文摘
变形是一个全面的反映了混凝土坝的结构状态,和研究混凝土坝变形预测模型提供了安全监测和预警策略的基础。本文主要关注因素之间的多重共线性等实际问题;选择的主观性因素;健壮性、外部性、泛化和完整性不足;为预测模型和评价体系的不健全。基于粗糙集(RS)理论和短期记忆(LSTM)网络,单点和多点混凝土坝变形预测模型基于RS-LSTM的健康监测进行了研究。此外,提出了一种新的预测模型评估系统,模型精度、健壮性、外部性、泛化定义为定量评价指标。一个工程项目表明,混凝土坝变形预测模型基于RS-LSTM可以定量地获得代表影响大坝变形的因素,并对每个因素的重要性相对于效果。精度评价指标(AVI)鲁棒性评价指标(RVI),外部性评价指标(增强型植被指数),和泛化模型的评价指标(GVI)的评价指标优于现有浅神经网络模型和统计模型根据新的评价体系,从而估计预测模型的综合性能。混凝土坝变形的预测模型基于RS-LSTM优化影响因素模型,定量地确定每个因素的重要性,并提供了高性能、同步的,对混凝土坝和动态预测行为; therefore, the model has strong engineering practicality.
1。介绍
由于独特的优势在设计、施工和运营管理,混凝土大坝占很大部分的水坝和已成为首选坝型高大坝的建设。然而,绝大多数的混凝土坝项目位于严酷的高山峡谷。因此,大坝遭受各种动态的,静态的,和特殊的循环加载过程中服务,设计、施工、运营管理必须符合这些条件。因此,服务安全的行为涉及到一个非线性的动态过程,包括材料和结构相互作用和多种因素(1]。作为一个综合变量,反映了混凝土大坝的安全状态,变形可以作为结构行为和趋势的重要指标。因此,加强对变形预测模型,进行安全监测,并建立早期预警系统是重要的方法来确保长期服务混凝土大坝的安全2]。
近年来,大坝工程的成功应用理论、有限元理论,人工智能(AI)技术极大地促进了混凝土坝变形预测模型的发展。最常用的方法(3]因为有影响力的因素选择混凝土坝变形预测模型包括先验知识,线性相关系数、逐步回归、主成分分析(PCA)和灰色关联分析方法。然而,在实际应用中,先验知识方法过多依赖经验和有大量错误。值得注意的是,水的压力、温度、和大坝的年龄一般都选择在静压季节性时间影响因素(HST)模型考虑大坝和大坝基础的简化物理模型,监测设备的埋藏条件,原型监测数据,工程机械分析和演绎的调查。PCA方法的局限性是,只考虑变量之间的线性关系。如果依赖是非线性的,结果可能出现的误解。灰色关联分析方法只能根据他们的相关因素,并没有明确的标准选择影响因素。此外,多重共线性存在的因素选择传统的方法,这可能会降低模型的准确性和影响预测结果4]。与此同时,预测模型不考虑nonquantitative的影响因素如渗流量、裂缝开度、和升压;三峡大坝建筑材料;施工质量;和地质条件。此外,模型的解释是重要的评价预测模型的性能,特别是模型精度。哈勃太空望远镜模型通常用来识别一个大坝的反应行动,如静水载荷、温度和时间等因素的变化(5]。然而,这样的分析才有效,如果预测变量是独立的,通常不是真的(6]。相比之下,智能模型(如神经网络、多层感知器和支持向量机模型)没有被应用于解释大坝的行为。传统模型经常被称为“黑盒”模型,参考他们的缺乏可解释性。因此,在选择过程中影响混凝土坝变形预测模型的因素,不完美的选择标准和忽视重要的因素会严重影响模型的预测性能。单点统计模型、确定性模型和混合模型(7- - - - - -10)已经进化成多点智能模型(11- - - - - -16]。基于传统的统计模型,顾等人治疗变形在多个点,这些点的空间坐标测量变量,建立了一个时空分布预测模型的混凝土坝的变形场。李等人研究的时空表达的因素影响碾压混凝土坝的变形,建立了一个时空进行碾压混凝土坝变形预测模型基于测量数据。预测结果同意实际的大坝变形数据。李等人使用功能的非线性映射能力强的反向传播(BP)神经网络取代传统的复杂因素子集空间变形场模型与水位、温度、时间,测量变量作为神经网络的输入。BP网络预测模型建立了大坝变形在多个点。陈等人提出了一种频谱分解方法分解收集监测数据在多个测点为几个相互独立的潜变量降噪和监测数据处理。建立了最小二乘支持向量机预测模型之间的环境数据和潜在变量,成功和Mianhuatan大坝的水平位移预测。许多学者已经解决这些问题。新方法的成功应用,扩大了大坝变形预测的理论知识和模型建立和为工程实践提供了重要的指导意义。 However, due to the complexity of concrete dam engineering, the structural volatility of dams, and the uncertainty of working conditions, there are still some shortcomings in existing prediction models. It is difficult for some models to process massive amounts of monitoring data in real time with extensive mining data mechanisms for high-performance prediction targets, such as those in practical applications. It is important to appropriately evaluate the prediction performance of a model from all angles because the practical value of the models can be guaranteed, different models can be compared, and different warning thresholds can be defined. There are various indexes [17),可用于评估模型与观测数据匹配,其中最常用的是均方误差(MSE)、根均方误差(RMSE),确定系数( ),平均绝对误差(MAE)、平均绝对百分比误差(日军)和平均相对方差(ARV)。这些指标的结果通常是相当于一个给定的预测任务。具体地说,一个精确的模型会有小MSE, RMSE,美,和日军的价值观和高和抗逆转录病毒药物价值。然而,这些精度指标有差异,可以相关但通常不被认为是(18]。通常,鲁棒性和泛化能力评估模型中被忽视,和定量评价指标并不总是在实际应用中使用。因此,有必要探索因子选择方法,建立高性能的、动态的、同步的预测模型,设计一个科学全面的评价体系是迫切的混凝土坝变形预测。
属性约简是RS理论的核心概念之一,地址不完整,冗余和数据机器学习领域的模棱两可。这种方法避免了复杂的使用差别矩阵和使用属性重要性作为启发式信息获取归纳分析结果集和重要性;选择优秀的结果可以得到因素预测模型基于RS理论(19- - - - - -21]。此外,长期短期记忆(LSTM)基于内存架构学习(DL)能克服记忆深处的短缺和梯度消失问题复发性神经网络(RNNs)。此外,该方法的特点是可控的记忆和快速收敛性。LSTM取得了良好的实际应用效果的动态和深加工,长期依赖数据系列(22- - - - - -25]。为了克服现有混凝土坝变形预测模型的缺点,RS理论和LSTM网络应用于混凝土坝变形预测模型由于张量流。最后,基于RS-LSTM混凝土坝变形预测模型建立,和一个新的预测模型提出了评价体系。
2。材料和方法
2.1。粗糙集理论
pswlak RS波兰学者提出的理论是在1980年代。的核心目标是挖掘和提炼重要信息的前提下保持等价关系。这种方法的主要任务是属性约简,相关分析,评估不确定信息系统的重要性。
2.1.1。信息系统
描述样本包含必要的信息在RS理论中,一个四级信息系统建立了,它可以表示如下: 在哪里是一个非空的有限集的样本;是一组属性,包括一组条件属性和一组属性决定 ; 属性值设置;和是信息函数,也称为决策表。
2.1.2。属性约简
对于任意的 和 ,之间的关系和定义如下。
对于任意组对象 和属性 在一个给定的信息系统 ,的近似被定义为 ;近似的定义被定义为 ;和边界的区域被定义为 。在这种情况下,代表的不可区分关系的部门通过 。
如果不是空的,然后呢被称为粗糙集的 。积极的地区相对于如下。
当 ,在哪里 , 可以省略。此外,当每个元素没有可省略的 ,它可以得出结论是独立于 。当 ,在哪里是独立于和所有的元素可以省略吗被称为相对减少 。
2.1.3。重要性评价
在属性约简、属性的重要性可以定义之间的相互依赖程度的属性集和 。相互依赖的程度和定义如下: 在哪里代表了基数值的设置。
条件属性的重要性决策属性基于属性的依赖程度定义如下。
2.2。LSTM网络基于一个内存体系结构
LSTM获得通过改善RNN的隐层结构。LSTM基于内存体系结构可以克服内存短缺和梯度消失的问题。LSTM模型结构如图1。LSTM的关键优势是双重的。值得注意的是,隐藏层包含一个隐藏的状态和细胞状态,和一个阈值机制RNN的建立。这些因素加强学习当前信息的能力模型,提取与数据相关的信息和规则,同时减少内存使用的传输信息。忘了盖茨,盖茨阈值机制使用输入和输出盖茨选择性记忆的反馈参数反馈误差函数梯度减少,实现快速梯度收敛(26]。
2.2.1。输入门更新
输入门控制信息从输入的网络传播的时刻并在最后时刻隐藏状态细胞状态 。输入门的功能来过滤新的信息。一个输入通道的结构如图2。
图2显示输入门由两部分组成。第一部分选择乙状结肠激活函数,输出 ,和第二部分选择tanh激活函数,输出 。两个部分输出增加更新细胞状态。更新过程可以数学表达如下: 在哪里 , , , , ,和输入的重量和偏见是门,是乙状结肠激活函数。
2.2.2。忘记门更新
忘记门控制信息传播的细胞状态在时刻细胞状态在时刻 ,并确认的信息应该被丢弃。忘记门的结构如图3。
图3显示隐藏的状态在时刻和输入在时刻激活乙状结肠函数,输出在[0,1]的范围。这个值代表遗忘的概率与细胞状态相关的信息在以前的时刻。更新过程可以数学表达如下: 在哪里 , ,和门的重量和偏见是忘记。
2.2.3。细胞状态更新
细胞状态控制信息从传播的结果输入门和的结果忘记门细胞状态 。细胞的结构如图4。
图4显示电池状态更新结果主要是由细胞状态在时刻和输入和结果忘了盖茨( , ,和 )在时刻 。更新过程可以数学表达如下: 在哪里是阿达玛的产品。
2.2.4。输出门更新
门的输出控制信息传播的隐藏状态在时刻 ,细胞状态在时刻 ,和输入在时刻 。输出通道的功能是确定最终保留信息。一个输出通道的结构如图5。
图5显示隐藏的状态在时刻包含两个部分。第一部分是由隐藏的状态在时刻 ,输入在时刻 ,和乙状结肠激活功能。另一部分是由细胞状态在时刻和tanh激活功能。更新过程可以数学表达如下: 在哪里 , ,和是输出的重量和偏见。
2.2.5。输出层的更新
模型的输出是由隐藏的状态在时刻和乙状结肠激活功能。更新过程可以数学表达如下: 在哪里和输出层的重量和偏见,分别。
2.2.6款。模型参数更新
获得最优解,本文中所有的参数迭代更新LSTM模型基于梯度下降算法和错误BP算法。
客观的损失函数定义之间的残差平方和最小化预测输出层和目标输出 。 分为两个部分:损失呢在时刻和随后的损失 片刻之后。
隐藏状态的梯度和细胞状态被定义为和 ,分别和梯度的位置可以表示如下。
输出梯度误差在给定时刻确定两部分,分别因为和获得了和 。因此,根据方程(12)和(13),渐变的隐藏状态和细胞状态可以表示如下。
其他参数模型中类似的推导。的更新步长和学习速率模型被定义为和 ,分别。LSTM模型中的参数是使用梯度BP算法迭代更新。相应的公式可以表示如下: 在哪里代表LSTM模型和参数 表示参数的梯度。
总之,更新过程的参数LSTM基于内存体系结构网络模型可以表示如下。首先,实现参数初始化过程。第二,重复迭代过程由梯度下降算法和BP算法的误差,直到目标损失函数收敛。最后,LSTM模型的参数最优解。此外,辍学算法采用LSTM模型的训练过程中避免过度拟合现象(27),改善网络性能,防止功能探测器一起工作。
2.3。基于RS-LSTM混凝土坝变形预测模型
与RS的优势,影响大坝之间的映射关系因素操作行为和建立相应的影响保留关键信息的前提下。此外,消除冗余信息,表达空间影响因素的简化,并对每个因素的重要性进行评估。此外,由于LSTM模型克服了传统RNNs内存短缺和梯度耗散问题和特点是可控的记忆和快速梯度收敛,收益率高性能动态预测模型基于长期的数据系列。因此,通过结合RS理论和LSTM网络的优势,本文建立了一个基于RS-LSTM混凝土坝变形预测模型,预测模型是优化考虑相关影响因素,这些因素之间的互动机制和混凝土坝变形以定量的方式。建立混凝土坝变形预测模型的过程基于RS-LSTM如图6。具体建模步骤如下。
2.3.1。数据采集
统计方法用于执行总错误处理混凝土大坝监测数据。这种方法提供了一个可靠的数据建立预测模型的基础。属性约简进行基于RS理论是一个复杂的多变量数据集组成的水深度、温度、渗流,骨折孔径和浮力信息准确地获得具有代表性的因素,影响混凝土大坝的变形行为。变形监测数据和代表性的影响因素对应于某些测量点是选为模型的数据集。代表数据集的因素是标准化的使用一个独立的标准化公式,和模型数据集分为训练集和测试集的交叉验证方法。
2.3.2。模型训练
预处理和标准化的训练集样本作为模型的输入。基于梯度下降法的误差反向传播算法驱动模型收敛损失函数,并得到了最优模型参数。辍学算法克服过度拟合训练的问题,最后,得到最优参数的预测模型。
2.3.3。模型预测
测试集样本输入到训练获得相应的变形预测模型预测的结果。
2.3.4。模型性能评估
根据建立评价体系,混凝土坝变形预测模型的结果基于LSTM,经典最小二乘(OLS)模型,支持向量机(SVM)模型,和一个多层感知器(MLP)模型2隐藏层比较基于准确性、健壮性、外部性和泛化。
2.4。混凝土坝变形预测模型评价体系
混凝土大坝变形预测模型中扮演一个重要的角色在操作行为监控、实时异常检测、和决策,其性能直接影响条件评估和预警策略。在实际应用过程中,一个单一的精度评价指标可能有一定的局限性,它通常是不可能评估健壮性、外部性和模型的泛化。因此,一个完整的评价体系,必须建立混凝土坝变形预测模型的实际应用。因此,本文评估模型的性能方面的准确性、鲁棒性、外部性和泛化,定量评价指标用于全面评价混凝土的性能基于统计理论的大坝变形预测模型。
2.4.1。精度
混凝土坝变形预测模型的准确性是指程度的预测和真实值之间的协议。这个评价指标是使用最广泛的模型评估。在实际工程中,日军、MSE和RMSE通常选择评估模型的准确性。考虑到变形监测的非平稳数据和评价指标之间的重叠,和选择建立精度评价指标(AEI混凝土坝的变形预测模型。相应的公式定义如下。
2.4.2。鲁棒性
混凝土坝变形预测模型的健壮性是指其固有的阻力训练数据中的错误。模型训练和预测是通过建立正常的训练样本和训练样本进行一定程度的随机误差。模型的能力去学习真正的非线性映射关系,当有一个小过失误差在训练集测试。绝对的区别培训没有过失误差和模型预测结果训练模型的预测结果与总选择错误的鲁棒性评价指标(REI)混凝土坝变形预测模型。相应的公式定义如下。
2.4.3。外部性
混凝土坝变形预测模型的外部性是指精确过程样本训练集以外的适应性与相同的映射关系。高性能模型基于其外部性能力可以通过训练集映射关系隐藏在数据。即使一些样品在训练集之外,一个模型有一个令人满意的外部性可以实现准确的预测。外的样本训练集与测试样本,融合和预测性能模型的基于训练集与测试相同的映射关系。模型的精度指标在这种情况下, ,被选中作为外部性评价指标(EEI)。相应的公式定义如下。
2.4.4。泛化
混凝土坝变形预测模型的泛化是指其适应性过程和样品相同的映射关系。泛化能力不佳会导致过度拟合。在这种情况下,训练集的模型误差很低,但是测试的误差非常大。优化模型是通过增加训练样本,进行正则化处理,并应用辍学算法来提高其泛化性能。选择的比率在培训过程中在预测过程中选择的综合评价指标(基)。相应的公式定义如下。
在每个评价指标公式,代表一个测量值;代表了一种预测价值;代表预测样本的数量;下标代表了培训过程;下标代表了预测过程;下标代表样本没有严重错误;和下标代表样本有重大错误。
2.5。模拟环境和工程项目
混凝土坝变形预测模型基于OLS、支持向量机、中长期规划,和LSTM依法建立混凝土重力大坝的水平位移,和评价系统是用来评估的准确性,每个模型的健壮性、外部性和泛化。此外,执行比较分析。模拟环境包括操作系统Windows 10,英特尔酷睿i5处理器,8 GB的内存,3.7.2rcl Python编程语言版本,TensorFlow 1.12.0深度学习框架版本。
2.5.1。工程情况
Zhouning水电站是一个diversion-type电站在央河福建省开发执行步骤。总装机容量250 MW,水库的总存储容量是4700万米3,设计洪水位633.00米。电站由一连串,水闸建设、输水系统、地下厂房、开关站。接二连三的RCC重力坝基础平面高程为562.00米,最大水坝高度为72.40米,坝顶长度为206.00米。的身体Zhouning大坝分为九个大坝部分,其中1 - 4号和7 - 9号nonoverflow部分,5 - 6号溢流部分。
变形监测数据收集的Zhouning水电站大坝包括水平和垂直位移数据。坝顶水平位移监测的是执行的扩展线对齐方法。的固定端扩展线的总长度200.75米在Sta安排。R01 + 107.025和导游被放置在Sta结束。10 + 93.50。总共11个监视点沿着大坝排列,其中9个数据点是位于每个大坝部分的顶部和两个检查点设置的左右两端延伸线检查两端的位移。扩展线系统是自动化2005年4月,每天观测1次的频率。补偿导线测量的布局点水平位移图所示7。
2.5.2。选择和优化预测模型的影响因素
根据理论知识、监测数据、专家经验,等等,最初选择的实证影响因素如下: 在哪里水深度收集一天的观察,水深度固定在底座上;是指水库地区温度天前,年平均温度。此外, ,在哪里观察日期和吗基本一天的日期。平均骨折孔径测量的点,是渗流,平均提升计量点的压力。
最初的实验影响因素选择的条件属性 ,和坝顶水平位移得到的补偿导线(左岸是积极和正确的银行是负的)点EX1设置为决策属性在单点预测模型。此外,例1的水平位移、EX2 EX4, EX5, EX6, EX7选为决策属性在多点预测模型(因为扩展线要是联系了不锈钢棒,点的监测数据不可靠)。总的来说,864监测样本的水平位移和影响因素被选为样本集 。属性范围确定了基于k - means聚类算法与自适应离散化,实验性地确定和集群的数量是7。消除无关的或弱信息输入变量和只保留代表混凝土坝变形影响因素,RS理论是用来进行属性约简和重要性评价和获得一个初始信息表 。的属性约简和重要性评价结果为单点和多点预测模型如表所示1。
根据属性约简和重要性的评估结果,单点预测模型的影响因素是{ },评估值为每个组件的重要性水平位移在例1是0.12,0.08,0.13,0.42,0.20,0.02,和0.03,分别。多点预测模型的影响因素是{ },每个组件的重要性评估值的水平位移在例1,EX2, EX4, EX5, EX6,和EX7是0.10,0.07,0.06,0.33,0.19,0.00,0.00,0.02,0.04,0.06,0.08和0.05。因此,可以得出结论,大大扩展线的水平位移受温度变化和水位波动的影响。具体来说,温度分量占60%的水平位移,和滞后期的水位大约是20天。
2.5.3。样本对预测模型的选择
根据评价结果属性约简和重要性,影响因子监测数据的单点和多点选择预测模型获得的样本作为独立变量,和水平位移点EX1-EX7(要是除外)选择获取样本作为因变量。建立数据集之间的6月2日,2016年10月22日,2018年,共有864个样本的数据。选择的700个样本数据集从6月2日,2016年5月10日,2018年,作为训练集,和164年的数据集样本选自5月11日,2018年10月22日,2018年,采用的测试集。调查混凝土坝变形预测模型基于OLS、支持向量机、延时和LSTM方法使用数据集和执行864个样本的数据。在水中的深度和水平位移变化数据所示8和9。
2.5.4。模型参数设置
支持向量机的性能、延时和LSTM模型很大程度上取决于一些参数的设置。根据经验和实验结果,参数调整算法,即正则化参数,核函数参数、网络参数、学习速度,等等,之前给出模拟。
参数的支持向量机模型:确定核函数作为径向基函数(RBF)根据经验。支持向量机模型的参数范围是根据经验决定的,惩罚参数 ,内核参数 。参数优化是实现网格搜索,设置为8,设置为0.72根据实验目标函数和参数之间的关系。
参数模型:根据实验结果,网络由输入层、隐藏层和输出层的三层拓扑7-15-15-1单点预测模型和7-15-15-1多点预测模型,和学习速率也设置为0.08。网络随机变量参数权重和偏见初始化和梯度下降算法,计算和激活函数是ReLU函数。
LSTM模型中的参数:hyperparameter LSTM模型的范围是根据经验决定的, , ,隐藏的 ,和学习速率的初始值设置为0.1。以最小权值为目标函数,根据实验目标函数和参数之间的关系,参数调优与网格搜索实现。最后,批量大小,步伐,隐藏层,和学习速率设置为12,46岁,42岁,分别和0.12。网络变量参数包括重量和偏见是使用glorot_uniform生成的初始化和计算梯度下降算法。
3所示。结果
验证混凝土坝变形预测模型的优越性基于LSTM比其他模型的准确性、鲁棒性、外部性、泛化,OLS的比较分析,支持向量机,进行中长期规划和LSTM模型的基础上,预测结果与预处理训练和测试样本。
3.1。单点预测模型
单点预测模型对混凝土坝变形基于OLS、支持向量机、延时和LSTM算法建立,便于比较分析。
3.1.1。模型预测分析
混凝土坝变形预测模型基于OLS,支持向量机,延时,LSTM算法建立了基于预处理标准化环境数据集和非规范变形数据集。基于目标函数,使用训练样本训练模型,并得到了最优模型参数。最后,混凝土坝变形预测和性能分析。混凝土坝变形的测量和预测价值基于OLS,支持向量机,延时和LSTM模型图所示10。
图10表明,预测值的OLS模型很大程度上偏离测量值,但总体趋势是类似的测量值。SVM的预测的值之间的偏差,延时,LSTM模型和测量值很小,但后期支持向量机模型的预测趋势明显偏离了测量值。LSTM模型不仅展示了最高程度的预测和测量值之间的协议也收益率相同的趋势,对于测量值。因此,混凝土坝变形预测模型的预测性能明显优于基于LSTM基于OLS, SVM和中长期规划模型。
3.1.2。模型性能评估
混凝土坝变形的预测模型是一个重要的工具,定量评估大坝的安全状况,揭示服务状态异常,确保工程安全。高性能变形预测模型应该满足相关的准确性、鲁棒性、外部性和泛化需求实现有效预警为工程的安全策略和反馈控制。验证的可靠性基于LSTM混凝土坝变形预测模型,混凝土坝变形预测模型基于OLS、支持向量机、延时,LSTM根据建立的评价体系进行了比较和分析。的水平位移残差预测模型图所示11。评价指标的所有值预测模型如表所示2。
(1)准确性。图11和AVI每个模型在表的价值2表明,混凝土坝变形的水平位移残差预测模型基于LSTM是最小的,低于0.1,低于10,所有这些都是在较低的范围内与基于OLS模型相比,支持向量机和延时。因此,混凝土坝变形预测模型基于LSTM显示精度比其他模型,并预测结果更好地同意真正的数据。
(2)鲁棒性。丽的每个模型在表的价值2表明,混凝土坝预测模型基于OLS、支持向量机、中长期规划,和LSTM过失误差的影响,从而导致不同程度的预测精度。的丽价值混凝土坝变形预测模型基于LSTM丽之间的最小值的模型;因此,相关的严重错误数据样本对该模型的预测结果影响不大,显示最强的鲁棒性。
(3)外部性。每个模型的千禧年代价值表2表明,模型的准确性降低后向模型添加样本训练集以外的测试样本。然而,混凝土坝变形预测模型基于LSTM展品最小的千禧年代,代表最强烈的外部性和最强大的学习能力。
(4)推广。每个模型的基值表2表明,混凝土坝变形预测模型的推广基于OLS和SVM很差。这些模型可能体验期间过度拟合训练,导致错误的增加测试集和表现不佳。混凝土坝变形预测模型基于延时和LSTM显示良好的泛化性能,和LSTM模型得到最好的性能。
总之,机器学习技术的成功应用,大大促进了混凝土坝变形预测模型的发展与使用传统统计方法。混凝土坝变形预测模型基于SVM,延时,LSTM显示精度高,但性能的每个模型的健壮性、外部性和概括各不相同。混凝土变形预测模型基于LSTM显示精度最高,健壮性、外部性和泛化相比其它模型的性能。因此,LSTM混凝土变形预测模型的应用进一步促进混凝土坝预测模型的发展。
3.2。多点同步为混凝土坝变形预测模型
根据理论、数学和机械原理的混凝土大坝,混凝土坝变形不仅影响水压力等载荷和温度载荷,还邻近地方的因素。突然大坝位移的部分会影响周边地区,和混凝土坝变形的单点预测模型不考虑点之间的关系;因此,很难把握给定荷载下的位移场。有必要建立一个多点同步的混凝土坝变形预测模型能有效提高预测的性能比传统模型和力学参数反演和反馈分析的准确性。此外,这种方法可以提高混凝土大坝的安全监测水平。本文建立了多点同步预测模型对混凝土坝变形根据收集到的数据在多个点和LSTM多个输入和输出的优点。
3.2.1之上。模型预测分析
的因素影响多点同步预测模型对混凝土坝变形是由属性约简。所有数据归一化,作为独立变量的样本LSTM模型和变形监测的数据点EX1-EX7(要是除外)是选为因变量的样品(没有正常化处理)。训练数据和测试集划分单点模型中相同的方式。输出层是一个多维完全连接层,模型学习速度是0.18,其他参数都是相同的单点模型。混凝土坝变形的六点同步预测模型最优参数获得的训练,和变形值预测基于测试样品。实际测量值和预测值的单点和多点模型图所示12(以例1的测量值为例)。测量值和值预测与多点同步变形模型图所示13(以测量值在EX4-EX6为例)。
3.2.2。模型性能评估
由于预测模型是基于变形值在多个点,多点模型包括错误的错误点。根据误差理论,RMSE RMSE多点模型加权平均的每一点,也可以表示如下: 在哪里代表的RMSE多点模型,代表每一个点,代表测试样品的数量。
的RMSE值多点同步预测模型和单点预测模型进行了比较和分析,如表所示3。
数据12和13和表3表明这两种模型的性能很好,误差在可接受的精度范围内。多点的RMSE值预测模型比单点预测模型,小和多点模型的预测值更接近测量值。此外,单点预测模型的加权平均RMSE大于RMSE多点的模型,这表明多点模型中的每个点的预测精度高。因此,多点同步预测模型基于LSTM的混凝土坝变形表现出良好的性能,并在本地分析结果是有意义的,在大尺度空间的代表。
4所示。结论和讨论
介绍了RS理论和LSTM网络TensorFlow混凝土坝安全监测的框架,和单点和多点混凝土大坝变形预测模型基于LSTM建立。此外,一个新的评价体系和量化评价指标提出了混凝土坝变形预测模型。从应用实例得到了以下结论。(1)RS理论应用于优化选择和评估影响混凝土坝变形因素的重要性的基础上,内部监控数据集之间的关系。这种方法克服了缺陷相关的智能预测模型定量解释和确保预测模型分析的客观性(2)根据统计理论,提出了一个评价体系,和准确性,健壮性、外部性,并给出综合评价指标性能检验标准,全面评估性能的混凝土坝变形预测模型在实际工程(3)混凝土坝变形的单点预测模型基于LSTM显示高预测精度和鲁棒性强,外部性和泛化。此外,多点同步为混凝土坝变形预测模型基于LSTM本地相关,在大尺度空间的代表。因此,多点方法可以有效地用于混凝土大坝变形预测的大尺度
不断改善混凝土坝技术导致了高预测模型的性能要求,并建立高性能的时空预测模型将混凝土坝安全监测重要继续进步。因此,人工智能的结合,深入学习理论,在线动态学习,和时空变形预测模型应该推动建立一个理想的混凝土大坝监测系统,实现的目标“智能监控。”
数据可用性
”Zhouning大坝的数据集。xlsx”用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究得到了国家自然科学基金(51809212),重点项目的陕西省自然科学基础研究计划(2018号jz5010),陕西省和水科学计划项目(2018号slkj-5)。
补充材料
提交的补充材料是数据集用于构建基于本文RS-LSTM预测模型。名为“Zhouning大坝的数据集的数据集。xlsx”包括Zhouning大坝的水平位移值点EX1-EX7(要是除外)及其影响因素从6月2日,2016年10月22日,2018年,它被选中来获取样本。700年的数据集样本选自6月2日,2016年5月10日,2018年,作为训练集,和164年的数据集样本选自5月11日,2018年10月22日,2018年,是作为测试集。(补充材料)