廠頂溢流式水電站廠房結構振動響應預測研究.pdf

1、水電站廠房結構極其復雜,引起結構振動的振源種類更是多種多樣,致使電站運行過程中的廠房結構振動問題非常普遍。考慮到廠房結構振動對儀器設備、工作人員健康以及建筑物運行穩(wěn)定性和安全可靠性的影響,利用較少的監(jiān)測數(shù)據達到全面掌握和控制水電站振動的目的成為新的研究課題。
　　本文運用智能算法與神經網絡混合的預測方法,不考慮結構精確的數(shù)學和精準的力學模型,而是依據尾水脈動和機組振動的觀測數(shù)據,非線性的映射出水電站結構的振動特性,達到預測未知工況

2、和未觀測部位的結構振動響應狀況的目的。
　　結合某廠頂溢流式水電站原型觀測實驗,運用果蠅算法優(yōu)化廣義回歸神經網絡平滑參數(shù)P,構建FOA-GRNN網絡模型。同時結合反向傳播神經網絡(BP)、局部回歸神經網絡(ELMAN)展開對比預測研究。最終得出:FOA-GRNN網絡在預測能力、學習速度上明顯優(yōu)于BP和ELMAN網絡。說明運用FOA-GRNN神經網絡預測廠房結構振動響應的可行性和優(yōu)越性。
　　為彌補基本粒子群優(yōu)化算法易陷入局部

3、最優(yōu)、收斂性差的缺陷,提出了優(yōu)勝劣汰、步步選擇粒子群優(yōu)化算法—SSPSO,通過典型測試函數(shù)證明 SSPSO具有很強的尋優(yōu)能力。并運用SSPSO對廣義回歸神經網絡平滑參數(shù)進行優(yōu)化,充分利用SSPSO尋優(yōu)能力強及徑向基函數(shù)調整參數(shù)少的優(yōu)點,建立廠房結構的振動響應預測模型,展開廠壩結構振動響應預測研究。證明了:SSPSO算法的尋優(yōu)能力很強;基于SSPSO優(yōu)化的廣義回歸神經網絡與其他網絡相比,在預測精度,收斂性能,泛化能力等各個方面得到了很大提

4、升。
　　運用粒子群優(yōu)化算法、遺傳算法和果蠅優(yōu)化算法分別對徑向基神經網絡進行優(yōu)化,建立最優(yōu)的PSO-RBF、GA-RBF、FOA-RBF網絡模型,展開泄流誘發(fā)廠房結構振動響應的預測研究。結果表明:PSO-RBF、GA-RBF和FOA-RBF預測效果均良好,適合運用于泄流誘發(fā)水電站廠房結構振動響應預測研究中,其中FOA-RBF穩(wěn)定性及泛化能力最強。
　　綜上所述:智能算法與神經網絡構建的混合模型不僅易于理解、掌握,而且精度很高