检索结果-维普期刊中文期刊服务平台

云南省大坝白蚁危害分析与分级预防体系建立: 1; 作者陈德辉王子轩 +1 位作者吴曹东欧斌《人民长江》北大核心 2025年第1期205-211,共7页; 为了构建云南省大坝白蚁危害分级预防体系,以实现对大坝白蚁危害的精准防治,采用Ⅲ类危害归一化算法优化白蚁危害处数的统计方式,提出了大坝原始白蚁危害密度的评价方法,选取影响白蚁危害的6项因子,并运用熵权-TOPSIS方法确定了影响因... 展开更多; 关键词白蚁防治土石坝熵权-TOPSIS方法分级预防体系云南省; 在线阅读下载PDF 职称材料

土石坝渗流预测的BiTCN-Attention-LSSVM模型研究: 2; 作者傅蜀燕杨石勇 +2 位作者陈德辉王子轩欧斌《水资源与水工程学报》北大核心 2025年第1期118-128,共11页; 为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN... 展开更多; 关键词土石坝测压管水位渗流预测双向时序卷积神经网络注意力机制最小二乘支持向量机; 在线阅读下载PDF 职称材料

基于改进EMD-LSTM的混凝土坝变形预测模型: 3; 作者欧斌张才溢 +4 位作者陈德辉王子轩杨石勇杨霖傅蜀燕《水利水电科技进展》 CSCD 北大核心 2024年第6期93-99,共7页; 针对混凝土坝变形监测数据的非线性和复杂性等特征,为提高混凝土坝变形预测的精度,提出了一种基于改进经验模态分解(EMD)法和长短期记忆(LSTM)神经网络的混凝土坝变形预测模型。该模型采用小波阈值方法对EMD法分解的高频分量进行优化处... 展开更多; 关键词大坝变形经验模态分解法长短期记忆神经网络小波阈值预测模型; 在线阅读下载PDF 职称材料

基于CNN-BiLSTM的特高拱坝变形预测模型被引量：2: 4; 作者欧斌张才溢 +3 位作者傅蜀燕杨霖陈德辉杨石勇《排灌机械工程学报》 CSCD 北大核心 2024年第10期1031-1035,1043,共6页; 为提高特高拱坝的变形预测精度,提出了一种基于卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的大坝变形预测模型.该模型利用CNN捕捉数据之间的空间关系,进行特征提取,再将其输入到BiLSTM中进行时间维度上的演变规律考虑.通过特征融... 展开更多; 关键词混凝土拱坝卷积神经网络双向长短期记忆网络预测模型; 在线阅读下载PDF 职称材料

基于KPCA降维分析的特高拱坝监测模型被引量：1: 5; 作者王子轩陈德辉 +2 位作者欧斌杨石勇傅蜀燕《人民长江》北大核心 2024年第10期246-254,共9页; 为提高大坝变形预测精度,针对变形数据影响因子间的多重共线性问题,构建了基于核主成分分析(KPCA)、全局搜索策略的鲸鱼优化算法(GSWOA)和门控循环单元(GRU)的组合预测模型。首先利用KPCA对高维变形序列进行降维处理,同时使用GSWOA对GR... 展开更多; 关键词特高拱坝变形监测降维分析核主成分分析(KPCA) 全局搜索策略的鲸鱼优化算法(GSWOA) 门控循环单元(GRU) 小湾水电站; 在线阅读下载PDF 职称材料

基于多层信号分解的混凝土拱坝变形监测模型: 6; 作者王子轩欧斌 +3 位作者陈德辉杨石勇赵定柱傅蜀燕《三峡大学学报（自然科学版）》 CAS 北大核心 2024年第6期1-9,共9页; 为了充分挖掘大坝变形监测数据的非线性和非平稳性特征,本文提出了一种大坝变形监测模型.首先,该模型通过自适应噪声完全集合经验模态分解(CEEMDAN)对变形监测数据进行分解处理.在分解过程中融入样本熵(SE)和K-均值聚类,以确保得到的模... 展开更多; 关键词大坝变形自适应噪声完全集合经验模态分解样本熵 K-均值聚类算法改进的共生生物搜索算法变分模态分解; 在线阅读下载PDF 职称材料

题名云南省大坝白蚁危害分析与分级预防体系建立: 1; 作者陈德辉王子轩吴曹东欧斌; 机构云南农业大学水利学院云南省中小型水利工程智慧管养工程研究中心; 出处《人民长江》北大核心 2025年第1期205-211,共7页; 基金国家自然科学基金项目(52069029,52369026) 云南省农业基础研究联合专项面上项目(202401BD070001-071)。; 文摘为了构建云南省大坝白蚁危害分级预防体系,以实现对大坝白蚁危害的精准防治,采用Ⅲ类危害归一化算法优化白蚁危害处数的统计方式,提出了大坝原始白蚁危害密度的评价方法,选取影响白蚁危害的6项因子,并运用熵权-TOPSIS方法确定了影响因子权重及其对白蚁危害的综合评分。结果表明:云南省大坝白蚁危害呈现南部及西南部较严重,西北部与东北部较轻微的分布态势,综合评分与原始白蚁危害密度呈现高度一致性,验证了评分结果的可靠性。基于此,按不同分值区间建立了一般、中等和重点防范区三级预防体系,并制定了相应的防治措施。研究成果可为云南省大坝白蚁危害精准防治提供科学指导,对其他地区白蚁预防工作具有一定借鉴意义。; 关键词白蚁防治土石坝熵权-TOPSIS方法分级预防体系云南省; Keywords termite hazard prevention and control earth-rock dam entropy weight-TOPSIS method hierarchical prevention system Yunnan Province; 分类号 TV641 [水利工程—水利水电工程] TV698.236 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名土石坝渗流预测的BiTCN-Attention-LSSVM模型研究: 2; 作者傅蜀燕杨石勇陈德辉王子轩欧斌; 机构云南农业大学水利学院河海大学水灾害防御全国重点实验室云南省中小型水利工程智慧管养工程研究中心; 出处《水资源与水工程学报》北大核心 2025年第1期118-128,共11页; 基金国家自然科学基金项目(52069029、52369026) “一带一路”水与可持续发展科技基金资助项目(2023490411) 云南省农业基础研究联合专项面上项目(202401BD070001-071)。; 文摘为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN从前、后两个方向捕获时序数据中的长期依赖关系,引入Attention机制帮助模型专注于与预测相关的关键局部特征,并将BiTCN-Attention深度处理后的特征输入LSSVM模型中进行预测,最后以2个不同的数据集分析了模型的预测效果。案例分析表明:与LSSVM、CNN-LSSVM和TCN-LSSVM相比,BiTCN-Attention-LSSVM模型预测的各项评价指标均为最优,在土石坝测压管水位预测中展现出更高的模型精度和稳定性;BiTCN与Attention的相互结合能够更好地提取时序数据中的相互依赖关系,将BiTCN-Attention提取的特征输入LSSVM中进行预测可获得良好的预测性能,数据集扩充处理后有效提高了模型的学习能力。; 关键词土石坝测压管水位渗流预测双向时序卷积神经网络注意力机制最小二乘支持向量机; Keywords piezometer water level in earth-rock dam seepage prediction bidirectional temporal convolutional network(BiTCN) attention mechanism(Attention) least square support vector machine(LSSVM); 分类号 TV698.11 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名基于改进EMD-LSTM的混凝土坝变形预测模型: 3; 作者欧斌张才溢陈德辉王子轩杨石勇杨霖傅蜀燕; 机构云南农业大学水利学院河海大学水灾害防御全国重点实验室云南省中小型水利工程智慧管养工程研究中心; 出处《水利水电科技进展》 CSCD 北大核心 2024年第6期93-99,共7页; 基金国家自然科学基金项目(52069029,52369026) 水灾害防御全国重点实验室2023年度“一带一路”水与可持续发展科技基金项目(2023490411) 云南省农业基础研究联合专项面上项目(202401BD070001-071)。; 文摘针对混凝土坝变形监测数据的非线性和复杂性等特征,为提高混凝土坝变形预测的精度,提出了一种基于改进经验模态分解(EMD)法和长短期记忆(LSTM)神经网络的混凝土坝变形预测模型。该模型采用小波阈值方法对EMD法分解的高频分量进行优化处理,在去除数据噪声的同时,尽可能保留原始数据的特征信息,并运用LSTM神经网络对处理后的数据进行时序预测。实例验证结果表明,该模型能够准确模拟坝体变形过程,具有较高的预测精度。; 关键词大坝变形经验模态分解法长短期记忆神经网络小波阈值预测模型; Keywords dam deformation empirical modal decomposition method long short-term memory neural network wavelet threshold prediction model; 分类号 TV698.11 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名基于CNN-BiLSTM的特高拱坝变形预测模型被引量：2: 4; 作者欧斌张才溢傅蜀燕杨霖陈德辉杨石勇; 机构云南农业大学水利学院河海大学水文水资源与水利工程科学国家重点实验室云南省中小型水利工程智慧管养工程研究中心; 出处《排灌机械工程学报》 CSCD 北大核心 2024年第10期1031-1035,1043,共6页; 基金国家自然科学基金资助项目(52069029,52369026) 云南省教育厅科学研究基金资助项目(2023J0519)。; 文摘为提高特高拱坝的变形预测精度,提出了一种基于卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的大坝变形预测模型.该模型利用CNN捕捉数据之间的空间关系,进行特征提取,再将其输入到BiLSTM中进行时间维度上的演变规律考虑.通过特征融合和全连接层的拼接,得到更丰富和综合的特征表示,最终映射到预测输出层进行拱坝变形预测.以某拱坝为例,验证了CNN-BiLSTM模型在RMSE等评价指标上具有高精度和稳定性,为混凝土拱坝结构的安全监测提供了新的思路.; 关键词混凝土拱坝卷积神经网络双向长短期记忆网络预测模型; Keywords concrete arch dams convolutional neural networks bidirectional long and short-term memory networks predictive modeling; 分类号 S277.9 [农业科学—农业水土工程]; 在线阅读下载PDF 职称材料

题名基于KPCA降维分析的特高拱坝监测模型被引量：1: 5; 作者王子轩陈德辉欧斌杨石勇傅蜀燕; 机构云南农业大学水利学院云南省中小型水利工程智慧管养工程研究中心; 出处《人民长江》北大核心 2024年第10期246-254,共9页; 基金国家自然科学基金项目(52069029,52369026) 水灾害防御全国重点实验室2023年度“一带一路”水与可持续发展科技基金项目(2023490411) 云南省农业基础研究联合专项面上项目(202401BD070001-071)。; 文摘为提高大坝变形预测精度,针对变形数据影响因子间的多重共线性问题,构建了基于核主成分分析(KPCA)、全局搜索策略的鲸鱼优化算法(GSWOA)和门控循环单元(GRU)的组合预测模型。首先利用KPCA对高维变形序列进行降维处理,同时使用GSWOA对GRU参数进行优化,进而构建出最优变形预测模型。以小湾特高拱坝变形数据为例,将KPCA-GSWOA-GRU模型与KPCA-WOA-GRU模型、PCA-GSWOA-GRU模型以及传统模型进行预测拟合对比。结果表明:KPCA-GSWOA-GRU模型有效降低了多重共线性问题,且在均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R^(2))等方面均优于对比模型。; 关键词特高拱坝变形监测降维分析核主成分分析(KPCA) 全局搜索策略的鲸鱼优化算法(GSWOA) 门控循环单元(GRU) 小湾水电站; Keywords super high arch dam deformation monitoring dimension reduction analysis kernel principal component analysis(KPCA) global search strategy whale optimization algorithm(GSWOA) gated recurrent unit(GRU) Xiaowan Hydropower Station; 分类号 TV698.1 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名基于多层信号分解的混凝土拱坝变形监测模型: 6; 作者王子轩欧斌陈德辉杨石勇赵定柱傅蜀燕; 机构云南农业大学水利学院云南省中小型水利工程智慧管养工程研究中心水灾害防御全国重点实验室; 出处《三峡大学学报（自然科学版）》 CAS 北大核心 2024年第6期1-9,共9页; 基金国家自然科学基金项目(52069029,52369026) 水灾害防御全国重点实验室2023年度“一带一路”水与可持续发展科技基金项目(2023490411) 云南省农业基础研究联合专项面上项目(202401BD070001-071)。; 文摘为了充分挖掘大坝变形监测数据的非线性和非平稳性特征,本文提出了一种大坝变形监测模型.首先,该模型通过自适应噪声完全集合经验模态分解(CEEMDAN)对变形监测数据进行分解处理.在分解过程中融入样本熵(SE)和K-均值聚类,以确保得到的模态分量(IMF)个数能够准确描述大坝变形.然后,对于高频IMF分量,采用变分模态分解(VMD)进行二次分解,并利用偏最小二乘法(PLS)分析变形序列影响因子,以提取最佳的IMF分量作为后续模型的输入因子.最后,利用改进的共生生物搜索算法(ISOS)结合长短期记忆神经网络(LSTM)进行大坝变形的准确预测.研究结果表明:相较于单层信号处理,本文通过二次信号处理可以显著提升模型的预测精度;对二次分解后的IMFs分量进行PLS筛选可以有效避免模型的冗余性,提高计算效率;相较于各对比模型,本文模型在各测点上均具有较好的预测精度和稳定性.本文提出的模型能够深入挖掘大坝监测数据中的拓扑关系,有效保留数据中的高频有用信息,从而提高预测的准确性和平滑性,展示出较好的预测精度和泛化能力.; 关键词大坝变形自适应噪声完全集合经验模态分解样本熵 K-均值聚类算法改进的共生生物搜索算法变分模态分解; Keywords dam deformation complete ensemble empirical mode decomposition of adaptive noise sample entropy K-lmeans clustering algorithm an improved symbiotic biological search algorithm variational mode decomposition; 分类号 TV698.1 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	云南省大坝白蚁危害分析与分级预防体系建立	陈德辉王子轩吴曹东欧斌	《人民长江》北大核心	2025	0	在线阅读下载PDF 职称材料
2	土石坝渗流预测的BiTCN-Attention-LSSVM模型研究	傅蜀燕杨石勇陈德辉王子轩欧斌	《水资源与水工程学报》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于改进EMD-LSTM的混凝土坝变形预测模型	欧斌张才溢陈德辉王子轩杨石勇杨霖傅蜀燕	《水利水电科技进展》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
4	基于CNN-BiLSTM的特高拱坝变形预测模型	欧斌张才溢傅蜀燕杨霖陈德辉杨石勇	《排灌机械工程学报》 CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
5	基于KPCA降维分析的特高拱坝监测模型	王子轩陈德辉欧斌杨石勇傅蜀燕	《人民长江》北大核心	2024	1	在线阅读下载PDF 职称材料
6	基于多层信号分解的混凝土拱坝变形监测模型	王子轩欧斌陈德辉杨石勇赵定柱傅蜀燕	《三峡大学学报（自然科学版）》 CAS 北大核心	2024	0	在线阅读下载PDF 职称材料