为监测大坝运行过程中的异常状态,防范化解大坝溃坝等重大风险,基于大坝变形大样本、非线性监测数据,引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测,以测试样本的均方根误差最小为适应度函数,采用...为监测大坝运行过程中的异常状态,防范化解大坝溃坝等重大风险,基于大坝变形大样本、非线性监测数据,引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测,以测试样本的均方根误差最小为适应度函数,采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数,建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析,并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明,GA-LSTM模型的预测效果和性能更佳,且相较于LSTM模型和GRU模型各测点预测误差均有减小,平均绝对误差减小量最高达6.92%。展开更多
文摘为监测大坝运行过程中的异常状态,防范化解大坝溃坝等重大风险,基于大坝变形大样本、非线性监测数据,引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测,以测试样本的均方根误差最小为适应度函数,采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数,建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析,并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明,GA-LSTM模型的预测效果和性能更佳,且相较于LSTM模型和GRU模型各测点预测误差均有减小,平均绝对误差减小量最高达6.92%。
