【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及水利大壩變形監(jiān)控，具體為一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法。
技術(shù)介紹
1、在水利工程中，變形是在內(nèi)外環(huán)境影響下直觀反映大壩結(jié)構(gòu)服役性能的關(guān)鍵觀測指標(biāo)之一，變形監(jiān)控模型通過挖掘外界環(huán)境等因素與變形觀測值間的內(nèi)在聯(lián)系，已成為大壩安全監(jiān)控中應(yīng)用最廣的方法之一，合理有效的變形監(jiān)控模型可以定量解釋外因?qū)Υ髩谓Y(jié)構(gòu)響應(yīng)的影響，預(yù)測大壩的服役性態(tài)，為運(yùn)維期的大壩安全提供保障。統(tǒng)計(jì)模型由于公式簡單、執(zhí)行速度快，是目前大壩變形監(jiān)控中最常用的方法。隨著人工智能技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、極限學(xué)習(xí)機(jī)、隨機(jī)森林等多種機(jī)器學(xué)習(xí)算法逐漸被應(yīng)用到變形監(jiān)控分析中，有效提高了傳統(tǒng)統(tǒng)計(jì)模型的預(yù)測精度。此外，傳統(tǒng)的大壩變形監(jiān)控模型主要針對單測點(diǎn)而建立，難以對存在內(nèi)在關(guān)聯(lián)的大壩空間變形場進(jìn)行合理表征。為更加準(zhǔn)確地反映大壩整體變形性態(tài)，近年來在大壩多測點(diǎn)變形預(yù)報(bào)方面也涌現(xiàn)出許多成果。上述研究為大壩安全監(jiān)控理論的發(fā)展起到了促進(jìn)作用，但通過對比分析可知，已有研究大多以提高單測點(diǎn)模型的預(yù)測精度為主要目的，能夠綜合考慮預(yù)測精度、空間位置以及可解釋性的多測點(diǎn)變形監(jiān)控模型仍較為匱乏。
2、因此，現(xiàn)階段亟需一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法。
技術(shù)實(shí)現(xiàn)思路
1、針對現(xiàn)有技術(shù)的不足，本專利技術(shù)提供了一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，以解決
技術(shù)介紹
中提出的問題。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，包括以
3、s1、使用k-means算法對大壩變形數(shù)據(jù)進(jìn)行聚類分析，以識別監(jiān)控區(qū)域的空間模式；
4、s2、針在每個(gè)聚類區(qū)域內(nèi)，基于監(jiān)測點(diǎn)之間因變量的相互作用，采用耦合注意力機(jī)制的長短期記憶網(wǎng)絡(luò)來構(gòu)建變形預(yù)測模型，增強(qiáng)模型對時(shí)間序列數(shù)據(jù)的處理能力；
5、s3、運(yùn)用可解釋性分析技術(shù)對不同區(qū)域的測點(diǎn)及其影響因素進(jìn)行排序和評估，以確保監(jiān)控模型的透明度和解釋力。
6、優(yōu)選的，步驟s1中，使用k-means算法對大壩變形數(shù)據(jù)進(jìn)行聚類分析，包括如下步驟：
7、在大壩監(jiān)測過程中，收集到多個(gè)測點(diǎn)的變形數(shù)據(jù)，上述數(shù)據(jù)展現(xiàn)出明顯的空間和時(shí)間特性，為了有效地分析這些數(shù)據(jù)的分布和特征，采用k-means聚類分析方法來對測點(diǎn)的變形特征進(jìn)行系統(tǒng)分類，k-means是一種廣泛使用的聚類算法，它通過計(jì)算樣本間的距離來評估其相似性，并基于上述相似性將樣本集分成k個(gè)簇；每個(gè)簇ci的中心由均值向量μi表示，該向量也稱為簇的質(zhì)心；
8、
9、其中，kmeans算法的目的為尋找k個(gè)質(zhì)心來最小化平方誤差e：
10、
11、且平方誤差e越小，則表明簇內(nèi)樣本的相似度越高。
12、優(yōu)選的，所述k-means算法具體過程如下：
13、①從待聚類的全部測點(diǎn)位移樣本數(shù)據(jù)中隨機(jī)選擇k個(gè)不同測點(diǎn)樣本數(shù)據(jù)根據(jù)式(1)生成初始聚類質(zhì)心[μ1,μ2,…,μk]；
14、②計(jì)算每個(gè)樣本到各個(gè)初始聚類質(zhì)心的歐式距離，根據(jù)距離最近的聚類質(zhì)心形成k簇，并根據(jù)距離公式更新k簇，距離公式為式(2)；
15、③對新的k簇重新由式(1)計(jì)算聚類質(zhì)心，重復(fù)②、③過程，直到滿足終止條件平方誤差e達(dá)到預(yù)設(shè)值或達(dá)到預(yù)設(shè)迭代次數(shù)。
16、優(yōu)選的，步驟s2中，利用耦合注意力機(jī)制的長短期記憶網(wǎng)絡(luò)建立預(yù)測模型，包括如下步驟：
17、1)選用水位-季節(jié)-時(shí)效模型作為大壩變形監(jiān)控統(tǒng)計(jì)模型，所述水位-季節(jié)-時(shí)效模型將位移變化用水壓、溫度、時(shí)效三個(gè)分量表示：
18、
19、式中，δ為水平位移；h為壩前水深；t為觀測日至觀測基準(zhǔn)日的累計(jì)天數(shù)；θ＝t/100；a1、a2、a3、a4、b1、b2、b3、b4、c1、c2均為模型回歸系數(shù)；d為常數(shù)項(xiàng)；
20、2)根據(jù)步驟s1的測點(diǎn)樣本分區(qū)結(jié)果，對同一區(qū)域內(nèi)各測點(diǎn)的數(shù)據(jù)進(jìn)行分析，以式(3)中的自變量作為輸入，位移作為輸出，并引入同區(qū)域內(nèi)其他測點(diǎn)的位移數(shù)據(jù)作為新的自變量；基于上述數(shù)據(jù)，建立集成耦合注意力機(jī)制的長短期記憶人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測；并將此模型的預(yù)測結(jié)果與僅使用單測點(diǎn)數(shù)據(jù)的模型預(yù)測結(jié)果進(jìn)行比較；進(jìn)而有助于評估耦合注意力機(jī)制在提高預(yù)測精度方面的效果。
21、優(yōu)選的，所述注意力機(jī)制的原理如下：
22、在注意力機(jī)制中，輸入數(shù)據(jù)通常被表示為<鍵，值>對；在計(jì)算過程中，首先通過查詢與鍵之間的相似度來確定權(quán)重系數(shù)；具體地，設(shè)查詢、鍵和值分別為q、k和v，則注意力權(quán)重w通過以下公式計(jì)算得到：
23、
24、式中，dk是鍵的維度，用于縮放點(diǎn)積，防止內(nèi)積值過大；通過應(yīng)用softmax函數(shù)，權(quán)重系數(shù)w確保所有權(quán)重的和為1，從而形成一個(gè)概率分布；
25、隨后，通過將權(quán)重系數(shù)w乘以對應(yīng)的值v，
26、a＝w·v?(5)
27、計(jì)算出最終的輸出a。
28、優(yōu)選的，所述長短期記憶人工神經(jīng)網(wǎng)絡(luò)模型原理如下：
29、lstm內(nèi)部結(jié)構(gòu)計(jì)算公式分別如下：
30、ft＝σ(wf·[ht-1,xt]+bf)?(6)
31、it＝σ(wi·[ht-1,xt]+bi)?(7)
32、ct＝σ(wc·[ht-1,xt]+bc)?(8)
33、
34、ot＝σ(wo·[ht-1,xt]+bo)?(10)
35、
36、ht＝ot·tanh(ct)?(12)
37、式中，wf、wi、wc和wo為權(quán)重矩陣，bf、bi、bc和bo為偏置項(xiàng)；ct-1、ht-1分別表示前一時(shí)間點(diǎn)的單元狀態(tài)和輸出，xt表示本時(shí)刻的輸入，三者共同構(gòu)成當(dāng)前時(shí)刻的輸入；ft、it和ct分別表示遺忘門、輸入門和輸出門結(jié)構(gòu)，三個(gè)門結(jié)構(gòu)共同作用控制lstm單元選擇性地存儲及更新當(dāng)前時(shí)間點(diǎn)記憶內(nèi)容；σ表示sigmoid激活函數(shù)；tanh表示雙曲正切激活函數(shù)；ct、ht分別表示當(dāng)前時(shí)間點(diǎn)的單元狀態(tài)與輸出，同時(shí)也將作為下一時(shí)刻的輸入。
38、優(yōu)選的，步驟s3中，運(yùn)用可解釋性分析對各區(qū)域測點(diǎn)的影響因素進(jìn)行排序評價(jià)，具體包括如下步驟：
39、1)利用注意力機(jī)制的特性，注意力機(jī)制在處理數(shù)據(jù)時(shí)自動辨識并為不同的輸入特征分配相應(yīng)的重要性權(quán)重；
40、2)針對每一個(gè)測點(diǎn)，將評價(jià)引入同區(qū)域其他測點(diǎn)位移作為影響因子之前和之后，各個(gè)影響因素的重要性如何變化；通過這種方式，可以明確不同因素對模型輸出的貢獻(xiàn)度，進(jìn)而優(yōu)化模型的解釋性和預(yù)測準(zhǔn)確性。
41、與現(xiàn)有技術(shù)相比，本專利技術(shù)的有益效果：
42、1、本專利技術(shù)中，將聚類分析、注意力機(jī)制、深度學(xué)習(xí)等算法有機(jī)結(jié)合，構(gòu)建兼具高預(yù)測能力和強(qiáng)可解釋性的大壩多測點(diǎn)變形監(jiān)控模型，此模型為合理分析和預(yù)測大壩的整體變形特性提供了新的思路和方法。這種方法的應(yīng)用，不僅提高了預(yù)測的準(zhǔn)確性，同時(shí)也增強(qiáng)了模型的透明度本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，其特征在于：步驟S1中，使用K-means算法對大壩變形數(shù)據(jù)進(jìn)行聚類分析，包括如下步驟：
3.根據(jù)權(quán)利要求2所述的一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，其特征在于：所述K-means算法具體過程如下：
4.根據(jù)權(quán)利要求1所述的一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，其特征在于：步驟S2中，利用耦合注意力機(jī)制的長短期記憶網(wǎng)絡(luò)建立預(yù)測模型，包括如下步驟：
5.根據(jù)權(quán)利要求4所述的一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，其特征在于：所述注意力機(jī)制的原理如下：
6.根據(jù)權(quán)利要求5所述的一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，其特征在于：所述長短期記憶人工神經(jīng)網(wǎng)絡(luò)模型原理如下：
7.根據(jù)權(quán)利要求1所述的一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，其特征在于：步驟S3中，運(yùn)用可解釋性分析對各區(qū)域測點(diǎn)的影響因素進(jìn)行排序評價(jià)，具體包括如下步驟：
【技術(shù)特征摘要】
1.一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，其特征在于：步驟s1中，使用k-means算法對大壩變形數(shù)據(jù)進(jìn)行聚類分析，包括如下步驟：
3.根據(jù)權(quán)利要求2所述的一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，其特征在于：所述k-means算法具體過程如下：
4.根據(jù)權(quán)利要求1所述的一種大壩多測點(diǎn)變形深度學(xué)習(xí)監(jiān)控模型的構(gòu)建方法，其特征在于：步驟s2中，利用耦...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：艾星星，劉興陽，仇建春，葉蓓蓓，李占超，孫林松，
申請(專利權(quán))人：揚(yáng)州大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。