靠度分析面临的瓶颈问题。为解决该问题,诸多学者在蒙特卡洛模拟(MCS)分析中采用高效的代理模型取代耗时的边坡稳定分析模型,从而减少计算量、提高分析效率。在处理空间变异土坡可靠度问题时,常用的随机场模拟方法需要将土体离散为成百上千个随机变量,带来的“维度灾难”问题,导致许多代理模型难以适用。尽管目前存在一些降维方法,如采用Karhunen-Loève(KL)级数展开模拟土坡随机场,并在随机变量数量较少的低维标准正态空间构建代理模型。然而,当土性参数自相关距离较小、场地区域较大或采用指数型自相关函数时,为保证随机场模拟具有足够精度,KL级数展开所需的随机变量数量仍然较多[1-4]。开发不受随机变量维度影响,并在高维物理参数空间(X空间)中适用的代理模型,进而进行空间变异土坡可靠度分析的研究依然有限[5]

    边坡代理模型的构建需要足够的训练样本点,一般而言,训练样本点越多,模型越精确、预测误差越小。然而,过多的训练样本点意味着需要调用更多次数的边坡稳定分析模型,从而大幅度增加计算量,影响计算效率。如何采用较少的训练样本点获得精度较高的边坡代理模型仍是一个关键技术难题。当前基于代理模型的可靠度方法,其训练样本点的选取主要分为全局取样法和局部取样法两大类。全局取样法试图构建一个在不确定参数的全域内均具有较高预测精度的代理模型,因此往往需要较多的训练样本点[1-3, 5]。需要指出的是,基于MCS法的边坡可靠度分析属于分类问题,即失效概率的求解只需准确判断安全系数Fs是否小于1.0,而无需得出其精确值。因此,全局取样法会产生大量对求解边坡失效概率贡献不大的训练样本点,从而降低计算效率。局部取样法旨在参数空间的关键区域内(如极限状态面LSS附近)选取训练样本点,进而构建边坡的局部代理模型,提高其在LSS附近区域的分类预测精度[6]。同时,局部取样法能够较好地与主动学习策略相结合,通过借助不同的主动学习函数,逐个识别LSS附近的最优训练样本点,从而减少训练样本点的数量[6-8]。然而,现有的局部取样法大多只适用于随机变量较少(低维)的情况,在考虑参数空间变异性的随机场工况时仍然面临着高维变量拟合困难的问题。

    强度折减法是求解边坡安全系数最普遍的方法之一,该方法将边坡安全系数定义为将土体抗剪强度折减以使得边坡接近失稳状态的折减系数[9]。换而言之,若将土体抗剪强度除以Fs,则折减后的土体强度参数可恰好使边坡处于极限平衡状态。基于强度折减理论,可以直接识别出LSS上的临界样本点,进而有助于局部代理模型的构建。目前,关于这方面的尝试仍十分有限。

    针对上述问题,从强度折减理论和局部取样法角度出发,提出一种基于强度折减采样(strength reduction sampling, SRS)与高斯过程回归(Gaussian process regression, GPR)的空间变异土坡自适应可靠度分析方法(SRS-GPR)。该方法基于SRS生成位于LSS上的临界训练样本点,通过GPR模型构建土体高维随机变量与边坡安全系数之间的函数关系。在此基础上,提出一种主动学习策略来有效识别靠近LSS区域附近的最优训练样本点,通过迭代更新逐步提高GPR模型在失效区域附近的预测精度,从而降低所需训练样本点数量,提高计算效率。最后,通过两个空间变异土坡算例验证所提方法的有效性。

    土体性质的空间变异性表现为土体参数在空间不同位置间存在相关性。为合理描述土体性质的空间变异性,随机场模型得到众多学者的青睐。在随机场模型中,由于现场勘察数据有限,通常采用理论自相关函数来模拟土体参数间的自相关性,采用的二维高斯型自相关函数表达式为[10]

    ρ(Δh,Δ)=exp[(Δ2hlh2+Δ2vl2v)] (1)

    式中:ΔhΔv分别为水平和垂直方向上任意两点间的相对距离;lhlv分别表示水平和垂直方向的自相关距离。此外,高斯型自相关距离l为波动范围δ1/π倍。

    采用计算精度和效率较高的KL级数展开法离散土体强度参数非高斯随机场。基于KL展开的独立高斯随机场H(x, y)表达式为

    H(x,y)ˆH(x,y)=μ+σnsi=1λifi(x,y)ξi (2)

    式中:(x, y)为二维计算区域Ω = {(x, y)| x∈[0, L1], y∈[0, L2]}内任意点的坐标,其中L1L2分别为随机场计算区域的水平和垂直尺寸;μ′,σ′分别为随机场的均值和标准差;λifi(·)分别为自相关函数的第i个特征值和特征函数;ξi为第i组独立标准正态随机变量;Ĥ(x, y)为考虑截断误差的近似随机场;ns为KL展开截断项数,其数值大小决定随机场模型精度,一般采用期望能比率因子ε来确定:

    ε=nsi=1λii=1λi=nsi=1λiL1L2 (3)

    根据文献[3]建议,可采用ε ≥ 95%作为确定截断项数ns的依据,以确保离散后的随机场具有较高精度。当土体参数服从对数正态分布时,便可将式(2)的独立高斯随机场通过等概率转换方法得到独立非高斯随机场如下:

    ˆH(x,y)=exp[μlnx+σlnxnsi=1λifi(x,y)ξi] (4)

    式中:μlnxσlnx分别为参数对数化后的均值和标准差。最后,考虑参数之间的互相关性(如黏聚力和内摩擦角之间的负相关性),借助乔列斯基法分解参数间的互相关系数矩阵,便可得到土体多参数的相关非高斯随机场。

    在边坡可靠度分析中,可将代理模型与MCS方法结合进行失效概率Pf计算[11]

    Pf1NMCSNMCS i=1I[Fs(xi)<1]1NMCSNMCSi=1I[R(xi)<1] (5)

    式中:xi为土体随机场参数的输入向量;Fs(xi)为利用边坡稳定分析模型计算的安全系数;R(xi)为代理模型预测的边坡安全系数;I[·]为指示性函数,当Fs(xi) < 1(即边坡失效),I[·] = 1,否则I[·] = 0;NMCS为模拟次数。当代理模型构建完成后,Pf的计算仅需基于该模型求解边坡安全系数,而无需重复调用边坡稳定分析模型,因此可以显著提高边坡可靠度分析效率[12]

    由于高斯过程回归在处理复杂非线性问题时具有较强的拟合优势[13-16],采用GPR构建边坡Fs的代理模型,以下简要介绍GPR原理。高斯过程是随机变量的集合,且假定任意有限个随机变量均服从联合高斯分布[17]。高斯过程f(x)可通过均值函数和协方差函数来表征:

    m(x)=E(f(x)), (6)
    k(x,x)=E[(f(x)m(x))(f(x)m(x))] (7)

    式中:m(x)为均值函数,通常取零;E(·)表示期望算子;k(x, x′)为输入样本xx′的协方差函数,这里采用平方指数型[16]。当给定一组训练样本Xt = [x1, x2, …, xn]T时,其相应的响应向量为Yt = [y1, y2, …, yn]T,则可构建输入变量与响应量之间的关系如下:

    vi=f(xi)+ε (8)

    式中:ε为噪声值,服从均值为零、方差为σ2的独立高斯分布。以f值为条件的Yt的分布可由各向同性的高斯分布表示:

    p(Ytf,Xt)=N(f,σ2I) (9)

    式中:I为单位矩阵。由于GPR是一种贝叶斯方法,它假设回归函数的均值先验为零,因而Yt的先验分布可表示为

    p(YtXt)=p(Ytf,Xt)p(fXt)df=N(0,K(Xt,Xt)+σ2I) (10)

    式中:K(·)表示分量为Kij = k(xi, xj)的协方差矩阵。因此,在给定训练输入样本的情况下,可以通过最大化输出的对数似然来求解式(10)中的超参数θ = [λ, σf, σ]。在确定最优超参数θ后,先验条件下新样本X*处的响应值Yt与预测值Y*的联合分布可表示为

    [YtY]N(0,[K(Xt,Xt)+σ2IK(Xt,X)K(X,Xt)K(X,X)]) (11)

    进而可得Y*的后验分布:

    p(YX,Xt,Yt)=N(μ,σ2), (12)
    μ=K(X,Xt)[K(X,Xt)+σ2I]1Yt, (13)
    σ2=K(X,X)K(X,Xt)[K(Xt,Xt)+                σ2I]1K(Xt,X) (14)

    式中:μ*σ*2分别为预测值Y*在新样本X*处的均值和方差向量。

    强度折减法的原理是将边坡土体抗剪强度参数cϕ同时除以折减系数Fr,得到一组新的crϕr值,然后作为一组新的边坡输入参数,再进行试算。土体的抗剪强度折减公式为

    τr=(c+σntanϕ)/Fr=cr+σntanϕr, (15)
    cr=c/Fr, (16)
    tanϕr=tanϕ/Fr (17)

    式中:cϕ分别为土体的黏聚力和内摩擦角;σnτr分别为作用于土体的正应力和剪应力;crϕr分别为折减后的黏聚力和内摩擦角。在强度折减法中,折减系数Fr通过迭代计算不断调整,直至边坡恰好达到失稳破坏(极限平衡状态),则此时的折减系数等于边坡的安全系数,即Fr = Fs

    根据强度折减理论,本文提出强度折减采样法,该方法可直接基于已知的边坡安全系数,得到相应的临界抗剪强度参数为

    ce=c/Fs (18)
    tanϕe=tanϕ/Fs (19)

    式中:ceϕe为使边坡处于极限平衡状态的临界抗剪强度参数,即Fs(ce, ϕe) = 1.0,因此在随机参数空间由临界抗剪强度参数构成的点恰好位于边坡功能函数的极限状态面上。结合式(18),(19)可得

    cetanϕe=ctanϕ (20)

    由式(20)可知,在c-tanϕ参数空间,坐标原点O、任意一组强度参数构成的随机点(cj, tanϕj)和其对应的临界点(cej, tanϕej) 三者共线,j = 1, 2, …, k,如图 1所示。

    图  1  强度折减采样法原理
    Figure  1.  Principle of strength reduction sampling method

    当考虑土体强度参数空间变异性时,令x0 = {c1, …, cM, ϕ1, …, ϕM}表示参数随机场离散后的c-ϕ向量,其中ciϕi分别为黏聚力和内摩擦角的随机场实现值,i = 1, 2, …, M。基于强度折减理论,可得临界样本点xe0 = {ce1, …, ceM, ϕe1, …, ϕeM},其中

    cei=ci/Fs,ϕei=arctan(tanϕi/Fs)} (21)

    综上,当存在一组随机场实现值x0时,可基于式(21)获取其相应的临界样本点xe0,此时的xe0恰好位于边坡极限状态面上,即Fs(xe0) = 1.0。值得说明的是,基于SRS法生成的临界样本点xe0不仅可以极大地提升边坡代理模型在极限状态面附近的预测精度,而且xe0的获取无须额外调用边坡稳定分析模型,可大幅提高边坡可靠度分析效率。

    选取合适的训练样本点不仅可以提高代理模型预测精度,而且能够减少调用边坡稳定分析模型次数。本文提出一种主动学习策略,该策略可在蒙特卡洛样本池中选取对失效概率评估贡献最大的样本点。该样本点应当满足:①尽可能靠近预测的LSS;②远离已有的训练样本点,以避免样本点过度聚集,造成信息冗余。首先从蒙特卡洛(MC)样本池中提取靠近预测的LSS的候选样本点,该候选样本点满足:

    |R(xi)1|max[|R(xi)1|]<103 (22)

    式中:R(xi)为给定输入xi时的GPR模型预测的安全系数值。然后比较候选样本点与已有训练样本点之间的欧氏距离,并根据如下公式选择最优样本点xa作为新的训练样本点:

    dmin,i=min(||xixj||) (23)
    xa=arg[max(dmin,i)] (24)

    式中:xi为由式(22)提取的候选样本点,i = 1, 2, …, Ncxj为已有的训练样本点,j = 1, 2, …, n

    式(22)~(24)可保证识别的最优训练样本点分布在边坡功能函数的极限状态边界附近。

    本文融合SRS、GPR模型和主动学习策略,提出空间变异性边坡自适应可靠度分析方法(SRS-GPR)。其中,SRS用以生成临界样本点,GPR模型作为边坡安全系数的代理模型,而主动学习策略用以识别新的最优训练样本点来更新GPR模型。综上,所提SRS-GPR方法计算流程如图 2所示,其具体实施步骤如下:

    图  2  SRS-GPR方法的计算流程图
    Figure  2.  Flow chart of proposed SRS-GPR method

    (1)确定边坡随机土体参数的统计特征,如概率分布、均值、标准差、波动范围(自相关距离)、自相关函数及互相关系数等,建立边坡稳定性分析模型。

    (2)根据随机参数的概率分布,在X空间中生成NMCS个随机场蒙特卡洛样本点,形成样本池。

    (3)生成一组随机场初始样本点S0,并调用边坡稳定模型求解相应Fs。在主动学习策略的协助下,初始样本数对边坡可靠度分析影响较小,少量的初始样本点(本文取20)即可满足计算精度要求[7]。为保证样本点空间分布的均匀性,通常可采用拉丁超立方抽样(LHS)、均匀设计和中心复合设计等方法生成初始样本点[14, 18-19]

    (4)基于SRS法生成与初始样本点对应的临界样本点Se0。随后,将初始样本点S0、临界样本点Se0及相应的安全系数组成训练样本集。

    (5)在X空间内,基于步骤(4)中的训练样本集构建边坡安全系数的GPR代理模型。

    (6)基于步骤(5)得到的GPR模型和步骤(2)生成的MC样本点进行边坡可靠度分析,采用式(5)计算边坡失效概率Pf

    (7)判断迭代计算是否终止。若σ(Pf,iter(5))/μ(Pf,iter(5)) < 0.3%[6],计算转至步骤(9);否则,转至步骤(8)。其中,Pf,iter(5)为GPR模型在当前连续5次迭代计算的失效概率[20]μ(·),σ(·)分别为相应的均值和标准差。

    (8)采用2.4节所提主动学习策略确定新的最优训练样本xa,调用边坡稳定模型计算点xa处的安全系数,并基于式(21)生成相应的临界样本点xea。将xaxea及其安全系数补充至训练样本集中,随后转至步骤(5)。

    (9)终止迭代计算,输出步骤(6)最终所得边坡失效概率Pf

    本节将通过两个土坡算例来验证所提SRS-GPR方法的准确性、高效性、鲁棒性和适用性。其中,边坡安全系数采用简化Bishop法(BSM)计算,将基于直接MCS法求解的Pf作为精确解来验证SRS-GPR方法的准确性。采用边坡稳定性模型的平均调用次数Ncall量化计算效率,并与文献中其它方法比较来验证SRS-GPR方法的高效性。进行20次独立的边坡可靠度分析,采用95%置信区间验证SRS-GPR方法的鲁棒性。同时,设计多种计算工况,进一步验证SRS-GPR方法的适用性。

    以不排水饱和黏性土坡为例进行分析,二维边坡几何尺寸如图 3所示,坡高5 m,坡角为26.6°。边坡黏土重度为20 kN/m3,视为常量。采用高斯型自相关函数模拟土体不排水抗剪强度cu的空间变异性,根据文献[321~23],假设cu服从均值为23 kPa,变异系数为0.3的对数正态分布随机场,水平和垂直自相关距离分别取20,2 m。基于图 3几何尺寸建立边坡稳定性分析模型,采用KL展开方法离散cu随机场,边坡区域共划分为910个边长为0.5 m的随机场网格单元。利用MATLAB软件编写BSM程序求解边坡Fs。基于cu参数均值计算的Fs为1.356,与文献中采用BSM方法求解的1.356[3, 21]和1.355[22-23]一致,其相应最危险滑动面位置如图 3所示。

    图  3  黏性土坡剖面及随机场网格示意图
    Figure  3.  Profile of cohesive slope and elements of random field

    图 4给出cu随机场的一次典型实现,颜色越深表示cu值越大,颜色越浅则表示cu值越小。从图 4中不难发现参数cu值随着空间位置的变化而变化,且相邻位置间的cu值也存在着一定的相关性。

    图  4  不排水强度cu随机场的一次典型实现
    Figure  4.  A typical realization of random field of cu

    根据2.5节的计算流程,首先生成20万组cu随机场的MC样本点,从中选取20个初始样本点S0,求解边坡Fs,其相应的临界样本点Se0可通过式(21)得到,并将初始样本点S0和临界样本点Se0及其安全系数组合构成训练样本集。随后,利用训练数据集构建边坡Fs的GPR模型,并基于20万组MC样本点求解边坡Pf。当迭代计算不满足终止条件时,基于式(22)~(24)识别最优样本点xa,将点xa和相应临界样本点xea及其安全系数补充至训练数据集中,接着采用新的训练样本集重新训练GPR模型,并求解对应的边坡Pf。当终止条件满足时,迭代计算结束,输出最终的边坡Pf图 5给出一次随机分析下,采用SRS-GPR方法进行边坡可靠度计算的迭代过程。由图 5(a)可见,随着迭代计算的进行,本文提出方法计算的Pf逐渐收敛到MCS精确解,计算终止时得到的边坡Pf(0.0883)与精确解(0.0882)吻合较好,此时的边坡稳定模型调用次数为78,GPR模型的超参数取值为θ = [466.14, 0.52, 0.0017]。由图 5(b)可见,大部分训练样本点的Fs值都接近1.0(即靠近LSS),说明本文提出的主动学习策略可有效识别边坡极限状态面附近的样本点。此外,由于临界样本点可直接利用式(21)获得,无需进行额外的边坡确定性分析,因此在迭代计算过程中,边坡确定性分析次数仅为用于构建GPR模型的训练样本数量的1/2。

    图  5  可靠度分析迭代计算过程
    Figure  5.  Iterative calculation process of reliability analysis

    为说明所提方法建立局部代理模型的特点,图 6给出所提方法与MCS方法计算的边坡安全系数累积分布函数(CDF)曲线。由图 6可知,当Fs取值在1.0附近时,所提方法得到的CDF曲线与MCS方法吻合较好;而当Fs取其它值时(如1.5附近),所提方法的CDF曲线精度较差。这是由于所提方法针对的是影响边坡稳定的关键区域,建立的是局部代理模型,故而所选取的训练样本点大多集中在LSS附近(如图 5(b)所示),因此所提方法得到的CDF曲线在Fs = 1.0附近相较于其它位置的预测精度更高。考虑到本文旨在准确计算边坡失效概率,故而所提方法通过聚焦于边坡极限状态区域,能够有效选取对失效概率评估贡献较大的关键样本点。

    图  6  安全系数的累积分布函数值
    Figure  6.  Cumulative distribution function for safety factor

    为降低随机模拟过程中的不确定性,采用SRS-GPR方法对该算例进行20次重复独立可靠度分析,并对结果取平均。表 1给出所提方法与其它方法的计算结果比较。由表 1可知,相较于其它可靠度分析方法,SRS-GPR方法平均仅需边坡确定性分析73.3次,便可得出与MCS精确解精度吻合的结果,显著提高边坡可靠度分析效率,且20次独立分析所得Pf的95%置信区间较窄,表明所提方法具有较好的鲁棒性。同时,相较于CNN-LHS、EQP-MRSM和RSSs-RSM方法,不难发现本文方法通过有效结合强度折减采样、主动学习策略和GPR模型,在X空间处理空间变异性土坡可靠度问题上具有显著优势。为了验证所提方法分析低概率问题的有效性,根据文献[3]将cu的变异系数取为0.15,所提方法计算的边坡失效概率为5.16×10-4,边坡确定性分析次数为100,与500万次直接MCS所得结果(5.19×10-4)的一致性较好。为进一步验证所提方法在考虑不同自相关距离时的适用性,设置水平和垂直自相关距离取值范围分别为[3]lv = [0.5 m, 3.0 m]和lh = [10 m, 40 m]。图 7给出边坡Pf随自相关距离的变化关系曲线。由图 7可知,对于不同工况下自相关距离值,本文方法均可给出较为准确的边坡失效概率。

    表  1  不排水黏性土坡可靠度分析结果
    Table  1.  Reliability results of undrained cohesive slope
    方法类别 Ncall Pf Fs计算方法
    MCS 100000 0.0882 BSM
    LHS[3] 1000 0.0830 BSM
    2阶多重SRSM[3] 1000 0.0790 BSM
    3阶多重SRSM[24] 1000 0.0810 BSM
    GPR-RSM[4] 150 0.0740 BSM
    CNN-LHS[5] 100 0.1070 FDM
    EQP-MRSM[22] 3021 0.0740 BSM
    RSSs-RSM[23] 1821 0.0755 BSM
    SRS-GPRa 73.3 0.0881 BSM
    SRS-GPRb [64.3,84.2] [0.0854,0.0908] BSM
    注:上标a为20次独立分析的平均结果;上标b为95% 置信区间;FDM为有限差分法;SRSM为随机响应面法;GPR-RSM为基于高斯过程回归的响应面法;CNN-LHS为基于卷积神经网络的拉丁超立抽样法;EQP-MRSM为基于等效参数的多重响应面法;RSSs-RSM为基于代表性滑面的响应面法。
    下载: 导出CSV 
    | 显示表格
    图  7  自相关距离对边坡失效概率的影响
    Figure  7.  Effects of autocorrelation distance on failure probability of slope

    以文献[1021]中的黏性-摩擦(c-ϕ)土坡为例,对SRS-GPR方法进行验证。该边坡模型尺寸如图 8所示,坡高为10 m,坡角为45°,土体重度为20 kN/m3。边坡可靠度分析的土体统计参数如表 2所示,采用相关对数正态随机场模拟土体cϕ的空间变异性。基于表 2中参数均值,采用BSM方法求解的Fs为1.204,与文献中计算结果1.204[21],1.205[1, 23],1.206[3],1.208[10]相一致,其相应的临界滑动面见图 8所示。随机场离散后的边坡区域共剖分1190个边长为0.5 m的四边形单元和坡面附近过渡区20个三角形单元,如图 8所示。图 9给出c-ϕ随机场的一次典型实现,可见参数cϕ之间存在明显的负相关性,与实际情况吻合。

    图  8  黏性-摩擦土坡剖面及随机场网格示意图
    Figure  8.  Profile of cohesive-frictional slope and elements of random field
    表  2  黏性-摩擦土坡可靠度分析的土体参数
    Table  2.  Parameters for reliability analysis of cohesive-frictional slope
    土体参数 均值 变异系数 分布类型 波动范围 互相关系数
    c/kPa 10 0.3 对数
    正态
    δv = 4 m
    δh = 40 m
    ρcϕ = −0.5
    ϕ/(°) 30 0.2 对数
    正态
    δv = 4 m
    δh = 40 m
    下载: 导出CSV 
    | 显示表格
    图  9  cϕ互相关随机场的一次典型实现(ρcϕ = −0.5)
    Figure  9.  A typical realization of cross-correlated random fields of c and ϕ (ρc, ϕ = −0.5)

    基于表 2中的参数统计特征,在一次随机模拟下采用本文方法计算的边坡Pf为0.0263,与10万次MCS计算的结果(Pf = 0.0269)吻合较好,边坡确定性分析次数为86,GPR模型的超参数取值为θ = [1456.51,0.82,0.0011],对应的可靠度分析迭代计算过程如图 10所示,其中归一化Pf定义为所提方法计算的失效概率与MCS精确解的比值。为保持与文献中的研究工况一致,图 10中还给出另外两种不同波动范围时的计算结果。由图 10(a)可见,在迭代计算初期,由于训练样本点较少,本文方法在LSS附近的预测精度较差,因此归一化Pf与精确解(即1.0)的差别较大。随着迭代计算的持续进行,用于训练GPR模型的有效随机场样本点逐渐被准确识别(如图 10(b)中大多数训练样本点的Fs值在1.0附近),本文方法的预测精度不断提升并最终收敛至精确解。值得注意的是,尽管该边坡所含随机变量的数量高达2420(包括1210个c和1210个ϕ),但本文方法仍然具有较高的计算精度,呈现出良好的适用性。

    图  10  可靠度分析迭代计算过程
    Figure  10.  Iterative calculation process of reliability analysis

    与3.1节类似,为降低随机模拟过程中的不确定性,对该黏性-摩擦土坡进行20次独立可靠度分析,并对结果取平均。将文献中的不同方法,如LHS,MARS,SIR-MARS等结果也列于表 3进行比较。由表 3可知,相较于其它可靠度分析方法,提出的SRS-GPR方法仅需调用边坡稳定模型小于100次,便可获得与精确解吻合的结果,同时,其较窄的置信区间也表明本文方法鲁棒性较好。

    表  3  不同工况下的黏性-摩擦土坡可靠度分析结果
    Table  3.  Reliability results of cohesive-frictional slope in different cases
    计算工况 方法类别 Ncall Pf Fs计算方法
    δv = 4 m
    δh = 40 m
    MCS 100000 0.0269 BSM
    LHS[1] 10000 0.0272 BSM
    MARS[1] 280 0.0292 BSM
    SIR-MARS[25] 120 0.0261 FDM
    SRS-GPRa 87.9 0.0267 BSM
    SRS-GPRb [78.4, 97.4] [0.0252, 0.0282] BSM
    δv = 8 m
    δh = 40 m
    MCS 100, 000 0.0582 BSM
    LHS[1] 10000 0.0570 BSM
    MARS[1] 280 0.0546 BSM
    SIR-MARS[25] 120 0.0538 FDM
    SRS-GPRa 67.8 0.0593 BSM
    SRS-GPRb [60.4, 75.2] [0.0569, 0.0617] BSM
    δv = 4 m
    δh = 80 m
    MCS 100, 000 0.0277 BSM
    LHS[1] 10000 0.0286 BSM
    MARS[1] 280 0.0305 BSM
    SIR-MARS[25] 120 0.0295 FDM
    SRS-GPRa 88.4 0.0283 BSM
    SRS-GPRb [81.8, 94.9] [0.0271, 0.0294] BSM
    注:上标a为20次独立分析的平均结果;上标b为95%置信区间;FDM为有限差分法;MARS为多元自适应回归样条;SIR-MARS为切片逆回归与MARS组合方法。
    下载: 导出CSV 
    | 显示表格

    为进一步系统研究本文提出方法在不同工况下的适用性,根据文献[10],选取参数ρc, ϕ,COVc,COVϕδv的取值范围为ρc, ϕ∈ [−0.7, 0.5],COVc ∈ [0.1, 0.7],COVϕ ∈ [0.05, 0.20],δv ∈ [1 m, 6 m]。当某一参数变化时,其余参数取定值:ρc, ϕ = 0,COVc = 0.3,COVϕ = 0.2,δv = 4 m,δh = 40 m。图 11~13分别给出SRS-GPR方法与其它方法的边坡可靠度分析结果比较。由图 11~13可见,当参数ρc, ϕ,COVc,COVϕδv在不同范围内取值时,本文方法计算的Pf与精确解基本保持一致。因此,所提的SRS-GPR方法能够高效、准确地评估不同土体空间变异程度的高维边坡可靠度问题。

    图  11  不同方法所得Pf随互相关系数ρcϕ的变化
    Figure  11.  Variations of Pf given by different methods with cross-correlated coefficients between cohesion and friction angle
    图  12  不同方法所得Pf随黏聚力和内摩擦角变异系数的变化
    Figure  12.  Variations of Pf given by different methods with COVc and COVϕ
    图  13  不同方法所得Pf随垂直波动范围的变化
    Figure  13.  Variations of Pf given by different methods with vertical scale of fluctuations

    将强度折减采样、高斯过程回归和主动学习策略有机结合,提出一种可在原始物理参数空间处理高维变量的空间变异边坡自适应可靠度分析方法。通过不排水饱和黏性土坡和黏性-摩擦土坡两个算例验证所提方法的有效性,得到4点结论。

    (1)基于强度折减理论,推导边坡极限平衡状态下的强度参数公式,提出强度折减采样法,该方法无需进行边坡确定性分析,便可有效生成极限状态面上的临界样本点。

    (2)融合强度折减采样和主动学习策略,可自适应搜索最优样本点,有效提高GPR模型在极限状态面附近的预测精度,从而避免因样本点过度集中造成信息冗余,显著提高可靠度分析效率。

    (3)算例结果表明,相较于其它方法,所提方法不受随机场模拟方法的影响,可直接在原始高维物理参数空间应用,且边坡确定性分析次数少,可靠度计算效率高,Pf置信区间较窄。同时,所提方法在不同工况下,仍能给出与直接MCS法相吻合的Pf结果。上述结果均表明所提方法具备较好的准确性、高效性、鲁棒性和适用性,可为解决考虑参数空间变异性的高维边坡可靠度问题提供一条有效途径。

    (4)在验证方法有效性时,采用极限平衡法(简化Bishop法)求解边坡安全系数。需要指出的是,所提方法中的边坡确定性分析并不限于极限平衡法,边坡稳定性分析的有限元或有限差分法同样适用。

    致谢: 在此谨对参加本项目的有关单位及科研人员表示感谢。
  • 图  1   课题间逻辑关系

    Figure  1.   Logical relation of tasks

    图  2   基于窄带物联网技术的数据采集系统

    Figure  2.   Data acquisition system based on narrowband internet of things technology

    图  3   水下边缘计算物理架构

    Figure  3.   Physical architecture of underwater edge computing

    图  4   基于Bootstrap和ICS-MKELM算法的大坝变形预测流程

    Figure  4.   Dam deformation prediction process based on Bootstrap and ICIBA SM algorithm

    图  5   基于BIM技术的可视化分析

    Figure  5.   Visual analysis based on BIM technology

    图  6   Nooru试验4 a加载路径下损伤情况与位移和力曲线

    Figure  6.   Nooru 4 a damage phenomenon and curves of force and displacement

    图  7   混凝土柱表观裂缝激励效果

    Figure  7.   Concrete columns exhibiting crack excitation effects

    图  8   冠部空隙区域管道和完好管道中内衬的等效性示意Fi g. 8 Equivalent schematic diagram of lining of upper gap area pipe and intact pipe

    图  9   泄洪闸闸整体结构

    Figure  9.   Overall structure of sluice gate

    图  10   系统技术路线图

    Figure  10.   Technology roadmap of system

    图  11   大坝参数-模型综合反演与精准识别成套技术

    Figure  11.   Complete set of technology for comprehensive inversion and accurate identification of dam parameters and models

    图  12   水工水情智慧分析平台

    Figure  12.   Intelligent analysis platform of hydraulic and water conditions

    图  13   坝体屈服区计算结果

    Figure  13.   Calculated results of yield zone of dam

    图  14   大坝多层次安全诊断预警指标体系架构

    Figure  14.   Framework of multi-level safety diagnosis and early warning index system for dams

    图  15   多源信息融合诊断模式

    Figure  15.   Multi-source information fusion diagnosis mode

    图  16   拱坝高水位实测径向位移分布和变形聚类分区图

    Figure  16.   Distribution of monitoring deformation and clustering map of deformation distribution during high-water-level period

    图  17   大坝安全运行性态预报模型构建流程图

    Figure  17.   Construction process of prediction model for safety operation behavior of dams

    图  18   水库大坝安全管理智慧决策架构体系

    Figure  18.   Intelligent decision-making framework system for safety management of reservoir dam

    图  19   水库大坝安全管理决策影响要素因果树

    Figure  19.   Causal trees of influencing factors for safety management decision-making of reservoir dam

    图  20   水库大坝安全管理决策系统动力学模型

    Figure  20.   Dynamic model for safety management decision-making system of reservoir dam

    图  21   某水库大坝安全管理决策模型仿真结果

    Figure  21.   Simulated results of decision-making model for dam safety management of a reservoir

    图  22   水库大坝运行安全防控成套技术框架

    Figure  22.   Complete technical framework for safety prevention and control of reservoir dam operation

    图  23   监管业务流程示意图

    Figure  23.   Schematic diagram of regulatory business process

    图  24   安全监测数据库概念模型

    Figure  24.   Conceptual model for safety monitoring database

    图  25   预警系统示意图

    Figure  25.   Schematic diagram of early warning system

    表  1   课题设置基本信息

    Table  1   Basic information of tasks

    序号 课题名称 承担单位 负责人
    1 大坝多源信息感知-融合-
    挖掘的理论与方法
    天津大学 崔博
    2 大型复杂水工结构性能演
    化测试装备与智能诊断技术
    河海大学 李同春
    3 大坝结构与服役环境互馈
    仿真及智能监控关键技术
    中国水利水电
    科学研究院
    温彦锋
    4 基于大数据的大坝安全诊断
    与预警关键技术
    长江勘测规划设计
    研究有限责任公司
    高大水
    5 大坝安全智慧管理决策系统
    研发与示范
    华能澜沧江水电
    股份有限公司
    肖海斌
    6 国家大坝安全监管云服务
    平台研发与应用
    南京水利科学
    研究院
    盛金保
    下载: 导出CSV
  • [1] 向衍, 盛金保, 刘成栋. 水库大坝安全智慧管理的内涵与应用前景[J]. 中国水利, 2018(20): 34–38. doi: 10.3969/j.issn.1000-1123.2018.20.009

    XIANG Yan, SHENG Jin-bao, LIU Cheng-dong. Intention of intelligent safety management for reservoir dams and future applications[J]. China Water Resources, 2018(20): 34–338. (in Chinese) doi: 10.3969/j.issn.1000-1123.2018.20.009

    [2] 盛金保, 厉丹丹, 蔡荨, 等. 大坝风险评估与管理关键技术研究进展[J]. 中国科学: 技术科学, 2018, 48(10): 1057–31067. https://www.cnki.com.cn/Article/CJFDTOTAL-JEXK201810005.htm

    SHENG Jin-bao, LI Dan-dan, CAI Qian, et al. Research progress and its practice of key techniques for dam risk assessment and management[J]. Scientia Sinica (Technologica), 2018, 48(10): 1057–1067. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JEXK201810005.htm

    [3] 盛金保, 刘嘉炘, 张士辰, 等. 病险水库除险加固项目溃坝机理调查分析[J]. 岩土工程学报, 2008, 30(11): 1620–1625. doi: 10.3321/j.issn:1000-4548.2008.11.008

    SHENG Jin-bao, LIU Jia-xin, ZHANG Shi-chen, et al. Investigation and analysis of failure mechanism of reinforced dams[J]. Chinese Journal of Geotechnical Engineering, 2008, 30(11): 1620–1625. (in Chinese) doi: 10.3321/j.issn:1000-4548.2008.11.008

    [4] 杨德玮, 盛金保, 彭雪辉, 等. BREACH模型与MIKE21模型在溃坝风险中的耦合分析[J]. 水利水运工程学报, 2016(6): 23–28. https://www.cnki.com.cn/Article/CJFDTOTAL-SLSY201606004.htm

    YANG De-wei, SHENG Jin-bao, PENG Xue-hui, et al. Coupling analysis of MIKE21 model and BREACH model for dam-break risk[J]. Hydro-Science and Engineering, 2016(6): 23–28. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SLSY201606004.htm

    [5] 盛金保, 王昭升. 水利讲坛第十四讲: 水库大坝安全评价[J]. 中国水利, 2010(4): 63–66. doi: 10.3969/j.issn.1000-1123.2010.04.023

    SHENG Jin-bao, WANG Zhao-sheng. Lecture 14: Safety evaluation of reservoir dam[J]. China Water Resources, 2010(4): 63–66. (in Chinese) doi: 10.3969/j.issn.1000-1123.2010.04.023

    [6] 杨德玮, 彭雪辉, 盛金保. 基于大坝缺陷的群坝风险排序方法研究[J]. 安全与环境学报, 2016, 16(2): 11–15. https://www.cnki.com.cn/Article/CJFDTOTAL-AQHJ201602004.htm

    YANG De-wei, PENG Xue-hui, SHENG Jin-bao. On the dams risk sequential method based on the analysis of the dam protection and maintenance deficiencies[J]. Journal of Safety and Environment, 2016, 16(2): 11–15. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-AQHJ201602004.htm

    [7]

    LU X, CHEN C, DONG K, et al. An equivalent method of jet impact loading from collapsing near-wall acoustic bubbles: a preliminary study[J]. Ultrasonics Sonochemistry, 2021, 79: 105760. doi: 10.1016/j.ultsonch.2021.105760

    [8] 李庆斌, 马睿, 胡昱, 等. 大坝智能建造研究进展与发展趋势[J/OL]. 清华大学学报(自然科学版): 1–18 [2022-03-05]. DOI. 10.16511/J.cnki.qhdxxb.2022.25.018.

    LI Qing-bin, MA Rui, HU Yu, et al. A riview of intelligent dam construction techniques[J/OL]. Journal of Tsinghua University (Science and Technology): 1–18[2022-03-05]. DOI. 10.16511/J.cnki.qhdxxb.2022.25.018. (in Chinese)

    [9]

    CHEN J F, XUE X S, HUANG Y K, et al. Interactive cross-lingual ontology matching[J]. IEEE Access, 2019, 7: 79095–79102. doi: 10.1109/ACCESS.2019.2920881

    [10] 徐灵丽, 朱晓坡, 侯一兴, 等. 基于增强色调特征的涵洞裂缝缺陷分割算法[J]. 激光与光电子学进展, 2020, 57(8): 081016. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202008018.htm

    XU Ling-li, ZHU Xiao-po, HOU Yi-xing, et al. Culvert crack defect segmentation algorithm based on enhanced hue features[J]. Laser & Optoelectronics Progress, 2020, 57(8): 081016. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202008018.htm

    [11]

    CHEN W L, WANG X L, WANG J J, et al. Dynamic interpretation of the factors causing dam deformation with hybrid grey dynamic incidence model[J]. Engineering Structures, 2021, 242: 112482. doi: 10.1016/j.engstruct.2021.112482

    [12] 王晓玲, 谢怀宇, 王佳俊, 等. 基于Bootstrap和ICS-MKELM算法的大坝变形预测[J]. 水力发电学报, 2020, 39(3): 106–120. https://www.cnki.com.cn/Article/CJFDTOTAL-SFXB202003011.htm

    WANG Xiao-ling, XIE Huai-yu, WANG Jia-jun, et al. Prediction of dam deformation based on Bootstrap and ICS-MKELM algorithms[J]. Journal of Hydroelectric Engineering, 2020, 39(3): 106–120. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SFXB202003011.htm

    [13] 吕鹏, 王晓玲, 余红玲, 等. 基于FDA的大坝渗流安全动态可拓评价模型[J]. 河海大学学报(自然科学版), 2020, 48(5): 433–439. https://www.cnki.com.cn/Article/CJFDTOTAL-HHDX202005010.htm

    LU Peng, WANG Xiao-ling, YU Hong-ling, et al. Dynamical and scalable evaluation model for dam seepage safety based on FDA[J]. Journal of Hohai University (Natural Sciences), 2020, 48(5): 433–439. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-HHDX202005010.htm

    [14] 李俊, 苏怀智, 周仁练. 基于关联规则的土石坝渗流推理预测方法及应用[J]. 水利水电科技进展, 2019, 39(5): 89–94. https://www.cnki.com.cn/Article/CJFDTOTAL-SLSD201905015.htm

    LI Jun, SU Huai-zhi, ZHOU Ren-lian. Seepage prediction method based on association rules and its application to earth-rock dams[J]. Advances in Science and Technology of Water Resources, 2019, 39(5): 89–94. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SLSD201905015.htm

    [15]

    FANG Z, SU H Z, WEN Z P. Joint back-analysis for dynamic material parameters of concrete dam based on time-frequency domain information[J]. Structural Control and Health Monitoring, 2019, 26(9): 1–12.

    [16]

    QI H J, LI T C, LIU X Q, et al. A variable parameters damage model for concrete[J]. Engineering Fracture Mechanics, 2020, 228: 106898. doi: 10.1016/j.engfracmech.2020.106898

    [17] 赵兰浩, 郑拓, 贾国新, 等. 水垫塘反拱底板极限荷载非线性有限元计算[J]. 水电能源科学, 2020, 38(1): 86–89. https://www.cnki.com.cn/Article/CJFDTOTAL-SDNY202001022.htm

    ZHAO Lan-hao, ZHENG Tuo, JIA Guo-xin, et al. Nonlinear finite element method of ultimate load of inverted arch floor of plunge pool[J]. Water Resources and Power, 2020, 38(1): 86–89. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SDNY202001022.htm

    [18] 赵兰浩, 郑拓, 杨校礼. 大型弧形钢闸门流激振动数值计算[J]. 水利水电技术, 2020, 51(6): 58–64. https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ202006007.htm

    ZHAO Lan-hao, ZHENG Tuo, YANG Xiao-li. Numerical calculation of flow-induced vibration of large-scale steel radial gate[J]. Water Resources and Hydropower Engineering, 2020, 51(6): 58–64. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ202006007.htm

    [19]

    LIN C N, LI T C, ZHAO L H, et al. Reinforcement effects and safety monitoring index for high steep slopes: a case study in China[J]. Engineering Geology, 2020, 279: 105861.

    [20]

    WU Z Y, CHEN J K. Pressure-dependent variability in shear strength of a blasting-quarried granite rockfill material[J]. Soils and Foundations, 2019, 59(6): 2299–2310.

    [21]

    FAN X F, WU Z Y, LIU L J, et al. Analysis of sluice foundation seepage using monitoring data and numerical simulation[J]. Advances in Civil Engineering, 2019, 2019: 2850916.

    [22]

    WU Z Y, LI J R, BIAN K, et al. Reliability analysis of slope with cross-correlated spatially variable soil properties using AFOSM[J]. Environmental Earth Sciences, 2021, 80(19): 1–12.

    [23] 陈辉, 邓刚, 张延亿, 等. 考虑温度变化和长期变形的面板堆石坝模拟[J]. 水力发电学报, 2021, 40(10): 124–134. https://www.cnki.com.cn/Article/CJFDTOTAL-SFXB202110012.htm

    CHEN Hui, DENG Gang, ZHANG Yan-yi, et al. Simulation of faced rockfill dams considering temperature change and long-term deformation[J]. Journal of Hydroelectric Engineering, 2021, 40(10): 124–134. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SFXB202110012.htm

    [24]

    PEI L, CHEN C, HE K, et al. System reliability of a gravity dam-foundation system using Bayesian networks[J]. Reliability Engineering & System Safety, 2022, 218: 108178.

    [25]

    CHEN B, HU T Y, HUANG Z S, et al. A spatio-temporal clustering and diagnosis method for concrete arch dams using deformation monitoring data[J]. Structural Health Monitoring, 2019, 18(5/6): 1355–1371.

    [26]

    CHEN S Y, GU C S, LIN C N, et al. Prediction of arch dam deformation via correlated multi-target stacking[J]. Applied Mathematical Modelling, 2021, 91: 1175–1193.

    [27] 肖海斌, 陈豪, 陈琨, 等. 漫湾水电站大坝安全诊断与决策支持系统研究与构建[C]// 中国大坝工程学会2019学术年会, 昆明, 2019.

    XIAO Hai-bin, CHEN Hao, CHEN Kun, et al. Research and construction of dam safety diagnosis and decision support system for manwan hydropower station[C]// Proceeding of 2019 Academic Annual Meeting of China Dam Engineering Society, Kunming, 2019. (in Chinese)

    [28]

    MAO Y C, GAO J, QI H, et al. Event fusion and decision approach based on node reliability in dam safety monitoring[C]// 2019 IEEE Fifth International Conference on Big Data Computing Service and Applications (BigDataService), 2019, Newark.

    [29] 毛莺池, 王静, 陈小丽, 等. 基于特征组合与CNN的大坝缺陷识别与分类方法[J]. 计算机科学, 2019, 46(3): 267–274. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA201903040.htm

    MAO Ying-chi, WANG Jing, CHEN Xiao-li, et al. Dam defect recognition and classification based on feature combination and CNN[J]. Computer Science, 2019, 46(3): 267–274. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA201903040.htm

    [30]

    MAO Y C, ZHANG J H, QI H, et al. DNN-MVL: DNN-multi-view-learning-based recover block missing data in a dam safety monitoring system[J]. Sensors (Basel, Switzerland), 2019, 19(13): 2895.

    [31]

    CHEN H, MAO Y C, WANG L B, et al. Spatial-temporal features based sensor network partition in dam safety monitoring system[J]. Sensors (Basel, Switzerland), 2020, 20(9): 2517.

    [32] 朱沁夏, 张士辰, 杨正华. 水库大坝安全管理预警标准研究[J]. 中国水利, 2020(16): 23–25. https://www.cnki.com.cn/Article/CJFDTOTAL-SLZG202016031.htm

    ZHU Qin-xia, ZHANG Shi-chen, YANG Zheng-hua. Research on early warning standard of reservoir dam safety management system[J]. China Water Resources, 2020(16): 23–25. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SLZG202016031.htm

    [33] 刘帅, 盛金保, 王昭升, 等. 基于模糊神经网络的水电施工安全隐患评价[J]. 水利水运工程学报, 2020(1): 105–111. https://www.cnki.com.cn/Article/CJFDTOTAL-SLSY202001014.htm

    LIU Shuai, SHENG Jin-bao, WANG Zhao-sheng, et al. Evaluation method for hidden safety dangers of hydropower construction based on fuzzy neural network[J]. Hydro-Science and Engineering, 2020(1): 105–111. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SLSY202001014.htm

    [34]

    XU G Y, JING Z X, MAO Y C, et al. A dam deformation prediction model based on ARIMA-LSTM[C]//2020 IEEE Sixth International Conference on Big Data Computing Service and Applications (BigDataService), 2020, Oxford.

    [35] 何露, 王士军, 谷艳昌, 等. 土石坝渗压水位极值预测[J]. 水利水运工程学报, 2021(4): 29–35. https://www.cnki.com.cn/Article/CJFDTOTAL-SLSY202104004.htm

    HE Lu, WANG Shi-jun, GU Yan-chang, et al. Prediction of seepage water level extremum of earth rock dam[J]. Hydro-Science and Engineering, 2021(4): 29–35. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SLSY202104004.htm

    [36] 陈剑, 毛才传, 严吉皞, 等. 水库GIS智能巡检系统研究与应用[J]. 水利信息化, 2020(4): 37–41, 29. https://www.cnki.com.cn/Article/CJFDTOTAL-SLSW202004012.htm

    CHEN Jian, MAO Cai-chuan, YAN Ji-hao, et al. Research and application of GIS intelligent patrol system for reservoir[J]. Water Resources Informatization, 2020(4): 37–41, 29. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SLSW202004012.htm

    [37] 中国工程建设标准化协会. 混凝土结构耐久性电化学技术规程: T/CECS 565—2018[S]. 2018.

    Technical Specification of Electrochemical Technology for Durability of Concrete: T/CECS 565—2018[S]. 2018. (in Chinese)

    [38] 混凝土结构用有机硅渗透型防护剂应用技术规程: T/CCES 12—2020[S]. 2020.

    Technical Specification of Organosilicon Permeating Protective Agents Applied for Concrete Structures: T/CCES 12—2020[S]. 2020. (in Chinese)

    [39] 混凝土抗氯离子渗透性能的交流电测量方法: T/ASC 16—2020[S]. 2020.

    Alternating-Current Method for Measuring Chloride Penetration Resistance of Concrete: T/ASC 16—2020[S]. 2020. (in Chinese)

    [40] 水利水电工程白蚁实时自动化监测预警系统技术规范: T/CHES 43—2020[S]. 2021.

    Technical Specification for Realtime Automatic System for Monitoring and Alerting Termites in Water and Hydropower Projects: T/CHES 43—2020[S]. 2021. (in Chinese)

  • 期刊类型引用(0)

    其他类型引用(1)

图(25)  /  表(1)
计量
  • 文章访问数:  442
  • HTML全文浏览量:  65
  • PDF下载量:  180
  • 被引次数: 1
出版历程
  • 收稿日期:  2022-03-14
  • 网络出版日期:  2022-09-22
  • 刊出日期:  2022-06-30

目录

/

返回文章
返回