大坝渗流预测方法及系统技术方案

本发明专利技术属于大坝安全监测技术领域，具体公开了一种大坝渗流预测方法及系统，其中方法包括对大坝的历史渗流数据序列进行分解，得到

【技术实现步骤摘要】
大坝渗流预测方法及系统


[0001]本专利技术公开了一种大坝渗流预测方法及系统，具体为一种基于
EEMD
‑
GRU
的大坝渗流预测方法及系统，属于大坝安全监测

。

技术介绍

[0002]水利工程承担着防洪排涝
、
引水发电
、
农业灌溉
、
城市供水等重要任务
。
与其他基础设施一样，大坝在服役过程中也会受到各种物理
、
化学等不确定性因素的影响，致使大坝出现老化
、
病险，甚至失效
。
渗流是直观反映大坝安全性态的典型效应量之一，也是大坝面临的常见问题
。
[0003]利用实测数据序列预测大坝渗流，是定量分析大坝渗流安全性态的重要方法
。
现有技术通常采用统计模型预测大坝渗流，限于当前监测技术及分析理论制约，统计模型在拟合精度与预报能力上难以进一步提高，导致所得预测结果精度较低
。

技术实现思路

[0004]本申请的目的在于，提供一种大坝渗流预测方法及系统，以解决现有技术中利用统计模型预测大坝渗流存在的预测精度低的技术问题
。
[0005]本专利技术的第一方面提供了一种大坝渗流预测方法，包括：
[0006]步骤
1、
对大坝的历史渗流数据序列进行分解，得到
n
个历史分解分量；
[0007]步骤
2、
训练每一个所述历史分解分量对应的渗流预测模型；
[0008]步骤
3、
将大坝的当前渗流数据序列进行分解，得到
n
个当前分解分量；
[0009]步骤
4、
将每一个当前分解分量输入至对应的一个渗流预测模型中，得到
n
个预测分量；
[0010]步骤
5、
根据所述
n
个预测分量，确定大坝的预测渗流数据序列
。
[0011]优选地，所述步骤5具体包括：
[0012]将所述
n
个预测分量进行累加，得到大坝的预测渗流数据序列
。
[0013]优选地，所述步骤1具体包括：
[0014]步骤
1.1、
将均方根相等的
M
个不同的白噪声序列分别加入至大坝的历史渗流数据序列中，得到
M
组待处理序列；
[0015]步骤
1.2、
对每组所述待处理序列进行分解，得到每组所述待处理序列对应的
n
个过程分解分量；
[0016]步骤
1.3、
根据每组所述待处理序列的
n
个过程分解分量，确定所述大坝的历史渗流数据序列对应的
n
个历史分解分量
。
[0017]优选地，所述步骤
1.3
具体包括：
[0018]获取多组所述待处理序列的每一个对应过程分解分量的均值，得到所述大坝的历史渗流数据序列对应的
n
个历史分解分量
。
[0019]优选地，所述渗流预测模型为门控循环单元神经网络模型
。
[0020]优选地，所述历史渗流数据序列包括历史水压序列
、
历史温度序列
、
历史时效序列中的至少一种以及历史渗流序列
。
[0021]本专利技术的第二方面提供了一种大坝渗流预测系统，包括：
[0022]第一分解模块，所述第一分解模块用于对大坝的历史渗流数据序列进行分解，得到
n
个历史分解分量；
[0023]训练模块，所述训练模块用于训练每一个所述历史分解分量对应的渗流预测模型；
[0024]第二分解模块，所述第二分解模块用于将大坝的当前渗流数据序列进行分解，得到
n
个当前分解分量；
[0025]第一预测模块，所述第一预测模块用于将每一个当前分解分量输入至对应的一个渗流预测模型中，得到
n
个预测分量；
[0026]第二预测模块，所述第二预测模块用于根据所述
n
个预测分量，确定大坝的预测渗流数据序列
。
[0027]本专利技术的大坝渗流预测方法及系统，相较于现有技术，具有如下有益效果：
[0028]本专利技术可以挖掘非线性大坝渗流数据中的部分隐藏信息，提高计算精度
。
与常规模型相比，本专利技术提出的
EEMD
‑
GRU
渗流预测模型有更好的预测效果，各项评价指标优于单一的神经网络，可以更充分发挥出人工智能算法带来的算力提高，为大坝渗流预测提供了新方法
。
附图说明
[0029]图1为本专利技术大坝渗流预测方法的流程图；
[0030]图2为本专利技术大坝渗流预测系统的结构示意图；
[0031]图3中的
(a)
为本专利技术实施例中
P8
‑
11
的渗流序列过程线；
(b)
为本专利技术实施例中
P9
‑
11
的渗流序列过程线；
(c)
为本专利技术实施例中
P10
‑
11
的渗流序列过程线；
[0032]图4是本专利技术实施例中训练集中
P8
‑
11
渗流序列的
EEMD
分解结果；
[0033]图5是本专利技术实施例中各模型在
P8
‑
11
测点的渗流预测结果；
[0034]图6是本专利技术实施例中各模型在
P9
‑
11
测点的渗流预测结果；
[0035]图7是本专利技术实施例中各模型在
P10
‑
11
测点的渗流预测结果
。
[0036]图中，
101
为第一分解模块；
102
为训练模块；
103
为第二分解模块；
104
为第一预测模块；
105
为第二预测模块
。
具体实施方式
[0037]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构
、
技术之类的具体细节，以便透彻理解本专利技术实施例
。
然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术
。
在其它情况中，省略对众所周知的系统
、
装置
、
电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述
。
[0038]本专利技术的第一方面提供了一种大坝渗流预测方法，如图1所示，包括：
[0039]步骤
1、...

【技术保护点】

【技术特征摘要】
1.
一种大坝渗流预测方法，其特征在于，包括：步骤
1、
对大坝的历史渗流数据序列进行分解，得到
n
个历史分解分量；步骤
2、
训练每一个所述历史分解分量对应的渗流预测模型；步骤
3、
将大坝的当前渗流数据序列进行分解，得到
n
个当前分解分量；步骤
4、
将每一个当前分解分量输入至对应的一个渗流预测模型中，得到
n
个预测分量；步骤
5、
根据所述
n
个预测分量，确定大坝的预测渗流数据序列
。2.
根据权利要求1所述的大坝渗流预测方法，其特征在于，所述步骤5具体包括：将所述
n
个预测分量进行累加，得到大坝的预测渗流数据序列
。3.
根据权利要求1所述的大坝渗流预测方法，其特征在于，所述步骤1具体包括：步骤
1.1、
将均方根相等的
M
个不同的白噪声序列分别加入至大坝的历史渗流数据序列中，得到
M
组待处理序列；步骤
1.2、
对每组所述待处理序列进行分解，得到每组所述待处理序列对应的
n
个过程分解分量；步骤
1.3、
根据每组所述待处理序列的
n
个过程分解分量，确...

【专利技术属性】
技术研发人员：费新峰，武志刚，马正龙，张小宁，岳子，
申请(专利权)人：中国电建集团西北勘测设计研究院有限公司，
类型：发明
国别省市：