一种混凝土坝变形观测量统计模型构建方法技术

本发明专利技术公开了一种混凝土坝变形观测量统计模型构建方法，混凝土坝变形监测数据预处理；运用试错法确定描述前期坝面温度影响权重的卡方分布自由度；根据训练样本集数据，采用GA算法确定LSTM网络模型最优参数；根据GA算法迭代求解所得LSTM网络模型最优参数构建混凝土坝变形预测模型并实现变形预测；检验模型预测精度。本发明专利技术基于混凝土坝变形及其解释变量间因果函数关系，通过引入卡方分布与基于GA优化的LSTM网络提出了具有良好预测精度的混凝土变形预测模型的建模方法。本发明专利技术可有效降低上下游坝面温度引起的变形预测不确定性，定量考虑坝体温度变形滞后效应的影响，充分挖掘混凝土坝变形与其解释变量间复杂的非线性函数关系，因而具有良好的预测精度。因而具有良好的预测精度。因而具有良好的预测精度。

【技术实现步骤摘要】
一种混凝土坝变形观测量统计模型构建方法


[0001]本专利技术涉及大坝运行安全监测与安全管理
，具体而言，是一种基于遗传优化长短时记忆神经网络算法的混凝土坝变形监测模型构建方法。

技术介绍

[0002]变形作为混凝土坝服役性态监测最重要的监测效应量之一，直观地反映了坝体
‑
坝基
‑
库岸系统在多元环境荷载作用下结构性能的综合演化行为。基于历史变形数据的监测模型是大坝健康状态诊断、未来行为预测以及建立变形警报阈值的基础。因此，实测变形驱动的安全监测模型是分析混凝土坝运行性态的重要科学手段。
[0003]基于大坝变形与其解释变量间的因果关系，用数学分析方法建立的统计模型是目前最常用的变形监测模型。经典建模方法，如多元线性回归、逐步回归等线性回归算法应用方便，但较难处理非线性函数逼近与模型因子共线性等问题。随着人工智能技术的发展，具有更强非线性映射能力的机器学习方法已逐渐取代线性回归方法成为变形监控模型的主流建模手段，极大程度上提升了变形监控模型的建模精度，所建模型具有较强的泛化能力。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的缺陷，提供一种混凝土坝变形观测量统计模型构建方法，具体通过以下技术方案实现：
[0005]一种混凝土坝变形观测量统计模型构建方法，包括如下步骤：
[0006]S1.混凝土坝变形监测数据预处理；
[0007]S2.运用试错法确定描述前期坝面温度影响权重的卡方分布自由度；
[0008]S3.根据训练样本集数据，采用GA确定LSTM网络模型最优参数；
[0009]S4.根据GA迭代求解所得LSTM网络模型最优参数构建基于优化LSTM网络的混凝土坝变形预测模型并实现对混凝土坝变形的预测；
[0010]S5.检验模型预测精度。
[0011]步骤S1所述的混凝土坝变形监测数据预处理，主要以坝体变形基本理论为依据，根据确定性函数推导与物理推断创建坝体变形δ与其解释变量集合，进行归一化处理后划分为训练集与预测集。建模对象为重力坝时，变形解释变量包括H、H2、H3、、θ与lnθ，总个数等于选用的水温测点数加六；建模对象为拱坝时，变形解释变量包括H、H2、H3、H4、θ与lnθ，总个数等于可用水温测点数加七；其中，H为监测日上游水深，等于监测日的上游水位减去对应坝段的建基面高程；为距监测日i天的前期气温监测值；为选用的第j个水温测点在监测日前i天的水温监测值；θ为大坝始测日至监测日的累计天数；f(x)为卡方分布概率密度函数，
其表达式为：
[0012][0013]式中x为自变量；n为卡方分布的自由度；Γ(n/2)为伽马函数。
[0014]解释变量归一化处理的公式为：
[0015]x
′
＝(x
‑
x
min
)/(x
max
‑
x
min
)
ꢀꢀꢀꢀ
(16)
[0016]式中x
max
，x
min
分别为用于建模的某一解释变量监测序列的最大值与最小值。
[0017]步骤S2所述卡方分布权重确定的具体过程如下：采用经典的多元线性回归算法确定上述解释变量因子的待拟合参数，构建大坝变形预测模型，再选用决定系数R2，模型拟合及预测结果的平均绝对误差MAE和均方根误差RMSE来衡量模型的优劣，最优模型对应的卡方分布自由度即为所求最佳值，其计算公式如下：
[0018][0019][0020][0021]式中δ
d
为变形实测值；δ
d
′
为变形拟合值；为实测变形的平均值；n为样本个数。
[0022]在确定卡方分布最佳自由度后，根据训练样本集数据，采用GA确定LSTM网络模型最优参数，参数确定方法如下：
[0023]在LSTM网络的前向计算过程中，t时刻大坝变形解释变量矩阵X
t
＝[x
t1
，x
t2
，...，x
tm
]经输入层处理后转化成维数与首个LSTM隐藏层内部单元数匹配的输入矩阵，并分配给各个LSTM单元作为输入数据。通过单元内部遗忘门、输入门和输出门的计算后，得到该时刻单元输出值，再输入到下一个LSTM隐藏层中继续计算。最后一层LSTM隐藏层的输出值经由全连接层合并计算后通过输出层输出得到变形的拟合值δ
t
。前向计算过程中LSTM单元内部的遗忘门控制网络对历史信息的取舍，输入门决定新信息与历史信息合并时的权重，输出门决定单元对外界的响应，各门结构计算函数式如下：
[0024]F
t
＝g(W
f
[x
t
，h
t
‑1]+b
F
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0025]I
t
＝g(W1[x
t
，h
t
‑1]+b
I
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0026][0027][0028]O
t
＝g(W
O
[h
t
‑1，x
t
]+b
O
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24)
[0029]h
t
＝tanh(c
t
)
×
O
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25)
[0030]式中：F
t
，I
t
，O
t
分别为t时刻遗忘门，输入门和输出门计算的向量；W，b分别为对应的权重与偏置矩阵；x
t
为LSTM单元当前的输入变量；为当前候选单元状态；c
t
‑1，c
t
分别为上一时刻和当前时刻的单元状态；h
t
‑1为上一时刻隐藏状态；h
t
为当前时刻隐藏状态，亦为当前时刻LSTM单元的输出；g(x)＝1/(1+e
‑
x
)；tanh＝(e
x
‑
e
‑
x
)/(e
x
+e
‑
x
)。
[0031]LSTM网络模型的训练采用随时间的反向传播BPTT算法：在模型给出变形的拟合值δ
t
后，将根据损失函数计算结果与基于梯度的随机优化方法对网络内部各单元的权重矩阵进行更新，从而完成一次模型的迭代训练。更新权重时，权重优化梯度可通过自适应矩估计算法ADAM或随机梯度下降算法SGD方法进行动态计算；在隐藏层后添加Dropout层并控制网络的迭代训练次数。
[0032]将大坝变形与其解释变量分别作为LST本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混凝土坝变形观测量统计模型构建方法，其特征在于，包括如下步骤：S1，混凝土坝变形监测数据预处理；S2，运用试错法确定描述前期坝面温度影响权重的卡方分布自由度；S3，根据训练样本集数据，采用遗传算法GA确定长短时记忆LSTM网络模型最优参数；S4，根据GA算法迭代求解所得LSTM网络模型最优参数构建基于优化LSTM网络的混凝土坝变形预测模型并实现对混凝土坝变形的预测；S5，检验模型预测精度。2.根据权利要求1所述的一种混凝土坝变形观测量统计模型构建方法，其特征在于，所述步骤S1中混凝土坝变形监测数据预处理，主要以坝体变形基本理论为依据，根据确定性函数推导与物理推断创建坝体变形δ与其解释变量集合，在进行归一化处理后划分为训练集与预测集；建模对象为重力坝时，变形解释变量包括H、H2、H3、、θ与lnθ，总个数等于选用的水温测点数加六；建模对象为拱坝时，变形解释变量包括H、H2、H3、H4、、θ与lnθ，总个数等于可用水温测点数加七；其中，H为监测日上游水深，等于监测日的上游水位减去对应坝段建基面高程；T
iair
为距监测日i天的前期气温监测值；T
iwater_j
为选用的第j个水温测点在监测日前i天的水温监测值；θ为大坝始测日至监测日的累计天数；f(x)为卡方分布概率密度函数，其表达式为：式中x为v变量；n为卡方分布的自由度；Γ(n/2)为伽马函数；解释变量归一化处理的公式为：x
′
＝(x
‑
x
min
)/(x
max
‑
x
min
)
ꢀꢀꢀꢀ
(2)式中x
max
，x
min
分别为用于建模的某一解释变量监测序列的最大值与最小值。3.根据权利要求1所述的一种混凝土坝变形观测量统计模型构建方法，其特征在于，步骤S2中卡方分布自由度的确定过程中采用经典的多元线性回归算法确定上述解释变量因子的待拟合参数，构建大坝变形预测模型；选用决定系数R2、模型拟合及预测结果的平均绝对误差MAE和均方根误差RMSE来衡量模型的优劣，最优模型对应的卡方分布自由度即为所求最佳值，其计算公式如下：其计算公式如下：
式中δ
d
为变形实测值；δ
d
′
为变形拟合值；为实测变形的平均值；n为样本个数。4.根据权利要求1所述的一种混凝土坝变形观测量统计模型构建方法，其特征在于，步骤S3中根据训练样本集数据，采用GA确定LSTM网络模型最优参数，参数确定方法如下：在LSTM网络的前向计算过程中，t时刻大坝变形解释变量矩阵x
t
＝[x
t1
，x
t2
，...，x
tm
]经输入层处理后转化成维数与首个LSTM隐藏层内部单元数匹配的输入矩阵，并分配给各个LSTM单元作为输入数据；通过单元内部遗忘门、输入门和输出门的计算后，得到该时刻单元输出值，再输入到下一个LSTM隐藏层中继续计算；最后一层LSTM隐藏层的输出值经由全连接层合并计算后通过输出层输出得到变形的拟合值δ
t
；前向计算过程中LSTM单元内部的遗忘门控制网络对历史信息的取舍，输入门决定新信息与历史信息合并时的权重，输出门决定单元对外界的响应，各门结构计算函数式如下：F
t
＝g(W
f
[x
t
，h
t
‑1]+b
F
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)I
t
＝g(W1[x
t
，h
t
‑1]+b
I
)
ꢀꢀꢀꢀꢀꢀꢀ
(7)(7)O
t
＝g(W
O
[h
t
‑1，x
t
]+b
O
)
ꢀꢀꢀꢀ
(10)h
t
＝tanh(c
t
)
×
O
t
ꢀꢀꢀꢀꢀꢀꢀꢀ
(11)式中：F
t
，I
t
，O
t
分别为t时刻遗忘门，输入门和输出门计算的向量；...

【专利技术属性】
技术研发人员：魏博文，雷兆星，袁冬阳，
申请(专利权)人：南昌大学，
类型：发明
国别省市：