本发明专利技术公开了一种基于工程历史数据的高拱坝施工仿真参数动态更新方法，步骤1、对施工参数历史数据进行预处理：进行经验模态分解，将施工参数时间序列分解为施工参数子序列，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小，根据预测时间窗口大小构建各施工参数子序列的数据集，得到训练集和测试集；步骤2、进行LSTM预测模型的构建与优化：对各施工参数子序列分别构建LSTM预测模型，采用自适应步长因子改进的天牛须算法对各LSTM预测模型的进行寻优，将最优参数作为各子LSTM预测模型的超参数，训练后获得各最优子LSTM预测模型。本发明专利技术能够反映施工参数局部非线性和波动性变化及有效挖掘施工参数序列潜在信息。动性变化及有效挖掘施工参数序列潜在信息。动性变化及有效挖掘施工参数序列潜在信息。
【技术实现步骤摘要】
基于工程历史数据的高拱坝施工仿真参数动态更新方法
[0001]本专利技术涉及高拱坝施工进度仿真领域，特别涉及一种基于工程实际历史数据的高拱坝施工仿真参数动态更新方法。
技术介绍
[0002]高拱坝施工常面临水文气候条件复杂、作业空间狭小和施工约束等问题，为高拱坝施工进度的有效控制带来了极大的挑战。施工仿真技术为高拱坝施工过程分析及施工进度管控提供了有效的途径。随着工程的推进，高拱坝施工作业空间、施工约束等不断发生变化，这导致施工仿真参数发生动态变化。如何有效地动态更新施工仿真参数是确保建设期施工进度仿真准确性的关键。然而传统仿真方法需要根据经验选取仿真参数，忽略了参数随施工过程的变化。少数采用贝叶斯更新的研究需要假定参数分布形式且难以反映短期内施工参数的波动性和非线性变化，因而并不适用于具有分布形式难以固定、参数序列非线性和噪声强特点的施工参数预测问题。
技术实现思路
[0003]针对上述现有技术的缺陷，本专利技术提出了一种基于工程历史数据的高拱坝施工仿真参数动态更新方法，实现了高拱坝施工仿真参数EMD
‑
P
‑
ILSTM动态更新模型，采用先分解、再预测后融合的建模思路实现对建设期施工仿真参数的高精度预测与更新，进而实现对仿真模型的动态修正。
[0004]本专利技术利用以下技术方案实现：
[0005]步骤1、对获取的施工参数历史数据进行预处理，具体包括：进行经验模态分解，将施工参数时间序列分解为一系列的施工参数子序列，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小，根据预测时间窗口大小构建各施工参数子序列的数据集，对数据集进行划分得到训练集和测试集；
[0006]步骤2、进行LSTM预测模型的构建与优化，具体包括：对各施工参数子序列分别构建LSTM预测模型，采用自适应步长因子改进的天牛须算法对各LSTM预测模型的超参数进行寻优，得到最优参数，将最优参数作为各子LSTM预测模型的超参数，经训练后获得各最优子LSTM预测模型。
[0007]与已有技术相比，本专利技术能够反映施工参数局部非线性和波动性变化以及有效挖掘施工参数序列潜在信息。
附图说明
[0008]图1为本专利技术的基于工程历史数据的高拱坝施工仿真参数动态更新方法整体流程图。
[0009]图2为步骤1中的经验模态分解的实现流程图。
[0010]图3为为步骤1中的利用偏自相关函数方法计算各施工参数子序列的预测时间窗
口大小的实现流程图。
[0011]图4为天牛须算法的自适应步长实现流程图
[0012]图5为步骤2的采用自适应步长因子改进的天牛须算法对各LSTM预测模型的LSTM单元数N1、N2、批量大小B和学习率Lr超参数进行寻优的实现流程图。
具体实施方式
[0013]下面结合附图和具体实施例对本专利技术技术方案作进一步详细描述。
[0014]本专利技术的基于工程历史数据的高拱坝施工仿真参数动态更新方法，首先，对数据进行预处理并利用经验模态分解法(EMD)与偏自相关函数方法构建各子序列预测的数据集；其次，利用数据集进行划分得到的训练集和测试集构建LSTM预测模型，采用自适应步长因子改进的天牛须算法对各模型的LSTM单元数N1、N2、批大小B和学习率Lr超参数进行寻优；最后，将最优参数作为各子模型的超参数对训练集进行训练，获得各最优子预测模型。
[0015]如图1所示，为本专利技术的基于工程历史数据的高拱坝施工仿真参数动态更新方法整体流程图。该流程具体包括以下步骤：
[0016]步骤1、对获取的施工参数历史数据进行预处理，具体包括：利用经验模态分解法(EMD)将具有强烈非线性、波动性的施工参数时间序列分解为一系列依照时间顺序的平稳的施工参数子序列，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小，根据预测时间窗口大小构建各施工参数子序列的数据集，对数据集进行划分得到训练集和测试集；
[0017]步骤2、进行LSTM预测模型的构建与优化，具体包括：对各施工参数子序列分别构建LSTM预测模型，采用自适应步长因子改进的天牛须算法对各LSTM预测模型的LSTM单元数N1、N2、批量大小B和学习率Lr超参数进行寻优，在每次迭代过程利用训练集训练由天牛个体的参数组成的LSTM预测模型(利用每个天牛个体中的LSTM单元数N1、N2、批量大小B和学习率Lr超参数等参数，对训练集进行计算，得到输出值)，将输出值与实际值的平均误差作为改进天牛须算法的适应度函数，以达到设定的迭代次数作为寻优结束的依据，得到最优参数；将最优参数作为各子LSTM预测模型的超参数，对训练集进行训练，获得各最优子LSTM预测模型。
[0018]以下为本专利技术整体流程中的相关算法的具体描述：
[0019]一、经验模态分解法(EMD)
[0020]经验模态分解法(EMD)的基本原理是对信号所有的极值点进行插值得到上、下包络和均值包络。将原信号减去均值包络得到新信号，若新信号仍存在局部极值点，则可以进一步分解，直到原信号被分解成若干本征模态分量和残差信号。
[0021]本专利技术利用经验模态分解法(EMD)对施工参数时间序列进行分解，得到多个本征模态分量(IMFS)；对每一个IMFS分量进行预测，再与各IMFS分量预测值叠加后的结果作为最终的预测结果。
[0022]将原始信号X(t)分解为若干且有限个不同特征尺度的本征模态函数IMF
i
和一个残差序列Res，表达式如下所示：
[0023][0024]其中，i表示本征模态函数的编号，n表示本征模态函数总个数；
[0025]所述本征模态函数IMF
i
需满足以下条件：
[0026]1)在整个数据集上，极值点个数和过零点个数需相等或最多只相差1；
[0027]2)在任意点处，由局部极小值点定义的下包络线和局部极大值点定义的上包络线的均值为0。
[0028]如图1所示，为经验模态分解的实现流程图。具体步骤如下：
[0029]步骤1
‑
1、获得原始信号X(t)所有的局部极小值点和局部极大值点；
[0030]步骤1
‑
2、根据X(t)的局部极值点，采用三次样条插值法构建上包络线max(t)和下包络线min(t)；
[0031]步骤1
‑
3、计算上包络线和下包络线的均值m(t)＝(max(t)+min(t))/2；
[0032]步骤1
‑
4、计算原始信号X(t)与均值m(t)之间的差值h1(t)＝X(t)
‑
m(t)；
[0033]步骤1
‑
5、判断分解出的子信号r1(t)是否满足两个基本条件，即
①
在整个数据集上，极值点个数和过零点个数需相等或最多只相差1；
②
在任意点处，由局部极小值点定义的下包络线和局部极大值点定义的上包络线的均值为0；,若满本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于工程历史数据的高拱坝施工仿真参数动态更新方法，其特征在于，该方法包括以下步骤：步骤1、对获取的施工参数历史数据进行预处理，具体包括：进行经验模态分解，将施工参数时间序列分解为一系列的施工参数子序列，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小，根据预测时间窗口大小构建各施工参数子序列的数据集，对数据集进行划分得到训练集和测试集；步骤2、进行LSTM预测模型的构建与优化，具体包括：对各施工参数子序列分别构建LSTM预测模型，采用自适应步长因子改进的天牛须算法对各LSTM预测模型的超参数进行寻优，得到最优参数，将最优参数作为各子LSTM预测模型的超参数，经训练后获得各最优子LSTM预测模型。2.如权利要求1所述的基于工程历史数据的高拱坝施工仿真参数动态更新方法，其特征在于，所述经验模态分解具体包括以下处理：步骤1
‑
1、获得原始信号X(t)所有的局部极小值点和局部极大值点；步骤1
‑
2、根据原始信号X(t)的局部极值点，构建上包络线max(t)和下包络线min(t)；步骤1
‑
3、计算上包络线和下包络线的均值m(t)＝(max(t)+min(t))/2；步骤1
‑
4、计算原始信号X(t)与均值m(t)之间的差值h1(t)＝X(t)
‑
m(t)；步骤1
‑
5、判断分解出的子信号r1(t)是否满足两个条件，即
①
在整个数据集上，极值点个数和过零点个数需相等或最多只相差1；
②
在任意点处，由局部极小值点定义的下包络线和局部极大值点定义的上包络线的均值为0；若满足，则h1(t)为X(t)的第一个IMF分量IMF1，令X(t)＝R1(t)＝X(t)
‑
h1(t)，重复步骤1
‑
1至步骤1
‑
4；若不满足，则令X(t)＝h1(t)，重复步骤1
‑
1至步骤1
‑
4，直至满足以下两个停止准则其中之一：停止准则一、残余序列为单调函数，停止准则二、标准差SD位于界限值0.2～0.3之间。3.如权利要求1所述的基于工程历史数据的高拱坝施工仿真参数动态更新方法，其特征在于，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小的流程具体包括以下步骤：步骤1
‑
6、对于分解后的施工参数时序序列X＝{x1，x2，
…
，x
N
}，得到时间滞后k处的协方差表达式如下所示：其中，为施工参数时序数据的平均值，k＝0，1，...，M，且M∈N+为最大的时间滞后；以及，得到时间滞后k处的自相关函数表...
【专利技术属性】
技术研发人员：杨宁，任炳昱，杨宗立，佟大威，乔雨，关涛，谭鹏，林星，
申请(专利权)人：天津大学，
类型：发明
国别省市：
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。