基于CNN-LSTM-AM的大坝变形预测

作     者：赖国梁 刘小生 LAI Guo-liang;LIU Xiao-sheng

作者机构：江西理工大学土木与测绘工程学院江西赣州341000 

出 版 物：《水电能源科学》 (Water Resources and Power)

年 卷 期：2024年第42卷第10期

页      面：158-161,157页

学科分类：081504[工学-水利水电工程] 08[工学] 0815[工学-水利工程] 

基　　金：国家自然科学基金项目(42171437) 

主　　题：卷积神经网络 长短期记忆网络 注意力机制 大坝变形预测 预测精度 

摘      要：为提高大坝变形预测模型的预测精度,以长短期记忆(LSTM)作为基础模型预测大坝变形,在LSTM网络层前加入卷积神经网络(CNN)卷积层,以卷积层中卷积核刻画数据的局部模式实现数据特征的深度挖掘,提取大坝变形多因素序列时空特征;LSTM网络层后加入注意力机制层用于区分特征信息的重要程度并给予不同的关注度,进一步优化网络模型,构建了基于CNN-LSTM-AM的大坝预测模型。应用该大坝预测模型在工程实例中与LSTM、CNN-LSTM、LSTM-AM模型的预测结果和残差进行对比分析,CNN-LSTM-AM模型的预测结果和拟合度均更优;并以均方误差、均方根误差、平均绝对误差及决定系数R2作为精度评定指标对比各模型间预测性能,结果表明引入注意力机制能够提升模型预测性能,证实了基于CNN-LSTM-AM构建的大坝预测模型具有工程应用价值。