典型文献
基于时间注意力机制的大坝动态变形预测模型
文献摘要：
构建高精度的变形预测模型对于大坝风险评估及防治措施制定具有极其重要的意义.传统的大坝变形预测模型鲜有针对大坝的变形滞后性特点以及变形特征因子的影响性分析与评估,这会对模型的预测精度造成较大的影响,并导致模型缺乏可解释性.针对上述问题,本文提出一种结合时间注意力机制的门控循环单元神经网络(GRU)架构.首先通过卡尔曼滤波(Kalman Filter)对原始大坝变形数据中由于监测器异常导致的随机噪声与异常值进行处理.其次,利用随机森林(RF)对各变形特征因子的重要性进行分析和评估,筛选模型输入的特征因子.最后,针对大坝变形的滞后性,利用时间注意力机制进一步提高GRU模型对时间维度上的动态特征关注度,增强模型对时间维度信息的自适应学习能力,且对时间注意力进行可视化进一步提高了大坝变形预测模型在隐藏状态阶段上的可解释性.通过工程实例研究结果表明,卡尔曼滤波在大坝变形监测中确实存在一定适用性,同时本文所提出的耦合时间注意力机制的变形预测模型有着较高的预测精度,对于预测过程中的隐藏状态层级有较强的解释性,并揭示了温度与水位因素对大坝变形的长期影响,为大坝变形安全监测提供了一种新的有效方法.
文献关键词：
大坝变形预测;变形滞后性;时间注意力机制;门控循环单元神经网络;深度学习
中图分类号：
作者姓名：
苏燕;付家源;林川;陈泽钦;翁锴亮;张挺
作者机构：
福州大学 土木工程学院,福州 350108;国网福建省电力有限公司电力科学研究院,福州 350007
文献出处：
引用格式：
[1]苏燕;付家源;林川;陈泽钦;翁锴亮;张挺-.基于时间注意力机制的大坝动态变形预测模型)[J].水力发电学报,2022(07):72-84
A类：
变形滞后性
B类：
时间注意力机制,动态变形,措施制定,大坝变形预测,变形特征,特征因子,影响性,分析与评估,可解释性,门控循环单元神经网络,GRU,卡尔曼滤波,Kalman,Filter,形数,监测器,常导,随机噪声,异常值,RF,筛选模型,模型输入,时间维度,动态特征,增强模型,自适应学习,工程实例,实例研究,变形监测,实存,长期影响,安全监测
AB值：
0.212591
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
