-
题名基于TCN-自适应的地下洞室围岩变形异常数据识别
- 1
-
-
作者
吴忠明
李天述
张波
周明
张瀚
周靖人
-
机构
浙江华东测绘与工程安全技术有限公司
中国电建集团华东勘测设计研究院有限公司
四川大学山区河流开发保护全国重点实验室
四川大学水利水电学院
-
出处
《人民长江》
北大核心
2024年第8期216-221,共6页
-
基金
四川省科技厅重点研发项目(2022YFS0535)。
-
文摘
水电站地下洞室围岩变形数据具有变化不确定、序列样本短等特点,传统的异常识别方法漏识率、误判率较高。随着智能技术的发展,通过神经网络建立更加可靠的异常识别方法是目前研究的热点,而传统的神经网络存在时序关联性不强和计算模型庞杂等问题。为此,提出了基于时域卷积神经网络(TCN)及标准自适应的地下洞室异常数据识别算法,该算法利用TCN技术,考虑序列的前后关系,建立了更为可靠的序列模型;同时针对地下洞室监测数据特征,通过考虑误差中位数、数据波动和仪器精度3个方面,突现自适应匹配最优识别准则。将该算法应用在叶巴滩水电站地下洞室围岩变形的异常数据识别中,证明了其可有效避免梯度爆炸、消失,模型耗时较长等问题,极大地提高了异常值分析效率和识别率。相关经验可供类似工程异常监测数据识别时借鉴。
-
关键词
异常数据识别
地下洞室
深度学习
时域卷积神经网络
标准自适应
-
Keywords
abnormal data recognition
underground cavern
deep learning
temporal convolutional network(TCN)
criterion adaptation
-
分类号
TV698.1
[水利工程—水利水电工程]
-
