[发明专利]基于LSTM网络的水工建筑物多效应量优化预测及可视化方法

说明书

一种基于LSTM网络的水工建筑物多效应量优化预测及可视化方法，包括以下步骤：获取原型观测资料；对原型观测资料进行预处理，并将预处理后的数据集划分成为训练集、验证集以及测试集；利用训练集、验证集以及测试集构造LSTM预测模型，即LSTM网络；对LSTM网络进行超参数调试，从而优化LSTM算法；利用直接多步预测方法对LSTM预测模型进行外延预测；采用t‑SNE技术对LSTM网络相关性学习进行可视化表征，即完成了基于LSTM网络的水工建筑物多效应量优化预测及可视化。本发明为水工建筑物的安全监控方法提供了新思路，也为深度学习推广应用奠定了研究基础。

技术领域

本发明涉及水工建筑物安全监控方法，特别涉及一种基于LSTM网络的水工建筑物多效应量优化预测及可视化方法。

背景技术

为达到防洪、发电、灌溉、供水等目的，需要修建不同类型的水工建筑物以控制和调配水流，如挡水建筑物、输水建筑物、整治建筑物等。结构安全是建筑物发挥调控功能的前提，而安全管理为建筑物正常运行提供保障，尤以长期安全监控为甚。将各种仪器布设于水工建筑物关键部位，通过监测变形、渗流等效应量，从不同维度综合反映其工作性态。根据原型观测资料，利用统计学、机器学习等方法，构建多效应量数学监控模型，能够及时掌握和预测建筑物结构性能的重要变化，从而为评价建筑物安全状况、发现建筑物异常迹象提供科学依据。

依据构建方法的不同，常规水工建筑物安全监控模型大致分为统计模型、确定性模型和混合模型。上世纪末，人工智能技术攻关和行业应用发展势头迅猛。吴中如等率先将人工神经网络(ANN)、支持向量机(SVM)等建模方法成功应用于水工建筑物安全性态分析。之后，利用机器学习算法对不同效应量进行建模预测一直是水工建筑物安全监控领域的研究热点。目前，水利信息化建设偏重于监测仪器和信息集成系统的升级改造，而对数据分析方法的研究和创新关注较少。尽管ANN、SVM等浅层学习算法相较于统计模型在非线性信息提取方面有较大提升，但在某些场景下仍旧难以满足监控需求。深度学习是ANN发展的突破，其利用复杂结构或多重非线性变换处理层对数据进行高度抽象，因而在隐含信息挖掘方面优势明显。其中，长短期记忆网络(Long Short-Term Memory，LSTM)能够充分挖掘时序数据中的时间依赖性以增加信息维度，从而实现对滑坡位移、地下水埋深等监测量的高精度预测。LSTM网络仍存在不足，可以通过集成、参数调试等方法优化。而在水工建筑物安全监控领域，有关LSTM等深度学习算法的应用探索还鲜有报道，仅有少量研究将其用于大坝变形预报，目前尚未扩展到其他水工建筑物，亦未针对监测数据自身特性进行优化处理。

因此，目前亟需一种对水工建筑物安全监控的优化方法。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于LSTM网络的水工建筑物多效应量优化预测及可视化方法，以期部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的一方面，提供了一种基于LSTM网络的水工建筑物多效应量优化预测及可视化方法，包括以下步骤：

获取原型观测资料；

对所述原型观测资料进行预处理，并将预处理后的数据集划分成为训练集、验证集以及测试集；

利用所述训练集、验证集以及测试集构造LSTM预测模型，即LSTM网络；

对所述LSTM网络进行超参数调试，从而优化LSTM算法；

利用直接多步预测方法对所述LSTM预测模型进行外延预测；以及

采用t-SNE技术对LSTM网络相关性学习进行可视化表征，即完成了基于LSTM网络的水工建筑物多效应量优化预测及可视化。

其中，所述对所述原型观测资料进行预处理包括数据清洗、降噪平滑、数据变换和数据均匀化。