检索结果-南通市图书馆

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

基于自适应时序分解筛选的大坝变形预测模型

水利学报 2024年第9期55卷 1045-1057,1070页

作者：谷宇苏怀智张帅姚可夫刘明凯漆一宁河海大学水灾害防御全国重点实验室江苏南京210098 河海大学水利水电学院江苏南京210098 河海大学水安全与水科学协同创新中心江苏南京210098 中国电建集团昆明勘测设计研究院有限公司云南昆明650051

高精度的大坝变形分析和预测是掌握大坝工作性态、诊断大坝异常的重要手段。针对现有模型信息特征挖掘不充分、泛化能力弱、难以实现精准预测等问题,采用灰狼算法优化自适应噪声完备经验模态分解解决多维参数标定问题,使用阈值评价指标... 详细信息

高精度的大坝变形分析和预测是掌握大坝工作性态、诊断大坝异常的重要手段。针对现有模型信息特征挖掘不充分、泛化能力弱、难以实现精准预测等问题,采用灰狼算法优化自适应噪声完备经验模态分解解决多维参数标定问题,使用阈值评价指标保留变形时序数据的有效信息特征;引入交叉验证的递归特征选择法通过多个学习器综合筛选出最优因子集,移除冗余特征、提取有效信息并增强模型可解释性;考虑时序数据特性优化双向长短期记忆神经网络时间窗步数,结合大坝变形数据降噪、最优特征因子输入等多种方法,构建大坝变形预测模型。以实际工程为例,结合多种预测模型进行对比分析,结果表明该模型具备挖掘非线性信息能力,预测性能得到改善,可为大坝安全监测提供参考。

关键词：大坝变形预测灰狼算法阈值降噪双向长短期记忆神经网络自适应噪声完备经验模态分解

维普期刊数据库博看期刊

基于影响因子筛选和GWO-KELM的大坝变形预测模型

在线全文

学校读者我要写书评

暂无评论

中国农村水利水电 2024年第8期 194-199,207页

作者：龙江左生龙徐朗漆一宁苏怀智河海大学水利水电学院江苏南京210098 河海大学水灾害防御全国重点实验室江苏南京210098 中国电建集团国际工程有限公司北京100036

为构建高精度大坝变形预测模型,引入基于最大信息系数特征筛选方法(MIC-CFS)对大坝变形影响因子进行筛选,减少冗余信息,降低模型复杂度。同时运用灰狼优化算法(GWO)对核极限学习机(KELM)的正则化系数和核参数进行寻优,提高模型预测精度... 详细信息

为构建高精度大坝变形预测模型,引入基于最大信息系数特征筛选方法(MIC-CFS)对大坝变形影响因子进行筛选,减少冗余信息,降低模型复杂度。同时运用灰狼优化算法(GWO)对核极限学习机(KELM)的正则化系数和核参数进行寻优,提高模型预测精度,建立基于MIC-CFS-GWO-KELM的大坝变形预测模型。以某混凝土双曲拱坝实测资料对模型进行测试,结果表明,所建模型在均方根误差、平均绝对百分比误差和拟合优度上均优于GWO-KELM、MIC-CFSKELM、PCA-GWO-KLEM、MIC-CFS-BP模型,预测精度较高,能够为大坝变形安全分析提供参考。

关键词：大坝变形预测最大信息系数相关性特征选择灰狼优化算法核极限学习机

基于LSTM与Transformer的大坝变形预测研究

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

中国农村水利水电 2024年第4期 250-257页

作者：翁鸣昊项兴华陈俊涛邵广俊胡伟飞武汉大学水利水电学院湖北武汉430072 国网浙江省电力有限公司紧水滩水力发电厂浙江丽水323000

变形是大坝运行过程中受内外荷载作用下其状态的直观表现,构建高精度的变形预测模型对大坝安全预警与运行状态评估有着重要的意义。针对已有的大坝位移模型训练时间长,预测模型预测精度和泛化能力一般,无法满足大坝位移中短期准确预测... 详细信息

变形是大坝运行过程中受内外荷载作用下其状态的直观表现,构建高精度的变形预测模型对大坝安全预警与运行状态评估有着重要的意义。针对已有的大坝位移模型训练时间长,预测模型预测精度和泛化能力一般,无法满足大坝位移中短期准确预测的问题,耦合长短时记忆网络(LSTM)与Transformer框架,引入改进的粒子群优化算法(IPSO)进行优化,建立了IPSO-LSTM-Transformer(ILT)大坝变形预测模型。以紧水滩拱坝正垂线11-1测点为例,选取6150组变形时间序列数据进行分析与预测。研究结果表明,模型预测精度会随着预测期的增大而出现一定程度的下降,但在预测步长10以内均具有良好的预测能力;与传统粒子群优化算法相比,ILT模型显著提升了模型的寻优精度和收敛速度;与RNN、LSTM、IPSO-Transformer神经网络模型单步与多步预测结果对比,ILT模型具有更高的精度和更好的稳定性,即使在训练数据较少时也能保证较好的预测效果。研究成果为实现运行期大坝位移的中短期精确预测提供了新的技术手段。

关键词：大坝变形预测深度学习长短时记忆网络粒子群优化 Transformer

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于SBO-LSTM的大坝变形预测模型

水利水电技术（中英文） 2024年第S1期55卷 78-86页

作者：何裕坤晁阳李同春杰德尔别克·马迪尼叶提河海大学水利水电学院江苏南京210024 水安全与水科学协同创新平台江苏南京210024 新疆农业大学水利与土木工程学院新疆乌鲁木齐830052

变形是大坝安全性态的综合反映,建立其与环境量的可靠关系模型对保障大坝长效服役具有重要意义。为提高大坝变形预测的精度和泛化能力,并解决长短期记忆神经网络(LSTM)参数选取随机性大、选取困难的问题,提出了一种利用缎蓝园丁鸟优化算... 详细信息

变形是大坝安全性态的综合反映,建立其与环境量的可靠关系模型对保障大坝长效服役具有重要意义。为提高大坝变形预测的精度和泛化能力,并解决长短期记忆神经网络(LSTM)参数选取随机性大、选取困难的问题,提出了一种利用缎蓝园丁鸟优化算法(SBO)来优化长短期记忆神经网络的混凝土坝变形预测模型(SBO-LSTM)。该方法首先通过高斯滤波和Symlet小波滤值两种方法对选定的监测数据进行统一的清洗、归一化、去噪等预处理;其次,借助SBO算法对长短期记忆神经网络模型的超参数进行寻优;最后对混凝土坝变形进行高精度预测并通过三种不同评价指标(MAE,RMSE,MAPE)对预测结果进行评价。以某混凝土坝为例并与传统优化算法对比分析,结果表明通过SBO算法优化后LSTM神经网络具有更高的预测精度和稳定性,综上,该预测模型为大坝变形监测数据分析与预测提供了一种新的可行方法。

关键词：大坝变形预测长短期记忆神经网络缎蓝园丁鸟优化算法强化寻优策略

基于HHO-QRNN模型的大坝变形预测方法

在线全文

学校读者我要写书评

暂无评论

水电能源科学 2024年第5期42卷 117-120,116页

作者：李天翔王峰刘革瑞太原理工大学电子信息与光学工程学院山西晋中030600 山西省水利厅山西太原030002

为有效利用大坝位移数据集中的真实信息,提高预测模型精准度,缩减建模分析训练时间,提出基于卡尔曼滤波算法、完全噪声辅助聚合经验模态分解和准循环神经网络的大坝位移预测方法。首先,模型采用卡尔曼滤波算法对原始输入数据进行处理,... 详细信息

为有效利用大坝位移数据集中的真实信息,提高预测模型精准度,缩减建模分析训练时间,提出基于卡尔曼滤波算法、完全噪声辅助聚合经验模态分解和准循环神经网络的大坝位移预测方法。首先,模型采用卡尔曼滤波算法对原始输入数据进行处理,提取行有效信息,消除观测噪声影响;其次,设计一种信号分解算法,从累计位移值提取出趋势项、周期项和随机项数据集,以分离不同诱发因素对于大坝位移量的影响;最后,提出一种基于改进哈里斯鹰算法优化准循环神经网络的位移预测算法,对不同数据集分别采用此算法建模预测,将预测结果对应叠加得到最终预测结果。以某水库大坝的历史位移观测数据集为例,将所提模型与其他传统预测模型进行对比分析,结果表明,该模型预测精度和训练速度等方面均有显著提升,验证了其可行性和先进性。

关键词：大坝变形预测哈里斯鹰优化算法准循环神经网络深度学习

在线全文

学校读者我要写书评

暂无评论

基于CNN-LSTM-AM的大坝变形预测

水电能源科学 2024年第10期42卷 158-161,157页

作者：赖国梁刘小生江西理工大学土木与测绘工程学院江西赣州341000

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... 详细信息

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。

关键词：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

不同模态分解方法下LSTM模型大坝变形预测效果对比

在线全文

学校读者我要写书评

暂无评论

四川水利 2024年第2期45卷 112-117页

作者：毛建刚颜志光阿尔娜古丽·艾买提皮李浪新疆水利水电科学研究院乌鲁木齐830049 新疆博河流域管理处新疆博乐833400 新疆农业大学乌鲁木齐830052

为验证不同模态分解方法结合LSTM模型对大坝变形预测精度的影响,以西北地区某混凝土面板坝H2-1水平位移监测点2014-2018年大坝变形监测数据为例,设置EMD、EEMD、VMD三种分解方法结合LSTM模型对该测点数据进行“分解-预测-重构”,实验表... 详细信息

为验证不同模态分解方法结合LSTM模型对大坝变形预测精度的影响,以西北地区某混凝土面板坝H2-1水平位移监测点2014-2018年大坝变形监测数据为例,设置EMD、EEMD、VMD三种分解方法结合LSTM模型对该测点数据进行“分解-预测-重构”,实验表明:针对H2-1测点数据,在LSTM模型设置相同超参数情况下,EEMD-LSTM组合模型预测精度最高,其次是EMD-LSTM组合模型,但提取原始序列趋势变化能力较VMD-LSTM组合模型弱,而采用VMD分解的VMD-LSTM组合模型能更好地提取原始序列中的趋势分量。

关键词：大坝变形预测经验模态分解集合经验模态分解变分模态分解长短期记忆神经网络

基于布谷鸟算法改进Bi-GRU的大坝变形预测方法

在线全文

学校读者我要写书评

暂无评论

吉林水利 2024年第2期 48-53页

作者：钱洋军侯付闯嵊州市润正建设工程检测有限公司浙江嵊州312400 陕西中凯恒瑞工程项目管理有限公司陕西西安710000

针对小型水库大坝变形监测数据类型少、预测模型精度低的问题,提出一种基于布谷鸟算法(Cuckoo Search, CS)改进双向门控循环网络(Bi-directional Gated Recurrent Unit, Bi-GRU)的大坝变形预测方法。以水库大坝为研究对象,采用布谷鸟搜... 详细信息

针对小型水库大坝变形监测数据类型少、预测模型精度低的问题,提出一种基于布谷鸟算法(Cuckoo Search, CS)改进双向门控循环网络(Bi-directional Gated Recurrent Unit, Bi-GRU)的大坝变形预测方法。以水库大坝为研究对象,采用布谷鸟搜索算法优化Bi-GRU模型的网络参数,提升Bi-GRU模型的预测性能。结果表明,对比Bi-GRU模型和Bi-LSTM模型,所构建模型预测精度较高,能满足工程实际需要。

关键词：大坝变形预测双向门控循环网络布谷鸟算法

基于关键变量和SVM交叉验证改进的LSTM大坝变形预测

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

河南科学 2024年第9期42卷 1307-1314页

作者：杨振亚王正新高剑峰南京市水利规划设计院股份有限公司南京210000

为了提升大坝变形预测精度,更好地对未来大坝运行状态进行评估,提出了基于显著变量和自相关分析优化长短期记忆神经网络(LSTM)的大坝变形多步预测方法.该方法首先基于随机森林(RF)确定对变形影响程度高的关键变量,同时基于SVM交叉验证... 详细信息

为了提升大坝变形预测精度,更好地对未来大坝运行状态进行评估,提出了基于显著变量和自相关分析优化长短期记忆神经网络(LSTM)的大坝变形多步预测方法.该方法首先基于随机森林(RF)确定对变形影响程度高的关键变量,同时基于SVM交叉验证自相关分析提取显著的历史特征,在提升LSTM信息挖掘能力的同时提高预测精度,最后将确定的影响因子与历史数据输入LSTM模型中,通过全连接网络输出变形预测结果.经分析,所提方法大坝变形预测精度高,与LSTM、RF-LSTM、SVM-LSTM方法相比,该方法预测精度最大提升幅度分别为62.15%(MAE)和60.12%(RMSE).

关键词：大坝变形预测随机森林自相关分析交叉验证 LSTM