公共文化服务平台

搜索到600篇“ 大坝变形预测“的相关文章

基于智能组合模型的大坝变形预测预报研究: 2025年; 针对数字孪生水利工程大坝安全“四预”中预测预报的准确性和可靠性需求,提出智能组合模型系统方法。该方法通过深入分析大坝变形的多重影响因素,结合信号处理技术,智能地分离出主导性的大坝变形趋势分量。随后,采用智能算法精确匹配最优拟合模型,并结合灰色模型、时间序列模型及神经网络等多种建模技术,构建了一个高度集成、具有自适应能力的智能组合模型。通过丹江口大坝变形时间序列的训练和优化,并与传统统计模型预测结果对比验证,实验表明,智能组合模型在预测精度、数据适应性和鲁棒性方面具有显著优势,尤其是在处理非线性关系和长时序依赖性方面表现突出,同时有效提升了外延预测精度和泛化能力。此外,该模型能够提前1个周期(时长为一年)准确预测大坝关键部位的潜在变形趋势,为工程人员提供充足的时间采取预防措施,减少潜在风险。利用智能组合模型开展丹江口大坝的变形预测与预报,不仅提升了监测系统的智能化水平,还为大坝的安全评估、风险预警和科学管理提供了有力技术支撑。; 李双平刘祖强张斌郑俊星王华为李永华苏森南; 关键词：泛化能力鲁棒性大坝变形

基于改进式时序模型的塔村水库大坝变形预测研究: 2025年; 监测大坝变形以预防潜在风险是大坝安全监控的核心。为了准确预测大坝未来的变形趋势,本文提出一种改良的时序分析模型,该模型结合长短时记忆网络(LSTM),注意力机制(Attention)和双位置编码Transformer技术,用于塔村水库大坝监测。通过利用LSTM有效处理时间序列数据,Attention机制突出有效特征信息及双位置编码的Transformer的性能增强,该模型展现出较高的预测准确性,表明其在大坝变形预测中的应用潜力。; 胡泽华; 关键词：大坝变形预测 TRANSFORMER

一种嵌入特征选择的大坝变形预测方法: 本发明涉及一种嵌入特征选择的大坝变形预测方法，属于大坝安全监测和人工智能领域，包括以下步骤：获取环境量和大坝变形量的原始监测数据；对原始数据进行数据清洗、数据填补、数据归一化的预处理；基于随机森林算法评估环境特征的重要性...; 江超张宏瑞盛金保曹昕殷成团祖安君陆杰董中云张晓萱王荣森

基于SCSO-BIGRU的大坝变形预测: 2024年; 针对传统预测模型调参难度大及预测精度不够高的问题,本文将沙猫群算法(SCSO)和双向门控循环单元(BIGRU)引入到大坝变形分析中,通过SCSO对BIGRU模型的参数进行自动寻优,构建了一种基于SCSO-BIGRU的大坝变形预测模型。以某大坝垂直方向监测数据为例,对SCSO-BIGRU模型和对比模型进行分析,结果表明,SCSO-BIGRU模型预测精度更高,其得到的均方根误差(RMSE)sRMSE、平均绝对误差(MAE)sMAE、相关系数R2分别为0.1115、0.1422、0.9971,各项精度评价指标均优于BIGRU模型和门控循环单元(GRU)模型,可为大坝变形精准预测提供参考。; 谢逸丰; 关键词：大坝变形预测

基于CNN-LSTM-AM的大坝变形预测: 2024年; 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。; 赖国梁刘小生; 关键词：卷积神经网络大坝变形预测

一种大坝变形预测方法、系统、介质及产品: 本发明公开一种大坝变形预测方法、系统、介质及产品，涉及大坝安全监测领域，方法包括构建BiGRU神经网络；基于蜣螂优化算法对BiGRU神经网络进行训练，得到变形预测模型；获取大坝变形数据；基于预设置信度和标准正态分布表确定...; 宋锦焘李心如刘云贺杨杰李炎隆张盛飞杨兆迪

基于VMD-KSVD字典学习降噪的大坝变形预测: 2024年; 提出一种自适应变分模态分解和KSVD字典学习相结合的降噪算法。该方法对监测序列分解后的子序列进行降噪,同时考虑残差序列的特征,从而充分保留监测序列中的有效信息。以某大坝变形监测数据为例进行测试,结果表明,该方法能够较好地保留监测序列中的有效信息,相较于传统的降噪算法更适用于复杂情况下的大坝变形预测,能进一步提高预测模型的泛化能力。; 柳磊李登华丁勇; 关键词：字典学习大坝安全监测

一种基于IPSO-Transformer模型的混凝土大坝变形预测方法: 本发明提出一种基于IPSO‑Transformer模型的混凝土大坝变形预测方法，包括以下步骤：S1、接收大坝安全监测过程中的监测数据；监测数据包括大坝位移变形监测数据、水位数据和温度数据；S2、将监测数据进行数据预处理与...; 项兴华王霄李德红林烨敏李珂陈孟法刘文娟

一种基于IPSO-Transformer模型的混凝土大坝变形预测方法: 本发明提出一种基于IPSO‑Transformer模型的混凝土大坝变形预测方法，包括以下步骤：S1、接收大坝安全监测过程中的监测数据；监测数据包括大坝位移变形监测数据、水位数据和温度数据；S2、将监测数据进行数据预处理与...; 项兴华王霄李德红林烨敏李珂陈孟法刘文娟

基于SBO-LSTM的大坝变形预测模型被引量：1: 2024年; 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。; 何裕坤晁阳李同春杰德尔别克·马迪尼叶提; 关键词：大坝变形预测

相关作者