第５１卷第２期２０２３年３月河海大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ）Ｖｏｌ．５１Ｎｏ．２Ｍａｒ．２０２３ＤＯＩ：１０．３８７６／ｊ．ｉｓｓｎ．１０００１９８０．２０２３．０２．０１０基金项目：国家自然科学基金（５１２０９０７８，５１７３９００３）作者简介：周兰庭（１９７５—），女，副教授，博士，主要从事大坝安全监控和水利水电建设管理研究。Ｅ⁃ｍａｉｌ：ｌｔｚｈｏｕ＠ｈｈｕ．ｅｄｕ．ｃｎ通信简介：邓思源（１９９７—），男，硕士研究生，主要从事大坝安全监控研究。Ｅ⁃ｍａｉｌ：６２５０１９５６３＠ｑｑ．ｃｏｍ引用本文：周兰庭，邓思源，柳志坤，等．基于ＳＳＡ⁃ＬＳＴＭ⁃ＧＦ的混凝土坝变形预测方法［Ｊ］．河海大学学报（自然科学版），２０２３，５１（２）：７３⁃８０．ＺＨＯＵＬａｎｔｉｎｇ，ＤＥＮＧＳｉｙｕａｎ，ＬＩＵＺｈｉｋｕｎ，ｅｔａｌ．ＤｅｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆｃｏｎｃｒｅｔｅｄａｍｂａｓｅｄｏｎＳＳＡ⁃ＬＳＴＭ⁃ＧＦ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ），２０２３，５１（２）：７３⁃８０．基于ＳＳＡ⁃ＬＳＴＭ⁃ＧＦ的混凝土坝变形预测方法周兰庭１，邓思源１，柳志坤２，３，龚云柱４（１．河海大学水利水电学院，江苏南京２１００９８；２．青岛市发展和改革委员会动能转换推进处，山东青岛２６６０００；３．青岛市经济发展研究院，山东青岛２６６０００；４．华能澜沧江水电股份有限公司，云南昆明６５０２１４）摘要：针对混凝土坝变形分析预测的复杂性，应用相空间重构思想和融合建模理念，提出了一种基于ＳＳＡ⁃ＬＳＴＭ⁃ＧＦ的混凝土坝变形分析预测方法。ＳＳＡ⁃ＬＳＴＭ⁃ＧＦ方法利用奇异谱分析法（ＳＳＡ）将变形实测数据序列分解为趋势分量、周期分量和剩余分量，并将剩余分量视为噪声分量予以剔除；采用长短期记忆神经网络（ＬＳＴＭ）模型和高斯拟合（ＧＦ）算法分别进行周期分量和趋势分量的分析预测，并将二者结果进行叠加重构，得到最终预测结果。实例验证结果表明，ＳＳＡ可以达到较好的数据分解和消噪效果，ＬＳＴＭ模型针对周期分量的预测性能优越，ＧＦ算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取，ＬＳＴＭ模型和ＧＦ算法的成果重构效果良好，ＳＳＡ⁃ＬＳＴＭ⁃...
