CN117313201A - 考虑堆石坝多测点复杂关联性时空融合的变形预测方法及*** - Google Patents
考虑堆石坝多测点复杂关联性时空融合的变形预测方法及*** Download PDFInfo
- Publication number
- CN117313201A CN117313201A CN202311246143.6A CN202311246143A CN117313201A CN 117313201 A CN117313201 A CN 117313201A CN 202311246143 A CN202311246143 A CN 202311246143A CN 117313201 A CN117313201 A CN 117313201A
- Authority
- CN
- China
- Prior art keywords
- time
- fusion
- deformation
- space
- measuring points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 238000007499 fusion processing Methods 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 230000008878 coupling Effects 0.000 claims description 14
- 238000010168 coupling process Methods 0.000 claims description 14
- 238000005859 coupling reaction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 239000012636 effector Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 239000000969 carrier Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Medical Informatics (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供考虑堆石坝多测点复杂关联性时空融合的变形预测方法及***，能够充分考虑多测点间复杂关联进行时空融合，针对堆石坝变形监测数据高噪声和漂移性的特点，实现整体变形准确实时预测。变形预测方法包括：步骤1，监测数据前处理：对监测的坝体变形与环境因子时间序列数据进行前处理；步骤2，基于前处理后的数据构造样本，采用滑动窗口方式构建数据集，将样本按比例划分为训练集与验证集；步骤3，确定复杂关系下多测点融合过程中待注入的先验信息，计算邻接矩阵；步骤4，构建时空融合的变形预测模型；步骤5，采用训练集训练变形预测模型，通过验证集获取最优模型，并根据最新监测数据完成准实时变形预测。
Description
技术领域
本发明属于水工结构工程技术领域，具体涉及考虑堆石坝多测点复杂关联性时空融合的变形预测方法及***。
背景技术
堆石坝变形预测的模型分为确定性模型、混合模型和统计模型，前两者需求解物理方程，属于模型驱动类；后者根据监测数据，建立影响因子与变形效应量之间的回归关系，以拟合多元线性方程为主。随着数据科学与人工智能的发展，机器学习与智能优化算法也被用于非线性回归问题。现有的堆石坝变形预测应用了长短期记忆网络、门控循环单元、时间卷积网络和Transformer等深度学习模型以考虑变量间的时序依赖关系。
但是，堆石坝监测数据呈现漂移性与高噪声的特点，现有模型暂未考虑该问题，因此泛化能力较低。坝工理论认为堆石坝是一个变形协调的整体，现阶段也未有模型实现引入先验信息以考虑多测点复杂关联，并且未能实现时空信息融合以及完成坝体多测点整体预测。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供考虑堆石坝多测点复杂关联性时空融合的变形预测方法及***，能够充分考虑多测点间复杂关联进行时空融合，针对堆石坝变形监测数据高噪声和漂移性的特点，实现整体变形准实时预测。
为了实现以上目的，本发明采用了以下方案：
<方法>
如图1所示，本发明提供考虑堆石坝多测点复杂关联性时空融合的变形预测方法，其特征在于，包括以下步骤：
步骤1，监测数据前处理：对监测的坝体变形与环境因子时间序列数据进行前处理；
步骤2，基于前处理后的数据构造样本，采用滑动窗口方式构建数据集，将样本按比例划分为训练集与验证集；
步骤3，确定复杂关系下多测点融合过程中待注入的先验信息，计算邻接矩阵；
步骤4，构建时空融合的变形预测模型；
步骤4.1，基于图卷积网络进行多测点复杂关系下的特征空间融合；
在大坝监测***中，将测点视为节点，具有对应的特征向量；在每次图卷积过程中，均视当前测点为中心测点，与其存在连接的邻居测点将特征传递给中心测点；图卷积过程可由下式表示：
式中，X(l)为第l层的特征矩阵，W(l)为第l层的可训练权重矩阵，σ(·)为非线性变换函数，A为作为先验信息的加权邻接矩阵，在图卷积中需考虑中心节点的自连接，故实际计算采用其中I为单位矩阵；/>为/>的度矩阵，对角元素值取/>
考虑多测点的复杂关系进行多测点特征融合：
式中，GCN(·)表示各先验信息下采用邻接矩阵的图卷积方法，A(·)表示各关系下的邻接矩阵，X表示输入多测点特征矩阵，X(·)表示各关系下的融合特征，Xfusion为考虑m种复杂关系后的最终融合特征；
步骤4.2，采用长短期记忆单元进行时序依赖挖掘；
步骤4.3，基于图卷积网络的空间特征融合与基于长短期记忆单元的时序依赖挖掘过程，提出两种时空融合单元的方法，分别为离散时空融合单元与耦合时空融合单元。离散时空融合单元将空间融合过程与时序依赖挖掘设计为串联式，即空间融合的输出作为长短期记忆单元的输入；耦合时空融合单元将图卷积与长短期记忆单元结合，遗忘门、更新权重和输出门等信息皆采用图卷积方式进行计算，取代传统长短期记忆单元中的可训练矩阵W；
在离散时空融合单元中，步骤4.1与步骤4.2为串联关系，步骤4.2的输入Xt为步骤4.1中输出的考虑多种复杂关系后的最终融合特征Xfusion；
在耦合时空融合单元中，步骤4.1与步骤4.2为耦合关系，长短期记忆单元中的遗忘门、更新权重和输出门等信息皆采用图卷积方式进行计算，取代长短期记忆单元中的可训练矩阵W；
步骤4.4，设定噪声分布存在时序差异性，时空融合单元输出隐层记忆Ht，通过线性层获取变形量概率预测的高斯分布参数；
步骤5，采用训练集训练变形预测模型，通过验证集获取最优模型，并根据最新监测数据完成准实时变形预测。
优选地，本发明提供的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，在步骤4.3中，耦合时空融合单元的遗忘门、更新权重和输出门信息计算公式为：
式中，Xt为当前时间步的输入特征；Ht-1、Ct-1、Ht、Ct分别表示上一时间步t-1与当前时间步t的隐层记忆H和细胞状态C；Ft为遗忘门，表示对上一时间步重要信息的筛选，GCNxf(·)、GCNhf(·)为遗忘门的可训练图卷积过程，bf为遗忘门的偏置量；It为更新权重，GCNxi(·)、GCNhi(·)为更新门的可训练图卷积过程，bi为更新门的偏置量；为待更新信息，GCNxc(·)、GCNhc(·)为待更新信息的可训练图卷积过程，bc为待更新信息的偏置量；Ot为输出门，GCNxo(·)、GCNho(·)为输出门的可训练图卷积过程，bo为更新门的偏置量。
优选地，本发明提供的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，在步骤4.4中，概率预测输出由下式表示：
μt＝WμHt+bμ
σt＝softplus(WσHt+bσ)
yt～N(μt,σt)
式中，Wμ、bμ、Wσ、bσ为可训练参数，Softplus(·)为激活函数类型，yt为变形预测模型的最终变形预测值。
优选地，本发明提供的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，步骤5包括如下子步骤：
步骤5.1，将采用全过程训练的模型在推断时的任务描述如下：给定多测点变形滞后序列与多测点环境因子(比如，时效因子、水位因子)序列预测多测点变形未来序列/>T0为历史滞后长度，T1为预测长度；将环境因子与效应量合并为矩阵形式Xt＝concat(yt-1,xt)，作为对应时间步时空融合单元的初始输入特征X；
采用训练集对模型进行全过程训练，全过程输出与标签序列共同用于计算损失函数，采用Adam优化器训练；
步骤5.2，将验证集代入每轮训练的模型进行样本推断，设置训练早停机制，以获取使验证集指标达到最优的最终模型；在推断中，将特征矩阵依次代入模型获得T0+1时刻高斯分布参数，从中采样得到/>然后将该预测值视为已知数据迭代入T0+2时刻的输入特征矩阵/>同理，经过T1-1次迭代最终获得推断序列
步骤5.3，获取最优预测模型后，以实时变形监测序列尾部T0个数据为基础，进行滚动预测；将前一轮预测结果加入变形序列中，继续将尾部T0长度的数据视为已知值参与下一次预测，最终获取满足预测长度的实时变形预测序列。
优选地，本发明提供的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，在步骤5.1中，概率预测损失函数计算公式如下：
式中，下标s、n和t分别代表样本编号、测点编号和时间步，p(X)为样本分布，S为训练样本总数。
优选地，本发明提供的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，步骤3包括如下子步骤：
步骤3.1，根据堆石坝变形监测数据特点并结合具体工程经验，确定多测点复杂关联下需注入的先验信息；
步骤3.2，依据先验信息，确定邻接矩阵的计算方式。
优选地，本发明提供的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，在步骤3.2中，需考虑复杂关系下的先验信息包括：测点空间距离、测点布置方式、测点所在分区及测点序列相似度等；
针对上述复杂关系设计的邻接矩阵计算方式有如下几种：
空间距离高斯相似函数，考虑多测点间的空间距离关系：
式中，dist(i,j)表示两测点在欧几里得空间中的距离，σ为距离的统计标准差；
0-1阶跃函数，考虑多测点间测点布置、分区等属性关系：
式中，Pi、Pj表示两测点的某种参考属性；
序列相似函数，考虑实际监测序列的相似程度：
式中，DTW(i,j)表示两测点间动态时间规整下的相似距离。
根据具体工程的关注情况，可选择以上三种中任何一种或者几种计算邻接矩阵；也可以在步骤3中根据所需注入的关联信息设计其它计算方式来计算邻接矩阵，这些并不影响后续步骤的计算处理过程，本发明都可以适用。
优选地，本发明提供的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，在步骤4.2中，采用长短期记忆单元作为时序依赖挖掘的的工具，历史信息以时序融合中的细胞状态与隐层记忆为载体传递到当前时刻，并结合当前特征输入挖掘时序依赖信息。
优选地，本发明提供的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，在步骤2中，将步骤1中前处理后的多测点变形监测数据视为如下序列：{y1,y2......,yt-1,yt},y∈N,总长度为t，测点总数为N；采用固定长度为T0+T1的窗口在多测点序列上逐步滑动，每个窗口内的数据视为一个训练样本，以此获取总数目为t-T0-T1+1的训练样本，具体形式如下：
式中，T0为表示模型输入数据长度的滞后长度，T1为表示模型输出数据长度的预测长度；
将上述所有样本按一定比例划分为训练集与验证集，一般取尾部样本数据的20％-30％为验证集。
优选地，本发明提供的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，在步骤1中，前处理包括质量检查、插值重采样与归一化处理；具体为，通过坝址区域监测装置收集坝体变形与环境因子时间序列并进行质量检查，主要流程依次为：去除片段缺失较长、采样数目较少的测点——采用Grubbs检验剔除序列中明显异常的离群点——采用线性插值方法对序列进行目标频率下的重采样——对序列进行归一化处理(归一化方式可选择0-1归一化，-1-1归一化，Z-Score归一化等)。
另外，本发明以上所有方法仅需在文本文档中定义少量模型超参数与提供表格形式的原始数据，其余步骤及技术均通过例如Python语言与Pytorch框架设计成完整程序。
<***>
进一步，本发明还提供了考虑堆石坝多测点复杂关联性时空融合的变形预测***，能够自动实现上述<方法>，其特征在于，包括：
监测数据前处理部，对监测的坝体变形与环境因子时间序列数据进行前处理；
样本构造部，将前处理后的数据作为样本，采用滑动窗口方式构建数据集，将样本按比例划分为训练集与验证集；
先验信息确定部，确定复杂关系下多测点融合过程中待注入的先验信息，计算邻接矩阵；
预测模型构建部，根据如下步骤4.1～4.4构建时空融合的变形预测模型；
步骤4.1，基于图卷积网络进行多测点复杂关系下的特征空间融合；
将大坝监测***中的测点视为节点，具有对应的特征向量；在每次图卷积过程中，均视当前测点为中心测点，与其存在连接的邻居测点将特征传递给中心测点；考虑多测点的复杂关系进行多测点特征融合：
式中，GCN(·)表示各先验信息下采用邻接矩阵的图卷积方法，A(·)表示各关系下的邻接矩阵，X表示输入多测点特征矩阵，X(·)表示各关系下的融合特征，Xfusion为考虑m种复杂关系后的最终融合特征；
步骤4.2，采用长短期记忆单元进行时序依赖挖掘；
步骤4.3，构建两种时空融合单元，分别为离散时空融合单元与耦合时空融合单元；
在离散时空融合单元中，步骤4.1与步骤4.2为串联关系，步骤4.2的输入Xt为步骤4.1中输出的考虑多种复杂关系后的最终融合特征Xfusion；
在耦合时空融合单元中，步骤4.1与步骤4.2为耦合关系，长短期记忆单元中的遗忘门、更新权重和输出门信息皆采用图卷积方式进行计算，取代长短期记忆单元中的可训练矩阵W；
步骤4.4，设定噪声分布存在时序差异性，时空融合单元输出隐层记忆Ht，通过线性层获取变形量的高斯分布参数；
变形预测部，采用训练集训练变形预测模型，通过验证集获取最优模型，并根据最新监测数据完成准实时变形预测；
输入显示部，用于让用户输入操作指令，并进行相应显示；
控制部，与监测数据前处理部、样本构造部、先验信息确定部、预测模型构建部、变形预测部、输入显示部均通信相连，控制它们的运行。
发明的作用与效果
(1)本发明考虑了堆石坝多测点间的复杂关联性，提出了两种时空融合单元，使多测点复杂关系下的空间特征与时序依赖信息在时间轴中相互融合与层层递进，根据时空融合特征实现整体变形预测。
(2)本发明针对堆石坝数据高噪声与漂移性的特点，分别提出了概率预测与全过程训练方法，可解决漂移数据长期预测难题，提高模型对各类型数据建模的鲁棒性。
(3)本发明对模型超参数拟定要求低，并且通过单一模型便可实现堆石坝多测点整体预测，具有较小的模型参数量，训练与推断速度快，可部署到数字孪生平台，实现堆石坝变形的整体、准确、高效、准实时预测。
综上，本发明能够实现堆石坝变形预测的整体性、准确性与高效性，
附图说明
图1为本发明涉及的考虑堆石坝多测点复杂关联的时空融合变形预测方法的流程图；
图2为本发明实施例涉及的前处理前后时程线图；
图3为本发明实施例涉及的依据堆石坝测点布置计算高斯距离相似函数的加权邻接矩阵的示意图；
图4为本发明实施例涉及的浅层串联式时空融合单元的结构示意图；
图5为本发明实施例涉及的模型训练与推断过程示意图；
图6为本发明实施例涉及的模型训练损失与验证指标变化曲线图；
图7为本发明实施例涉及的各模型预测结果对比图；其中，(a)为四个测点训练序列图，(b)～(e)依次为4号、13号、30号、37号测点的预测结果对比图；
图8为本发明实施例涉及的各模型参数与训练时间对比图；
图9为本发明实施例涉及的最新监测数据准实时预测结果示意图。
具体实施方式
以下结合附图对本发明涉及的考虑堆石坝多测点复杂关联性时空融合的变形预测方法及***的具体实施方案进行详细地说明。
<实施例>
如图1所示，本实施例以国内某面板堆石坝工程为例，提出了一种考虑堆石坝多测点复杂关联的时空融合变形预测方法，包括以下步骤：
步骤1，对坝体变形与环境因子时间序列进行质量检查、插值重采样与归一化处理。本工程考虑最大监测断面，去除大量数据缺失的31号测点后，共计37个测点序列作为研究对象。图2为经过上述前处理步骤前后某测点序列时程线。
步骤2，采用滑动窗口方式构建数据集，实验中序列总长度t为158，滞后长度T0为12，预测长度T1为4，划分的总样本数为143，按照8：2的比例将样本划分，得到训练样本数为114，验证样本数为29。
步骤3，以考虑测点间空间距离这一先验信息为例，计算基于空间距离高斯相似函数的加权邻接矩阵。通过设计图纸可以得到各测点间的坐标信息，并计算得到如图3所示的矩阵。
步骤4，构建时空融合变形预测模型。以浅层时空融合单元为例，图4为图卷积操作与长短期记忆的串联结构，考虑37个测点，输入特征包括历史沉降变形、上游水位和时效因素，如下式表示：
{yt-1,Δt,(θ/100)t,ln(θ/100)t}
因此，图卷积网络的输入特征形状为37×4。将经过图卷积网络得到的特征直接作为长短期记忆的输入，确定隐层维度为20，通过网络计算得到时空融合后的输出隐层记忆形状为37×20。最后采用线性层输出高斯分布参数，其均值与标准差形状分别为37×1、37×1。
步骤5，采用全过程方式训练模型，在验证集中进行推断以获取最优模型，模型训练与推断如图5所示。通过早停机制，获得最优模型，图6为模型训练过程中的损失函数变化与验证指标变化曲线。
在变形预测时，为突出在堆石坝整体变形预测中，本模型相比其他模型在预测精度与训练效率方面的优势，设计了对比实验，其中本模型依据经验初步拟定滞后长度、预测长度、神经元数量等超参数，其他模型均采用贝叶斯超参数优化方法选择对其最优的超参数。选择最具代表性的四个测点进行变形预测效果测试，如图7所示，4号测点的沉降变形数据具有明显的周期性变化，13号测点数据为趋势性和周期性混合，30号测点数据以趋势性为主，37号测点数据呈现典型的阶梯增长，上述测点变化类型基本覆盖堆石坝变形的几种变化方式。图8为各模型参数量与训练时间对比，表明本方法相比其他方法不仅预测精度高，而且模型效率高、对超参数拟定要求低，能够满足堆石坝整体变形准实时预测要求。
之后，在已有最新监测数据基础上，进行为期一年的滚动长时预测，预测结果如图9所示。预测结果表明，测点变形序列符合该处坝体受库水位变动产生循环加卸载变形的规律，坝体变形仍会累积，变形增长幅度并未表现出明显收敛趋势。因此，本模型的预测结果具有合理性，可应用于堆石坝变形预测中。
<实施例二>
本实施例二中，提供能够自动实现以上本发明方法的考虑堆石坝多测点复杂关联性时空融合的变形预测***，该***包括前处理部、样本构造部、先验信息确定部、预测模型构建部、变形预测部、输入显示部、控制部。
前处理部行上文步骤1所描述的内容，对监测的坝体变形与环境因子时间序列数据进行前处理。
样本构造部行上文步骤2所描述的内容，将前处理后的数据作为样本，采用滑动窗口方式构建数据集，将样本按比例划分为训练集与验证集。
先验信息确定部行上文步骤3所描述的内容，确定复杂关系下多测点融合过程中待注入的先验信息，计算邻接矩阵。
预测模型构建部行上文步骤4所描述的内容，构建时空融合的变形预测模型。
变形预测部行上文步骤5所描述的内容，采用训练集训练变形预测模型，通过验证集获取最优模型，并根据最新监测数据完成准实时变形预测。
输入显示部用于让用户输入操作指令，并进行相应显示。例如，对各个部的输入、输出数据和处理过程以文字、表或者静态或动态图、二维或三维模型图的方式进行显示。
控制部与前处理部、样本构造部、先验信息确定部、预测模型构建部、变形预测部、输入显示部均通信相连，控制它们的运行。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的考虑堆石坝多测点复杂关联性时空融合的变形预测方法及***并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。
Claims (10)
1.考虑堆石坝多测点复杂关联性时空融合的变形预测方法，其特征在于，包括以下步骤：
步骤1，监测数据前处理：对监测的坝体变形与环境因子时间序列数据进行前处理；
步骤2，基于前处理后的数据构造样本，采用滑动窗口方式构建数据集，将样本按比例划分为训练集与验证集；
步骤3，确定复杂关系下多测点融合过程中待注入的先验信息，计算邻接矩阵；
步骤4，构建时空融合的变形预测模型；
步骤4.1，基于图卷积网络进行多测点复杂关系下的特征空间融合；
在大坝监测***中，将测点视为节点，具有对应的特征向量；在每次图卷积过程中，均视当前测点为中心测点，与其存在连接的邻居测点将特征传递给中心测点；考虑多测点的复杂关系进行多测点特征融合：
式中，GCN(·)表示各先验信息下采用邻接矩阵的图卷积方法，A(·)表示各关系下的邻接矩阵，X表示输入多测点特征矩阵，X(·)表示各关系下的融合特征，Xfusion为考虑m种复杂关系后的最终融合特征；
步骤4.2，采用长短期记忆单元进行时序依赖挖掘；
步骤4.3，构建两种时空融合单元，分别为离散时空融合单元与耦合时空融合单元；
在离散时空融合单元中，步骤4.1与步骤4.2为串联关系，步骤4.2的输入Xt为步骤4.1中输出的考虑多种复杂关系后的最终融合特征Xfusion；
在耦合时空融合单元中，步骤4.1与步骤4.2为耦合关系，长短期记忆单元中的遗忘门、更新权重和输出门信息皆采用图卷积方式进行计算，取代长短期记忆单元中的可训练矩阵W；
步骤4.4，设定噪声分布存在时序差异性，时空融合单元输出隐层记忆Ht，通过线性层获取变形量的高斯分布参数；
步骤5，采用训练集训练变形预测模型，通过验证集获取最优模型，并根据最新监测数据完成准实时变形预测。
2.根据权利要求1所述的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，其特征在于：
其中，在步骤4.3中，耦合时空融合单元的遗忘门、更新权重和输出门信息计算公式为：
式中，Xt为当前时间步的输入特征；Ht-1、Ct-1、Ht、Ct分别表示上一时间步t-1与当前时间步t的隐层记忆H和细胞状态C；Ft为遗忘门，表示对上一时间步重要信息的筛选，GCNxf(·)、GCNhf(·)为遗忘门的可训练图卷积过程，bf为遗忘门的偏置量；It为更新权重，GCNxi(·)、GCNhi(·)为更新门的可训练图卷积过程，bi为更新门的偏置量；为待更新信息，GCNxc(·)、GCNhc(·)为待更新信息的可训练图卷积过程，bc为待更新信息的偏置量；Ot为输出门，GCNxo(·)、GCNho(·)为输出门的可训练图卷积过程，bo为更新门的偏置量。
3.根据权利要求1所述的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，其特征在于：
其中，在步骤4.4中，概率预测输出由下式表示：
μt＝WμHt+bμ
σt＝softplus(WσHt+bσ)
yt～N(μt,σt)
式中，Wμ、bμ、Wσ、bσ为可训练参数，Softplus(·)为激活函数类型，yt为变形预测模型的最终变形预测值。
4.根据权利要求1所述的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，其特征在于：
其中，步骤5包括如下子步骤：
步骤5.1，将采用全过程训练的模型在推断时的任务描述如下：给定多测点变形滞后序列与多测点环境因子序列/>预测多测点变形未来序列/>T0为历史滞后长度，T1为预测长度；将环境因子与效应量合并为矩阵形式Xt＝concat(yt-1,xt)，作为对应时间步时空融合单元的初始输入特征X；
采用训练集对模型进行全过程训练，全过程输出与标签序列共同用于计算损失函数，采用Adam优化器训练；
步骤5.2，将验证集代入每轮训练的模型进行样本推断，设置训练早停机制，以获取使验证集指标达到最优的最终模型；在推断中，将特征矩阵依次代入模型获得T0+1时刻高斯分布参数，从中采样得到/>然后将该预测值视为已知数据迭代入T0+2时刻的输入特征矩阵/>同理，经过T1-1次迭代最终获得推断序列/>
步骤5.3，获取最优预测模型后，以实时变形监测序列尾部T0个数据为基础，进行滚动预测；将前一轮预测结果加入变形序列中，继续将尾部T0长度的数据视为已知值参与下一次预测，最终获取满足预测长度的实时变形预测序列。
5.根据权利要求4所述的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，其特征在于：
其中，在步骤5.1中，概率预测损失函数计算公式如下：
式中，下标s、n和t分别代表样本编号、测点编号和时间步，p(X)为样本分布，S为训练样本总数。
6.根据权利要求1所述的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，其特征在于：
其中，步骤3包括如下子步骤：
步骤3.1，根据堆石坝变形监测数据特点并结合具体工程经验，确定多测点复杂关联下需注入的先验信息；
步骤3.2，依据先验信息，确定邻接矩阵的计算方式。
7.根据权利要求1所述的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，其特征在于：
其中，在步骤3.2中，需考虑复杂关系下的先验信息包括：测点空间距离、测点布置方式、测点所在分区及测点序列相似度；
针对上述复杂关系设计的邻接矩阵计算方式有如下几种：
空间距离高斯相似函数，考虑多测点间的空间距离关系：
式中，dist(i,j)表示两测点在欧几里得空间中的距离，σ为距离的统计标准差；
0-1阶跃函数，考虑多测点间测点布置、分区属性关系：
式中，Pi、Pj表示两测点的某种参考属性；
序列相似函数，考虑实际监测序列的相似程度：
式中，DTW(i,j)表示两测点间动态时间规整下的相似距离。
8.根据权利要求1所述的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，其特征在于：
其中，在步骤4.2中，采用长短期记忆单元作为时序依赖挖掘的的工具，历史信息以时序融合中的细胞状态与隐层记忆为载体传递到当前时刻，并结合当前特征输入挖掘时序依赖信息。
9.根据权利要求1所述的考虑堆石坝多测点复杂关联性时空融合的变形预测方法，其特征在于：
其中，在步骤2中，将步骤1中前处理后的多测点变形监测数据视为如下序列：{y1,y2......,yt-1,yt},y∈N,总长度为t，测点总数为N；采用固定长度为T0+T1的窗口在多测点序列上逐步滑动，每个窗口内的数据视为一个训练样本，以此获取总数目为t-T0-T1+1的训练样本，具体形式如下：
式中，T0为表示模型输入数据长度的滞后长度，T1为表示模型输出数据长度的预测长度；
将上述所有样本按一定比例划分为训练集与验证集。
10.考虑堆石坝多测点复杂关联性时空融合的变形预测***，其特征在于，包括：
前处理部，对监测的坝体变形与环境因子时间序列数据进行前处理；
样本构造部，将前处理后的数据作为样本，采用滑动窗口方式构建数据集，将样本按比例划分为训练集与验证集；
先验信息确定部，确定复杂关系下多测点融合过程中待注入的先验信息，计算邻接矩阵；
预测模型构建部，根据如下步骤4.1～4.4构建时空融合的变形预测模型；
步骤4.1，基于图卷积网络进行多测点复杂关系下的特征空间融合；
将大坝监测***中的测点视为节点，具有对应的特征向量；在每次图卷积过程中，均视当前测点为中心测点，与其存在连接的邻居测点将特征传递给中心测点；考虑多测点的复杂关系进行多测点特征融合：
式中，GCN(·)表示各先验信息下采用邻接矩阵的图卷积方法，A(·)表示各关系下的邻接矩阵，X表示输入多测点特征矩阵，X(·)表示各关系下的融合特征，Xfusion为考虑m种复杂关系后的最终融合特征；
步骤4.2，采用长短期记忆单元进行时序依赖挖掘；
步骤4.3，构建两种时空融合单元，分别为离散时空融合单元与耦合时空融合单元；
在离散时空融合单元中，步骤4.1与步骤4.2为串联关系，步骤4.2的输入Xt为步骤4.1中输出的考虑多种复杂关系后的最终融合特征Xfusion；
在耦合时空融合单元中，步骤4.1与步骤4.2为耦合关系，长短期记忆单元中的遗忘门、更新权重和输出门信息皆采用图卷积方式进行计算，取代长短期记忆单元中的可训练矩阵W；
步骤4.4，设定噪声分布存在时序差异性，时空融合单元输出隐层记忆Ht，通过线性层获取变形量的高斯分布参数；
变形预测部，采用训练集训练变形预测模型，通过验证集获取最优模型，并根据最新监测数据完成准实时变形预测；
输入显示部，用于让用户输入操作指令，并进行相应显示；
控制部，与前处理部、样本构造部、先验信息确定部、预测模型构建部、变形预测部、输入显示部均通信相连，控制它们的运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311246143.6A CN117313201A (zh) | 2023-09-26 | 2023-09-26 | 考虑堆石坝多测点复杂关联性时空融合的变形预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311246143.6A CN117313201A (zh) | 2023-09-26 | 2023-09-26 | 考虑堆石坝多测点复杂关联性时空融合的变形预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117313201A true CN117313201A (zh) | 2023-12-29 |
Family
ID=89259651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311246143.6A Pending CN117313201A (zh) | 2023-09-26 | 2023-09-26 | 考虑堆石坝多测点复杂关联性时空融合的变形预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117313201A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708625A (zh) * | 2024-01-09 | 2024-03-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种乏数据背景下大坝监测历史数据填补方法 |
-
2023
- 2023-09-26 CN CN202311246143.6A patent/CN117313201A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708625A (zh) * | 2024-01-09 | 2024-03-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种乏数据背景下大坝监测历史数据填补方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685252B (zh) | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 | |
| CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
| CN108846199B (zh) | 基于时空一体化的特高拱坝变形时空序列预测方法 | |
| US20200272905A1 (en) | Artificial neural network compression via iterative hybrid reinforcement learning approach | |
| CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及*** | |
| Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
| CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
| CN108764539B (zh) | 一种梯级电站的上下游水位预测方法 | |
| CN112364975A (zh) | 基于图神经网络的终端运行状态预测方法及*** | |
| CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
| CN115422814B (zh) | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 | |
| CN117313201A (zh) | 考虑堆石坝多测点复杂关联性时空融合的变形预测方法及*** | |
| CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
| Barzola-Monteses et al. | Energy consumption of a building by using long short-term memory network: a forecasting study | |
| CN115577872B (zh) | 基于多能智能体深度强化学习的结构化数据预测优化方法 | |
| CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
| CN111709550A (zh) | 一种基于深度学习的联络线计划编制方法及*** | |
| CN110795522A (zh) | 一种移动用户轨迹位置的预测方法及装置 | |
| Ghanbari et al. | Multivariate time-series prediction using LSTM neural networks | |
| CN116227180A (zh) | 基于数据驱动的机组组合智能决策方法 | |
| CN116910534A (zh) | 一种不同海域海洋环境要素时空智能预测方法和装置 | |
| CN112131794A (zh) | 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 | |
| CN112862211A (zh) | 通信管理***动环缺陷派单方法及装置 | |
| CN116822722A (zh) | 水位预测方法、***、装置、电子设备及介质 | |
| CN115062762A (zh) | 一种海流轨迹预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |