基于卷积循环神经网络的混凝土坝变形预报.pdf
《基于卷积循环神经网络的混凝土坝变形预报.pdf》由会员分享,可在线阅读,更多相关《基于卷积循环神经网络的混凝土坝变形预报.pdf(5页珍藏版)》请在咨信网上搜索。
1、针对混凝土坝变形量与变形因子之间作用机理的复杂性,本文结合深度学习网络对复杂特征信息挖掘的优势,建立基于 CNN-GRU 的混凝土坝变形预测模型。采用卷积神经网络对历史变形监测数据进行卷积以提取时间序列的特征,利用门控循环单元生成特征描述,进一步挖掘变形序列变化趋势,实现对混凝土坝的变形预测。基于实际监测数据研究表明:本文所提的方法获得了更高的预测精度,均方根误差达到 0.837 1,平均绝对误差达到0.604 9,平均绝对百分误差达到 9.47,在大坝变形监测中具有一定的优越性和实用性。关键词:混凝土坝;变形预测;预测模型;卷积神经网络;门控循环单元;组合模型;预测精度;评价指标DOI:10
2、.11990/jheu.202110005网络出版地址:https:/ 文献标志码:A 文章编号:1006-7043(2023)08-1270-05Concrete dam deformation prediction based on convolutional and recurrent neural network JIANG Jiatong1,LI Mingwei2,SHANG Xianchao3,GENG Jing2(1.School of Hydraulic and Electric Power,Heilongjiang University,Harbin 150006,China
3、;2.College of Shipbuilding Engineering,Harbin Engineering University,Harbin 150001,China;3.Offshore Oil Engineering Co.,Ltd,Tianjin 300452,China)Abstract:This paper presents a model for concrete dam deformation prediction based on convolutional neural net-work(CNN)-gate recurrent unit(GRU).This mode
4、l focuses on the complexity of the mechanism between the de-formation amount and deformation factor of a concrete dam and combines the advantages of the deep learning net-work for mining complex feature information.First,CNN is used to convolve historical deformation monitoring data to extract the c
5、haracteristics of the time series.Then,GRU is applied to generate the feature description,and the change trend of the deformation sequence is further mined to predict concrete dam deformation.Research based on actual monitoring data shows that the method proposed in this paper achieves high predicti
6、on accuracy with a root mean square error of 0.837 1,a mean absolute error of 0.604 9,and a mean absolute percentage error of 9.47.Therefore,this method has certain superiority and practicability in dam deformation monitoring.Keywords:concrete dam;deformation prediction;prediction model;convolutiona
7、l neural network;gate recurrent unit;combination model;prediction accuracy;evaluation index收稿日期:2021-10-05.网络出版日期:2023-05-18.基金项目:国家重点研发计划(2019YFB1504403);黑龙江省青年人才项目(YQ2021E015).作者简介:蒋佳彤,女,助教;李明伟,男,副教授.通信作者:李明伟,E-mail:jiangjiatong2019 .大坝运行过程中,在防洪、发电、航运、灌溉等方面发挥着重要的作用,大坝的运行状况也关乎着周边环境的生命安全、生态安全和财产安全。由
8、于混凝土坝具有抗震性好、安全、泄洪方便等优点,在我国得到了广泛的应用1。变形是目前公认能够有效综合反映大坝运行状态的典型效应量2,建立有效、精准的变形监测模型,研究混凝土坝在运行过程中的变形规律,加强混凝土坝变形的安全监测是坝工事业的重点内容。传统的监测模型是假设大坝的变形效应量与各个影响因素之间呈线性关系,而实际上,大坝的变形效应量与各个影响因素之间呈复杂的非线性关系,降低了模型的预测性能。随着人工智能理论的发展,人工神经网络(artificial neural network,ANN)由于具有很强的非线性映射能力和自适应学习能力,在大坝变形分析中得到了较为广泛的应用3-4。ANN 在处理不
9、确定性及非线性等问题上显现出巨第 8 期蒋佳彤,等:基于卷积循环神经网络的混凝土坝变形预报大的优势,但其具有收敛速度慢、易陷入局部最优、网络结构难以确定等问题5。近年来,深度神经网络因具有更强大的特征学习能力得到了高速发展和广泛使用6。卷积神经网络(convolutional neural network,CNN)由于具有局部连接和权值共享等特点,已成为深度学习领域中最成功的算法之一,在处理时间序列数据的问题中,常将卷积神经网络与循环神经网络相结合使用。门控循环单元神经网络(gate recurrent unit,GRU)是循环神经网络的特殊形式,模型简单,参数少且不容易过拟合,可充分挖掘时间
10、序列数据的非线性关系,在各个领域取得了不错的效果。Gupta 等7提出了基于 CNN 和 GRU 的方法,建立分析顾客行为的自动化系统,结果表现良好;周海南8建立了基于 GRU和 CNN 的水位智能预测模型,实现了内河水位的预测;赵兵等9提出了基于注意力机制的 CNN-GRU模型,来实现短期电力负荷的预测;Yu 等10提出了一种基于 CNN 与 GRU 相结合的菇房多点温湿度预测方法,并取得较高的预测精度;赵全明等11提出了 CNN-GRU 集成深度模型,用于预测玉米根区不同深度土壤含水量,提供灌溉依据。本文针对大坝变形时间序列的强非线性,设计了基于 CNN 和 GRU 的深度学习组合模型,提
11、出了CNN-GRU 混凝土坝变形预测方法。1 CNN-GRU 大坝变形预测模型构建1.1 卷积神经网络 卷积神经网络12具有权值共享和局部连接的特点。权值共享是指其中某个神经元的权值参数可以与其他神经元共享,减少了参数。局部连接是指卷积层的节点不再与前一层所有的节点连接,而是与部分节点进行连接,可减少神经网络的参数个数。由于卷积神经网络具有的这 2 种特点使得模型训练速度提高,有效地避免过拟合。CNN 的卷积层是卷积神经网络的核心部分,卷积层的输入可以是输入层的输入数据,也可以是经过池化处理后得到的数据。卷积过程为:ci=f(ci-1 fi+bi)(1)式中:ci-1为卷积层的输入矩阵;fi为
12、卷积核的权矩阵;bi为偏置值;f(x)为激励函数,以提高 CNN 的非线性能力。池化层也称为下采样层,用来降低上一层的空间维度,使其结果参数减少,增加了网络的稀疏性,但网络深度并不改变,可在一定程度上防止网络过拟合。一般采用平均值池化法或最大值池化方式得到特征图。CNN 的全连接层在卷积神经网络的最后,防止局部连接的特征丢失,将经过卷积和池化后学习到的特征结果进行组合与推断,形成利于分类的特征,最后将结果输出,运算过程与浅层的神经网络的运算方式相同。1.2 门控循环单元 门控循环单元是循环神经网络的一种特殊形式,是长短时记忆网络 LSTM 的一种变体,旨在解决标准 RNN 梯度爆炸或丢失问题,
13、同时保留长期序列信息。GRU13是基于 LSTM 的结构基础,把 LSTM的 3 个门结构简化为 2 个门结构,即删除遗忘门,保留重置门和更新门,使得参数量减少,具有更简单的模型结构,减少训练时间,提高模型计算效率。GRU的内部结构如图 1 所示。图 1 GRU 网络结构Fig.1 GRU network structure重置门 rt主要控制前一时刻输出值 ht-1流入当前时刻隐藏状态 ht的信息量,取值在0,114,值越小说明被忘记的历史信息越多,流入当前时刻隐藏状态的信息量越少:rt=(Wrht-1,xt)(2)ht=tanh(Whrtht-1,xt)(3)式中:xt表示输入;rt表示重
14、置门;Wr表示重置门权重矩阵;Wh表示候选隐藏状态权重矩阵;()表示 sigmoid 激活函数。更新门 zt主要控制前一时刻隐藏层状态中的信息 ht-1和候选隐藏状态 ht被添加到当前状态信息 ht中的程度,取值在0,114,值越大表示前一时刻传递的历史信息保留越多,分别为:zt=(Wzht-1,xt)(4)ht=(1-zt)ht-1+ztht(5)式中:zt表示更新门;Wz表示更新门权重矩阵。1.3 CNN-GRU 变形预测模型 为了对大坝变形情况进行精准预测,本文将卷积神经网络与门控循环单元相结合,建立基于 CNN-GRU 的混凝土坝变形监测模型。1.3.1 确定各层参数 本文旨在利用 C
15、NN 提取大坝监测数据的空间相关特征,再送入 GRU 层进一步挖掘变形序列变化1721哈 尔 滨 工 程 大 学 学 报第 44 卷趋势,因此使用一维卷积神经网络。1)输入层。为了耦合影响大坝变形的特征信息,充分挖掘这些特征的时间、空间特征规律,将大坝的历史变形量和相关的特征数据构成一个新的时间序列特征向量,作为 CNN-GRU 变形预测模型的输入数据。2)CNN 层。CNN 层主要对大坝的历史变形数据进行特征提取,使用一维卷积神经网络挖掘大坝变形监测数据的空间相关特征,再送入 GRU 层进一步提取变形序列变化趋势。经过反复优化模型,将卷积层数定为 2,卷积核的数量定为 16,大小为 6 时模
16、型精度最高。选择最大池化法对提取的高维特征进行降维,将提取的特征作为 GRU 层的输入。3)GRU 层。主要负责从 CNN 层所提取的特征中学习变形的变化规律,经反复优化,构建 1 层GRU 结构时可达到最好预测效果,激活函数采用Tanh,最后通过全连接层处理,反归一化后得到大坝变形预测值。1.3.2 激活函数的选择 混凝土坝变形量与变形因子之间具有复杂的非线性关系,需要在神经网络模型中添加激活函数引入非线性,使神经网络模型能够更好地学习变形量与变形因子之间的非线性关系。常用的激活函数主要有 sigmoid 函数、Tanh 函数、Relu 函数15等。Sigmoid 函数是在神经网络模型中最常
17、用的激活函数,函数输出值(0,1),在函数图像斜率大的地方,类似神经元的敏感区,在函数图像两侧的平缓区,类似神经元的抑制区。Sigmoid 函数由于涉及很多幂运算,所以计算时较繁琐,会增加模型的训练时间。同时,在深度神经网络结构中,涉及的参数较复杂,容易造成梯度消失和梯度爆炸问题。ReLu 函数在近几年中比较普遍用,在正区间内有效地解决了梯度消失问题。而且 ReLu 函数没有指数运算,可极大地提高计算速度。但 ReLu 函数在反向传播过程中,如果输入为负时,梯度完全为 0。且 ReLu 函数不是以 0 为中心的函数,在使用时,容易导致权重更新缓慢。Tanh 函数,也叫双曲正切函数,函数以 0为
18、中心,输出值(-1,1)。Tanh 函数相较于 Sigmoid函数收敛速度较快,在本文中,采用 Tanh 函数作为激活函数。2 混凝土坝工程实例预测 为验证 CNN-GRU 模型的预测精度,本文以实际混凝土坝工程为例,进行分析研究。根据已有的大坝理论知识16,大坝变形监测中主要考虑由水压、温度以及时效引起的变形,在本文中,影响混凝土坝变形量的水压分量取上游水位 H、H2、H3;温度分量取 sin(2kt/365)、cos(2kt/365)、k=(1,2),t为从起始日开始的累计天数;时效分量取、ln,其中 =0.01t。因此,混凝土坝变形量与影响因素之间的函数关系为:=f H,H2,H3,si
19、n2t365,sin4t365,(cos2t365,cos4t365,ln)(6)本文选取该坝其中某一测段的 264 期监测数据,以 1234 期数据作为训练样本,235264 共 30期数据作为测试样本。为评价 CNN-GRU 变形预测模型的性能,分别建立了 BP 神经网络模型、CNN 模型、LSTM 模型和 GRU 模型进行对比分析,各模型的预测值和残差值见图 2、3。图 2 模型的预测值和实际值对比Fig.2 Comparison between predicted and actual values of the model图 3 模型的预测残差对比Fig.3 Comparison o
20、f prediction residuals of models由图 2 实际值的变化曲线可看出,大坝变形序列波动变化较剧烈,主要呈非线性变化,具有很强的变化随机性。如果用单纯的统计变形模型很难实现变形值的精确预测。在所有预测曲线中,BP 神经网络模型偏离实际变形值最大,误差较大。而基于CNN-GRU 的预报模型相对于其他 3 种模型的预测效果更好。从整体预测趋势看,大坝变形值在第245 期以后出现较大波动,此时,BP 和 CNN 网络模2721第 8 期蒋佳彤,等:基于卷积循环神经网络的混凝土坝变形预报型所得的预测值与大坝实际变形趋势的误差较大。LSTM 模型和 GRU 模型预测精度相比于前
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 卷积 循环 神经网络 混凝土 变形 预报
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。