Indexed by：
Abstract：
构建高精度的变形预测模型对于大坝风险评估及防治措施制定具有极其重要的意义.传统的大坝变形预测模型鲜有针对大坝的变形滞后性特点以及变形特征因子的影响性分析与评估,这会对模型的预测精度造成较大的影响,并导致模型缺乏可解释性.针对上述问题,本文提出一种结合时间注意力机制的门控循环单元神经网络(GRU)架构.首先通过卡尔曼滤波(Kalman Filter)对原始大坝变形数据中由于监测器异常导致的随机噪声与异常值进行处理.其次,利用随机森林(RF)对各变形特征因子的重要性进行分析和评估,筛选模型输入的特征因子.最后,针对大坝变形的滞后性,利用时间注意力机制进一步提高GRU模型对时间维度上的动态特征关注度,增强模型对时间维度信息的自适应学习能力,且对时间注意力进行可视化进一步提高了大坝变形预测模型在隐藏状态阶段上的可解释性.通过工程实例研究结果表明,卡尔曼滤波在大坝变形监测中确实存在一定适用性,同时本文所提出的耦合时间注意力机制的变形预测模型有着较高的预测精度,对于预测过程中的隐藏状态层级有较强的解释性,并揭示了温度与水位因素对大坝变形的长期影响,为大坝变形安全监测提供了一种新的有效方法.
Keyword：
Reprint 's Address：
Email：
Source ：
水力发电学报
ISSN： 1003-1243
Year： 2022
Issue： 7
Volume： 41
Page： 72-84
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 4
Affiliated Colleges：
