【技术实现步骤摘要】
本专利技术涉及大坝变形预测，更具体的说是涉及一种基于特征分解和深度学习的大坝变形预测方法及系统。
技术介绍
1、变形是混凝土坝安全状态的直接指标，它反映了材料和结构在多因素共同作用下的非线性动力演化。基于监测位移的解释和预测是监测和识别混凝土坝安全状态的重要手段。因此，连续、充分的变形监测数据对于可靠的大坝变形预测模型至关重要。许多老大坝普遍监测系统不完善或不合理，导致观测不足。即使是监测设计完善的新建大坝，由于仪器故障或主动干扰，数据连续性和可靠性也较差，而且新建大坝运行初期的所有测点都缺乏数据样本。现有技术中获取监测数据的方法，如传统的插值方法和深度学习方法都侧重于插值监测值，依赖于同一大坝临近测点数据。然而，这些研究关注的是充足的数据和从头开始训练的机器学习，并没有完全考虑观察不足的问题。
2、因此，如何提出一种基于特征分解和深度学习的大坝变形预测方法及系统，通过借鉴其他类似大坝的变形数据，对观测不足的混凝土大坝进行预测，通过迁移学习来预学习获得一般变形知识，填补不足的数据空白，从而做出准确的大坝变形预测是本领域技术人...
【技术保护点】
1.一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，所述将源域和目标域的大坝变形序列均分解为子序列包括：通过变分模态分解将源域和目标域的大坝变形序列均分解为子序列，源域的大坝变形序列为已知的同类型大坝变形序列数据，目标域的大坝变形序列为待测大坝的变形序列数据。
3.根据权利要求2所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，所述通过变分模态分解将源域和目标域的大坝变形序列分解为子序列包括：
4.根据权利要求1所述的一...
【技术特征摘要】
1.一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，所述将源域和目标域的大坝变形序列均分解为子序列包括：通过变分模态分解将源域和目标域的大坝变形序列均分解为子序列，源域的大坝变形序列为已知的同类型大坝变形序列数据，目标域的大坝变形序列为待测大坝的变形序列数据。
3.根据权利要求2所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，所述通过变分模态分解将源域和目标域的大坝变形序列分解为子序列包括：
4.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，分别对所述子序列进行评估包括：通过色散熵评估子序列的随机性，通过最大信息系数评估子序列的相关性。
5.根据权利要求4所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，还包括：计算各子序列的散布熵de值进行随机性评估，散布熵de值与信号的趋势性、周期性、有序性成负相关；计算各子序列与变形序列的最大互信息系数mic值进行有效子序列筛选；最大互信息系数mic值与子序列包含变形序列的可用信息数量、子序列和变形序列的依赖程度成正相关。
6.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，所述匹配源域和目标域特征分量的相似度...
【专利技术属性】
技术研发人员：陈旭东，胡少伟，陈泽铧，李刘洋，孙文浩，郭进军，秦向南，
申请(专利权)人：郑州大学，
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。