[发明专利]一种基于集成学习的大坝变形预测方法

说明书

本发明公开了一种基于集成学习的大坝变形预测方法，对大坝上观测点连续监测得到的垂直位移观测数据进行预处理，得到重力拱坝上点的沉降变形量与水压、温度和时效因素的关系；对预处理后的数据集进行划分，利用神经网络构建单个大坝变形预测模型，并对单个大坝变形预测模型进行训练；采用十折交叉检验方法对单个大坝变形预测模型的输出结果进行验证，确定最优模型参数，得到简单神经网络模型；将若干简单神经网络模型的输出结果进行加权平均，得到集成结果；对集成学习模型进行精度评估并验证其泛化性能。使用本发明方法，大坝变形预测精度较统计模型提高了27％，较单神经网络模型平均提高了16％，且集成模型更加稳定。

技术领域

本发明属于大坝安全监测领域，特别涉及了一种大坝变形预测方法。

背景技术

大坝对合理配置及利用水资源非常重要，在供水、旅游、发电、航运等方面发挥着不可替代的作用，也是防洪工程体系的关键组成部分。大坝不仅为人们带来了巨大的综合经济效益，也为江河流经区域的人们的生产生活提供了安全保障。但是，一旦大坝出现险情，就会造成严重的经济损失或人员伤亡。由于时间的推移，大坝运行的结构、基础、环境等各种条件逐渐发生变化，加之监控不到位，导致大坝出现了一些安全隐患。大坝的损坏一般都是由量变到质变的，这个过程是不可能靠人的直觉来发现的，因而为确保大坝的安全运营，必须进行完善可靠的变形监测工作。在大坝变形监测数据处理与分析的过程中，建立良好的大坝变形分析模型是至关重要的。目前应用最多的大坝安全监控模型主要是统计模型、确定性模型和混合模型。庞大的大坝观测资料会导致数据分析和处理的工作量巨大，且大坝安全监控系统是一个复杂的时变系统，其所表现出的复杂性己经不是传统的数学监控模型所能解决的了。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种基于集成学习的大坝变形预测方法，通过将多个简单神经网络模型进行集成，可以有效提高大坝变形预测的稳定性和精度。

为了实现上述技术目的，本发明的技术方案为：

一种基于集成学习的大坝变形预测方法，包括以下步骤：

(1)对大坝上观测点连续监测得到的垂直位移观测数据进行预处理，得到重力拱坝上点的沉降变形量Y_S与水压Y_H、温度Y_T和时效Y_θ因素的关系；

(2)对预处理后的数据集进行划分，利用神经网络构建单个大坝变形预测模型，确定模型结构，并对单个大坝变形预测模型进行训练；

(3)采用十折交叉检验方法对单个大坝变形预测模型的输出结果进行验证，确定最优模型参数，得到简单神经网络模型；

(4)将若干简单神经网络模型的输出结果进行加权平均，得到集成结果；

(5)对集成学习模型进行精度评估并验证其泛化性能。

进一步地，在步骤(1)中，所述重力拱坝上点的沉降变形量Y_S与水压Y_H、温度Y_T和时效Y_θ因素的关系如下式：

上式中，H是坝前水深；a₀是常数项，a_i是水压因子回归系数，i＝1～3，表示水压3分量；t是累计观测的天数；b_1j、b_2j是温度因子回归系数，j＝1～2，用于模拟温度变化的年周期和半年周期；θ是累计进行观测的天数除以100；c₁、c₂是时效因子回归系数。

进一步地，在步骤(2)中，将水压分量H¹，H²，H³，温度分量时效分量θ，lnθ作为单个神经网络模型的输入，大坝变形量作为输出，构建单个大坝变形预测模型。