第41卷第5期2023年5月水电能源科学WaterResourcesandPowerVol.41No.5May2023DOI:10.20040/j.cnki.1000-7709.2023.20221887基于FCM-WOA-LSTM的大坝变形预测模型及其应用曹梦茜a,b,郑东健a,b(河海大学a.水利水电学院;b.水文水资源与水利工程科学国家重点实验室,江苏南京210098)摘要:随着大坝变形监测资料的持续积累和变形测点数量的不断增多,预测分析全部变形测点往往需耗费大量的时间,容易造成反馈不及时的问题。对此,引入模糊C-均值聚类算法(FCM),根据大坝变形规律的相似程度进行分区,将鲸鱼优化算法(WOA)用于长短期记忆神经网络(LSTM)模型的参数优化,建立基于FCM-WOA-LSTM的大坝变形预测模型,以某混凝土双曲拱坝的实测变形资料作为样本数据进行预测分析,并与LSTM模型和SVM模型的预测结果进行对比。结果表明,FCM-WOA-LSTM模型预测结果的平均绝对误差MMAE、均方误差MMSE、均方根误差RRMSE均为3种模型中最小,且拟合段的3个评价指标值和预测段的3个评价指标值均接近,FCM-WOA-LSTM模型具有更高的预测精度和更好的适用性。关键词:大坝变形;测点分区;模糊C-均值聚类;鲸鱼优化算法;长短期记忆网络中图分类号:TV698.1+1文献标志码:A文章编号:1000-7709(2023)05-0071-05收稿日期:2022-09-11,修回日期:2022-11-18基金项目:国家重点研发计划(2018YFC1508603);国家自然科学基金重点项目(51739003)作者简介:曹梦茜(1998-),女,硕士研究生,研究方向为水工结构安全监测,E-mail:690817850@qq.com通讯作者:郑东健(1965-),男,博士、教授、博导,研究方向为水工结构安全与健康诊断,E-mail:zhengdj@hhu.edu.cn1引言变形监测是评判大坝安全性态的重要依据之一,对大坝变形进行预测分析是保障大坝安全长效运行的必要手段[1]。目前,大坝变形预测模型可大致分为统计模型、确定性模型和混合模型三类,其中,统计模型因其结构形式简单和计算快捷等优点,是大坝变形预测分析较常用的模型,但统计模型难以建立影响因子之间的非线性关系,无法表征大坝变形的一些复杂特征[2,3]。随着计算机技术的不断发展,机器学习算法逐渐应用于大坝变形分析和预测模型构建中,如鄢涛等[4]提出了一种基于EEMD-ELM的大坝变形预测方法,有效平抑了原变形序列的波动特征,且叠加不同特征尺度变形分量后的预测结果相较于单一模型的预测结果更准确;苏燕等[5]构建了联合时间注意力机制和门控循环单元神经网络的大坝动态变形预测模型,引入随机森林分析各影响因子的重要程度并揭示了大坝变形的作用机制,克服了神经网...
