摘要：针对土石坝位移变形预测中传统预测莫得的预测效果差和预测精度低等问题，提出基于LSTM神经网络的变形预测模型进行预测分析。通过工程实例分析和模型分析来验证该模型的可行性。结果表明：该模型在大坝变形预测分析中可行，且具有较高精度和准确性。 关键词：位移；模型；LSTM；预测；
0引言
fsp土石坝作为国内最重要的水利工程组成部位之一，其安全稳定性是国家重点关注项目之一。土石最主要的破坏方式为滑动破坏，而通过监测坝体的位移变形能直观的反应出大坝当前的安全状况[1,2]。因此为了保障大坝运行期间的安全，有必要基于监测数据建立大坝的未来预测模型，保障大坝的安全。目前常用的的监测模型有多元回归线性模型、BP神经网络模型、高斯回归模型等预测模型[3]。虽然目前大坝监控预警模型的研究中已经取得了许多的研究进展，但是很多预测模型依据存在收敛速度慢和稳定性差等问题[4]。因此本文基于最新的LSTM神经网络模型建立大坝变形预测模型，实现更好的预测大坝的未来状况。
1LSTM神经网络
长短时记忆网络(long short-term memory network，LSTM) 是S.Hochreiter等人基于循环神经网络(RNN)所提出的一种深度机器学习神经网络[8]，目的是为了解决RNN网络在处理长序列数据时存在的“梯度爆炸或消失”导致无法拟合的问题[5]。LSTM神经网络在保留RNN神经网络的时序反馈结构和自我学习能力的同时，又具有记忆性和非线性学习能力，能很好的处理长时间序列预测问题[6]。LSTM神经网络与RNN神经网络的最大不同在单元格状态97干干（即细胞状态），细胞状态有效的保留了长序列中的有效信息使其可将重要信息进行远距离传输，更好的实现长时间序列的数据处理。
2工程实例分析
以重庆市某水库大坝为实例分析，水库主体工程由水库枢纽、溢洪道、输水结构三部分组成，其中水库枢纽又由大坝挡水建筑物和泄水建筑物组成。其中大坝挡水建筑物为土石坝结构，其材料采用当地材料构成。大坝坝顶高程为980.00m，坝顶宽4m，坝顶长100.00m。取其中的位移监测点#LK1的2010年至2012年的监测数据作为分析材料，预测未来41天的数据。
由于大坝在运行过程中会收到多种的外部因素影响，同时LSTM神经网络模型中越多的相关系数越有利于建立更加精确的神经网络模型。综合大坝运行期间收到多种因素的影响，通过建立多变量因子的时间序列模型实现对大坝未来监测数据的精确预测。根据最新的科学研究报告于相关文献[7]，土石坝水平位移主要受到上下游水位、时效和温度等因素影响。因此本文的LSTM神经网络模型的环境因子由上游水位、下游水位、时间因素、稳定因素组成。
LSTM神经网络的模型参数设置如下：隐藏节点数为100，最大迭代次数（Max_Epochs）为200、学习下降因子（Learn_Rate_DropPeriod）为0.1、初始学习速率（Initial_Learn_Rate）为0.01、参数寻优算法为Sigmoid 算法。使用matlab进行LSTM神经网络模型建模。模型的计算结果如下图所示：
图1、预测结果和实际数据对比图
由图一可以明显看出，LSTM神经网络模型的预测结果与实际结果之间的走向趋势和拟合程度都非常的高，基本符合拟合实际的运行曲线。LSTM神经网络模型的预测结果的决定系数为0.9052，十分接近1，说明预测结果符合实际结果。均方根误差（RMSE）和平均绝对误差(MAE)上则分别为0.4521和0.0654，都低于常用的预测模型结果，说明该模型的预测误差小。综上所示，通过工程实例证明该模型在预测大坝未来结果中具有更高的准确性和精度。
3结论
本文分析LSTM神经网络的来源与原理，建立了基于LSTM神经网络的大坝未来监测数据预测模型，通过工程实例分析和模型验证分析，证明该模型在实际工程中的可行性和实用性，并且证明该模型相交于其他传统模型具有更高的精度和准确性。
参考文献：
飞烟传[1]吴中如, 大坝与坝基安全监控理论和方法及其应用研究. 混凝土质量控制标准江苏省,河海大学,2002-10-01.
[2]赵二峰,顾冲时.混凝土坝长效服役性态健康诊断研究述评[J].水力发电学报,2021,40(05):2
2-34.
[3]周伟,马刚,安妮,林明春,常晓林.高堆石坝变形监测和变形预测关键技术及工程应用[J].水利规划与设计,2022,No.229(11):54-60.
天津城建大学疫情
[4]黄世秀,洪天求,高飞.基于小波消噪及BP神经网络的大坝变形分析[J].人民长江,2011,42(09):
[5]王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.基于LSTM循环神经网络的故障时间序列预测[J].北京航空航天大学学报,2018,44(04).
[6]杨青,王晨蔚.基于深度学习LSTM神经网络的全球股票指数预测研究[J].统计研究,2019,36(03).
[7]. 基于BiLSTM算法的瓦斯浓度预测方法[C]//中国煤炭学会煤矿自动化专业委员会.第30届全国煤矿自动化与信息化学术会议暨第11届中国煤矿信息化与自动化高层论坛论文集.
二级医院
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议