【技术实现步骤摘要】
基于LSTM网络的水工建筑物多效应量优化预测及可视化方法
本专利技术涉及水工建筑物安全监控方法，特别涉及一种基于LSTM网络的水工建筑物多效应量优化预测及可视化方法。
技术介绍
为达到防洪、发电、灌溉、供水等目的，需要修建不同类型的水工建筑物以控制和调配水流，如挡水建筑物、输水建筑物、整治建筑物等。结构安全是建筑物发挥调控功能的前提，而安全管理为建筑物正常运行提供保障，尤以长期安全监控为甚。将各种仪器布设于水工建筑物关键部位，通过监测变形、渗流等效应量，从不同维度综合反映其工作性态。根据原型观测资料，利用统计学、机器学习等方法，构建多效应量数学监控模型，能够及时掌握和预测建筑物结构性能的重要变化，从而为评价建筑物安全状况、发现建筑物异常迹象提供科学依据。依据构建方法的不同，常规水工建筑物安全监控模型大致分为统计模型、确定性模型和混合模型。上世纪末，人工智能技术攻关和行业应用发展势头迅猛。吴中如等率先将人工神经网络(ANN)、支持向量机(SVM)等建模方法成功应用于水工建筑物安全性态分析。之后，利用机器学习算法对不同效...
【技术保护点】
1.一种基于LSTM网络的水工建筑物多效应量优化预测及可视化方法，其特征在于，包括以下步骤：/n获取原型观测资料；/n对所述原型观测资料进行预处理，并将预处理后的数据集划分成为训练集、验证集以及测试集；/n利用所述训练集、验证集以及测试集构造LSTM预测模型，即LSTM网络；/n对所述LSTM网络进行超参数调试，从而优化LSTM算法；/n利用直接多步预测方法对所述LSTM预测模型进行外延预测；以及/n采用t-SNE技术对LSTM网络相关性学习进行可视化表征，即完成了基于LSTM网络的水工建筑物多效应量优化预测及可视化。/n
【技术特征摘要】
1.一种基于LSTM网络的水工建筑物多效应量优化预测及可视化方法，其特征在于，包括以下步骤：
获取原型观测资料；
对所述原型观测资料进行预处理，并将预处理后的数据集划分成为训练集、验证集以及测试集；
利用所述训练集、验证集以及测试集构造LSTM预测模型，即LSTM网络；
对所述LSTM网络进行超参数调试，从而优化LSTM算法；
利用直接多步预测方法对所述LSTM预测模型进行外延预测；以及
采用t-SNE技术对LSTM网络相关性学习进行可视化表征，即完成了基于LSTM网络的水工建筑物多效应量优化预测及可视化。
2.根据权利要求1所述的水工建筑物多效应量优化预测及可视化方法，其特征在于，所述对所述原型观测资料进行预处理包括数据清洗、降噪平滑、数据变换和数据均匀化。
3.根据权利要求1所述的水工建筑物多效应量优化预测及可视化方法，其特征在于，所述利用所述训练集、验证集以及测试集构造LSTM预测模型的步骤中的LSTM预测模型由一个输入层、多个隐藏层和一个输出层构成，上一个隐藏层的输出作为下一个隐藏层的输入，输入层与隐藏层共同实现输入效应量数据特征的提取，最后一个隐藏层的输出为一维列向量，经线性回归即得到处理后效应量数据的预测值。
4.根据权利要求1所述的水工建筑物多效应量优化预测及可视化方法，其特征在于，所述LSTM网络的记忆模块由遗忘门输入门和输出门构成；遗忘门控制上一时刻内部状态需遗忘的信息量，输入门控制当前时刻候选状态需保存的信息量，而输出门则控制当前时刻内部状态需输出给外部状态的信息量；其对应计算过程如下：
(1)利用上一时刻外部状态和当前时刻输入计算出和如式(1)-(3)；
(2)结合和更新记忆单元状态如式(4)；
(3)通过将信息传递给如式(5)-(6)；
其中，σ(·)、tanh(·)分别为Sigmoid函数和双曲正切函数；w、b分别为权重矩阵和偏置向量；⊙表示两向量的标量积。
5.根据权利要求1所述的水工建筑物多效应量优化预测及可视化方法，其特征在于，所述对所述LSTM网络进行超参数调试，从而优化LSTM算法的步骤具体包括：
构建深层LSTM网络，采用堆叠集成方法将多个LSTM网络进行叠加和组合，得到集成LSTM网络，进行一元时序预测，直接根据历史监测数据对效应量未来变化趋势进行外延分析；以及
进行超参数调试。
6.根据权利要求5所述的水工建筑物多效应量优化预测及可视化方法，其特征在于，所述进行超参数调试是通过粒子群优化算法实现的，对时间窗口长度wt、隐藏层数nh、各隐藏层节点数nn、学习率...
【专利技术属性】
技术研发人员：李明超，任秋兵，司文，李明昊，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。