[发明专利]大坝裂缝影响因素动态贡献率分析方法

权利要求书

1.一种大坝裂缝影响因素动态贡献率分析方法，其特征在于，所述方法包括以下步骤：

步骤(1)、分别把大坝裂缝影响因子以及裂缝宽度序列数据归一化，归一化通过以下公式计算：

式中，X_n表示归一化后的值，X_max与X_min分别表示该序列的最大值及最小值；

步骤(2)、构建基于随机森林算法，以水位、温度及时效因子这些影响因子为自变量、裂缝宽度为因变量的大坝裂缝分析模型；

步骤(3)、调整大坝裂缝分析模型中的ntree和mtry两个重要参数，使得模型拟合效果最佳；

步骤(4)、利用所建立的模型探讨水位因子、温度因子及时效因子对大坝裂缝的影响；

步骤(5)、利用滑动窗口方法分析水位、温度及时效因子对大坝裂缝的动态贡献率。

2.根据权利要求1所述的一种大坝裂缝影响因素动态贡献率分析方法，其特征在于：步骤(2)中所选影响因子水位是指大坝上游水位，温度是指大坝内部温度测量点测得的温度，时效因子是指一系列时间序列上的变量；三者共同作用在大坝上，是影响大坝裂缝发展的最重要因素。

3.根据权利要求1所述的一种大坝裂缝影响因素动态贡献率分析方法，其特征在于：所述时效因子，其最基本时效因子以天为单位，以所选数据样本第一天为0开始，第二天为1，以此累加计算，并记为t；所述时效因子包括：

Ln(1+t)；

1-e^-t；

t^0.5；

t^-0.5；

4.根据权利要求1所述的一种大坝裂缝影响因素动态贡献率分析方法，其特征在于，利用所述影响因子的已知序列数据及对应的大坝裂缝宽度，对基于随机森林算法的大坝裂缝分析模型进行训练，得到经过训练的大坝裂缝分析模型包括：将所述影响因子的已知序列数据作为自变量，将所述影响因子的已知序列数据对应的大坝裂缝宽度序列作为因变量，对所述基于随机森林算法的大坝裂缝分析模型进行训练，得到经过训练的随机森林回归模型。

5.根据权利要求4所述的一种大坝裂缝影响因素动态贡献率分析方法，其特征在于：所述随机森林回归模型是基于决策树的随机森林回归模型。

6.根据权利要求1所述的一种大坝裂缝影响因素动态贡献率分析方法，其特征在于：步骤(4)中所述的水位因子、温度因子及时效因子对大坝裂缝的影响，是根据影响因子的基尼不纯度增加值作为评价标准的。

7.根据权利要求1所述的一种大坝裂缝影响因素动态贡献率分析方法，其特征在于：步骤(5)中所述的动态贡献率，是根据影响因子的基尼不纯度增加值作为贡献指标，各个影响因子的贡献率能够表示为：

式中D_kgini表示第k个变量的基尼不纯度增加值。

8.根据权利要求1所述的一种大坝裂缝影响因素动态贡献率分析方法，其特征在于：步骤(5)所述利用滑动窗口方法分析水位、温度及时效因子对大坝裂缝的动态贡献率，是指根据以一定长度的滑动窗为单位得到的一系列影响因子数据样本建立模型探讨其影响因子的动态贡献率。