摘 要
高心墙堆石坝施工期具有环境复杂性以及变形不确定性，其监测数据表现为一系列包含噪声且波动性较大的短序列数据。由于高心墙堆石坝施工期坝体变形较大，且变形是最能直观可靠地反映大坝运行状况的重要观测量之一。因此，对变形原始观测资料进行处理分析是近年来国内外研究大坝工作状况的主要方法之一。
本文在国家自然基金“混凝土坝长期变形特性数值分析及安全监控方法”（NO.51769017）的资助下，开展了“高心墙堆石坝施工期沉降监控模型研究”。通过对高心墙堆石坝施工期沉降监测数据的分析，考虑施工期沉降变形受多种因素影响，加入对残差的分析，综合运用数学和力学方法，构建高心墙堆石坝施工期沉降监控模型及多测点模型，探索高心墙堆石坝沉降的演变规律，为高心墙堆石坝的设计与施工提供指导和决策。主要内容如下：
（1）考虑高心墙堆石坝施工期工作环境和受荷条件复杂多变的特点，分析了高心墙堆石坝施工期监测数据，探究了填筑高度、温度、降雨、坝体及坝基岩体蠕变对大坝沉降变形的影响特性，基于高心墙堆石坝施工期沉降实测数据，综合运用灰色理论和马尔可夫链理论，构建高心墙堆石坝施工期灰色马尔可夫链预测模型。
（2）研究了大坝沉降因子的选择，探究了填筑历史对坝体蠕变的影响规律，在考虑填筑高度、降雨、坝体和坝基岩体蠕变的基础上，基于Duncan-Chang模型和流变模型理论，建立了高心墙堆石坝施工期沉降非线性时变统计模型。并采用ARIMA理论进一步对残差进行分析预测，将残差预测结果添加到未考虑的常规监控模型中，构建了高心墙堆石坝施工期沉降非线性时变模型。
（3）考虑传统单测点模型不能从整体上反映高心墙堆石坝施工期沉降变形的特点，基于BP神经网络，构建了高心墙堆石坝施工期多测点模型，该模型兼顾监测仪器的位置信息，从而更好的反映出不同测点之间的相互关系，计算结果表明，该模型具有较高的拟合及预测精度。
关键词： 高心墙堆石坝；灰色马尔可夫链模型；非线性时变模型；多测点模型。
Abstract
During the construction period, the high core rock-fill dam has environmental complexity and deformation uncertainty, and its monitoring data is represented by a series of short sequence data containing noise and large fluctuations. Due to the large deformation of the dam body during the construction period of the high core rock-fill dam, and the deformation is one of the most important observations that can directly and reliably reflect the dam's operation status, the analysis of the original observation data of deformation is in recent years at home and abroad. One of the main methods for studying the operational status of dams.
In this paper, under the support of the National Natural Science Foundation “Numerical Analysis of Long-Term Deformation Characteristics of Concrete Dams and Safety Monitoring Methods” (NO.51769017), the “Construction of Safety Monitoring Model Construction of High Core Wall Rockfill Dams during Construction Period” was carried out. Through the analysis of the monitoring data of the high-wall rockfill dam during the construction period, considering the settlement deformation during the construction period is affected by many factors, adding the analysis of the residual, and using the mathematical and mechanical methods to construct the high-core rockfill dam during the construction period. Settlement monitoring model and multi-point measurement model, explore the evolution law of settlement of high core rockfill dam, and provide guidance and decision for the design and construction of high core rockfill dam. The main contents are as follows:
(1)In view of the complex working conditions of the high core rockfill dam during construction period, this paper analyzes the monitoring data of high core wall rockfill dam during construction period, and analyzes the filling height, temperature, rainfall, dam and dam foundation. The influence characteristics of rock mass creep on dam settlement and deformation, and based on the measured data of settlement of high core rockfill dam during construction period, using grey theory and Markov chain theory to construct gray marble of high core wall rockfill dam during construction period The chain prediction model.
(2)In order to further explore the characteristics of settlement and deformation of high core rockfill dam during construction period, the selection of dam settlement factor is studied, and the influence law of filling history on dam creep is discussed. Considering filling height, rainfall, dam and Based on the creep of dam foundation rock mass, based on Duncan-Chang model and rheological model theory, a nonlinear time-varying statistical model for settlement of high core rockfill dam during construction period is established. The ARIMA theory is used to further analyze and predict the residuals, and the residual prediction results are added to the conventional monitoring model that is not considered to improve the prediction effect of the model.
(3)Considering that the traditional single point measurement model can not reflect the characteristics of settlement deformation of high core rockfill dam during construction period, based on BP neural network, a multi-point model of high core wall rockfill dam during construction period is constructed, which takes into account the monitoring instrument. The position information can better reflect the relationship between different measuring points. The calculation results show that the model has high fitting and prediction accuracy.
Keywords: high core wall rockfill dam; Grey Markov chain model; nonlinear time-varying model; multiple measuring points model 。
第一章 绪论
1.1、研究背景及意义。
目前，我国已建成水库大坝9.8万多座[1]。大坝工程在发挥巨大经济效益的同时，在人类的生产生活中扮演的角色也越来越重要。常见的大坝类型主要有重力坝、土石坝以及拱坝。其中由于土石坝具有对基础条件良好的适应性、能够就地取材、能够充分利用建筑物开挖渣料、造价低廉等优点，被世界各国广泛采用[2]。仅我国土石坝所占比重已经超过95%。
我国现代筑坝技术起步于20世纪50年代初，当时的土石坝高度还停留在40～50m的水准。之后的60多年，我国土石坝发展成绩斐然。1970年，当时亚洲第一高的毛家村土坝（82m）建成。1976-1986年，石头河（105m）与碧口（102m）两座百米级的大坝建成；1982年，104m的鲁布革水库大坝开工建设；1991年，154m的小浪底土石坝开工建设。进入21世纪，我国的土石坝建设成就举世瞩目。10年间，建成的高于100m的土石坝就超过了30座（累积50座）。此时，我国的筑坝技术与基础处理已经达到世界先进水平。
堆石坝是以石料填筑为主体，配以防渗体建成的一种土石坝。堆石坝具有施工方法比较简便，能够充分利用当地天然材料，能适应不同的地质条件，抗震性能好等优点。其不足是一般需在坝外设置施工导流和泄洪建筑物。按照施工方法、运用方式及防渗体设置的部位，堆石坝主要有以下几种形式：心墙堆石坝、斜墙（或面板）堆石坝、钢筋混凝土斜墙（或面板）堆石坝、过水堆石坝、重力墙式堆石坝和定向爆破堆石坝。国内外已建坝高大于100m的心墙堆石坝见表1.1，国内拟建坝高大于200m的心墙堆石坝见表1.2：
从表1.1、1.2可以看出心墙堆石坝的发展紧随时代步伐，不断从技术、新工艺中获得发展的动力，从而步入了高坝、超高坝的时代。如何准确的掌握大坝运行状况具有重要意义，大坝安全监测取得的大量数据为评价大坝运行状态提供了基础，主要通过对观测数据及时进行整理、分析和反馈，深刻地揭示规律并做出判断，分析大坝变形趋势，及时对大坝的稳定性和安全性做出评价，为大坝的安全分析及评价提供支持。
大坝在施工期间监测工作环境一般很恶劣，主要体现在埋设仪器、维持仪器正常工作比较困难等方面；监测仪器损坏时有发生，对于已埋设好的仪器，存在施工后被覆盖或其他原因导致无法维修等问题；加之，仪器埋设难以覆盖所有监控点，监测数据不够全面，反映的信息较为匮乏，属于贫信息监测数据。而且处于施工阶段大坝监测时间较短，即使提高监测频次，但由于监测时间的限制，无法避免规律性较差、数据反映信息匮乏等缺点。同时，处于高心墙堆石坝施工期的工作环境和受荷条件复杂多变，监测数据具有明显的短序列特征，无法整体建模，而且随着施工的不断开展，监测对象的外部环境不断改变，其监测数据也有相应的变化，常具有突变性和不连续性。因此，高心墙堆石坝施工期的安全监测数据具有短序列、贫信息、突变性、不连续等特点，传统监控模型实际应用效果较差。因此，亟需对高心墙堆石坝施工期短序列监测数据建模方法进行研究。
【由于本篇文章为硕士论文，如需全文请点击底部下载全文链接】
1.2、心墙堆石坝变形分析研究现状
1.2.1、监控模型的研究现状
1.2.2、安全监控模型在堆石坝中的应用
1.3、本文的主要研究内容
1.4、 技术路线图
第二章 某高心墙堆石坝施工期监测布置及资料分析
2.1、某高心墙堆石坝工程概况
2.2、监测资料整理分析
2.2.1、监测布置
2.2.2、环境量分析
2.2.3、施工因素分析
2.2.4、效应量监测分析
2.3、本章小结
第三章 高心墙堆石坝施工期沉降灰色马尔可夫链预测模型.
3.1、概述
3.2、高心墙堆石坝GM (1,1) 灰色预测模型.
3.2.1、 GM (1,1) 建模原理
3.2.2、 GM (1,1) 模型的精度检验
3.3、马尔可夫链理论.
3.3.1、马尔可 夫过程
3.3.2、沉降变形的状态划分
3.3.3、沉降变形状态转移概率矩阵的估计
3.4、灰色马尔可夫链预测模型构建
3.5、灰色马尔可夫链模型在高心墙堆石坝施工期沉降预测中的应用
3.6、本章小结
第四章 高心墙堆石坝施工期沉降非线性时变模型
4.1、概述
4.2、高心墙堆石坝施工期沉降因子分析
4.2.1、填筑高度因子
4.2.2、降雨因子
4.2.3、时效因子
4.3、高心墙堆石坝施工期非线性时变统计模型构建
4.4、考虑残差效应的高心墙堆石坝施工期沉降监测组合模型
4.5、时间序列的预处理
4.5.1、 时间序列的平稳性检验
4.5.2、时间序列的白噪声检验
4.5.3 、时间序列的平稳性处理
4.6、时间序列的四种常用模型
4.6.1、移动平均MA模型.
4.6.2、自回归AR模型
4.6.3、自回归移动平均ARMA模型.
4.6.4、差分自回归移动平均ARIMA模型.
4.7、考虑残差效应的高心墙堆石坝施工期沉降监测组合模型构建
4.8、考虑残差效应的组合模型在高心墙堆石坝施工期沉降预测中的应用
4.9、本章小结
第五章 基于BP神经网络的大坝多测点模型
5.1 、概述，
5.2、多测点模型构建原理
5.2.1、 BP神经网络算法原理
5.2.2、样本的归一化处理.
5.2.3、输入层、隐含层、输出层的设计
5.3、基于BP神经网络的大坝多测点模型构建
5.4、基于BP神经网络的大坝多测点模型的应用
5.4.1、模型说明
5.4.2、基本流程
5.4.3、沉降预测
5.5、本章小结
第六章 总 结
高心墙堆石坝施工期的变形对大坝安全运行具有重要的影响，因此，针对高心墙堆石坝施工期的变形分析具有重要意义。本文在国家自然基金“混凝土坝长期变形特性数值分析及安全监控方法”（NO.51769017）的资助下，开展了“高心墙堆石坝施工期沉降监控模型研究”。通过查阅学习大坝安全监控资料分析的国内外文献，并参考实际工程案例，对高心墙堆石坝施工期的沉降变形进行分析研究。分别构建了高心墙堆石坝施工期沉降预测的灰色马尔可夫链模型、高心墙堆石坝施工期沉降非线性时变统计模型、考虑残差效应的高心墙堆石坝沉降监测组合模型，基于BP神经网络的大坝多测点模型，从而进一步解释高心墙堆石坝施工期的沉降变形规律。本文首先对监测资料整理分析，进而通过计算分析，得出以下结论：
（1）绘制了高心墙堆石坝施工期安全监测实测资料过程线图，分析了填筑高度、温度、降雨、坝体及坝基岩体蠕变对大坝沉降变形的影响特性。环境量分析主要对上下游水位、温度、降雨量进行简要的分析；效应量的监测分析中，主要是分析坝0+309.6m上游堆石体弦式沉降仪位移过程以及上游堆石体的位移分布，发现上游堆石体最大沉降出现在EL.660m的DB-C-VW-02弦式沉降仪。
（2）针对高心墙堆石坝施工期沉降监测数据序列短、信息贫、突变性等特点，本文基于高心墙堆石坝实测数据，综合运用灰色理论和马尔可夫链理论，构建了高心墙堆石坝施工期灰色马尔可夫链预测模型，给出了计算流程，研发了计算程序。最后将该预测模型用于某高心墙堆石坝施工期变形监测数据的处理，其预测精度高于单一的灰色预测模型结果证明了高心墙堆石坝施工期灰色马尔可夫链预测模型的有效性。
（3）研究了大坝沉降因子的选择，探究了填筑历史对坝体蠕变的影响规律，在考虑填筑高度、降雨、坝体和坝基岩体蠕变的基础上，基于Duncan-Chang模型和流变模型理论，建立了高心墙堆石坝施工期沉降非线性时变统计模型。并采用ARIMA理论进一步对残差进行分析预测，将残差预测结果添加到未考虑的常规监控模型中，构建了高心墙堆石坝施工期沉降非线性时变模型。将该模型应用于某高心墙堆石坝施工期变形监测数据的处理，实例证明，模型拟合效果较好，有利于高心墙堆石坝施工期沉降变形的监控。
（4）在考虑高心墙堆石坝施工期填筑高度、坝体蠕变及坝基流变并兼顾测点位置坐标条件下，构建基于BP神经网络的大坝多测点模型，该模型能较好地模拟和解释各测点的变形趋势，能够较精确的解释高心墙堆石坝施工期不同测点之间的相互关系，避免了单测点预测模型不能从整体上反映高心墙堆石坝施工期的沉降变形规律，且模型的精度较高。
参考文献
