典型文献
基于AAFSA-LSTM的大坝变形预测模型
文献摘要：
对大坝变形情况进行预测,明确大坝的实际状况是保证其长期安全稳定运行的关键之一,目前研究中普遍存在预测精度不足以满足实际需求的问题.为此,将长短时记忆网络(Long and Short-term Memory Network,LSTM)模型引入大坝变形预测的研究,并利用自适应人工鱼群算法(Adaptive Artificial Fish School Algorithm,AAFSA)对模型的参数进行优化,以实际工程的数据对模型进行了实例验证,并将该模型与LSTM模型的性能进行对比,结果表明,优化后模型的平均绝对误差、平均相对误差、平均绝对百分比误差、均方根误差以及拟合度分别为0.2259、0.0316、0.2892、0.0547以及94.51％,即优化后的模型预测精度最高且误差最小,稳定性最好,从而为大坝的安全分析提供了新的借鉴.
文献关键词：
大坝变形预测;人工鱼群算法;长短时记忆网络
中图分类号：
作者姓名：
杨宗仁;杨凯;王健
作者机构：
陕西省水利电力勘测设计研究院,陕西西安710001;西安建筑科技大学,陕西西安710055
文献出处：
引用格式：
[1]杨宗仁;杨凯;王健-.基于AAFSA-LSTM的大坝变形预测模型)[J].水利与建筑工程学报,2022(01):98-102,176
A类：
AAFSA
B类：
大坝变形预测,变形情况,实际状况,长期安全,安全稳定运行,长短时记忆网络,Long,Short,term,Memory,Network,人工鱼群算法,Adaptive,Artificial,Fish,School,Algorithm,平均绝对误差,平均相对误差,平均绝对百分比误差,拟合度,安全分析
AB值：
0.267351
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。
