[发明专利]一种混凝土坝变形预测方法、计算机设备及存储介质

权利要求书

1.一种混凝土坝变形预测方法，其特征在于，包括：

基于时间序列采集混凝土坝的历史变形数据及所述历史变形数据对应的外部环境因素数据，构造描述外部环境变化规律的特征数据；

根据时间序列分割所述历史变形数据和所述特征数据，得到样本数据集，并将所述样本数据集划分为训练集、验证集和测试集；

在长短期记忆神经网络中引入注意力机制，所述注意力机制包括因子注意力机制和时间注意力机制，得到基于注意力机制的初始网络模型；

将所述训练集作为输入，训练所述初始网络模型的参数，并采用验证集进行验证，得到混凝土坝变形预测模型；

采用所述混凝土坝变形预测模型对混凝土坝进行变形预测。

2.根据权利要求1所述的方法，其特征在于，所述历史变形数据和所述外部环境因素数据采集时，采用相同的采样时间和采样间距。

3.根据权利要求1所述的方法，其特征在于，在得到样本数据集步骤之后，并将所述样本数据集划分为训练集、验证集和测试集步骤之前，还包括：

对所述数据集进行标准化处理，公式如下，

其中，x是原始数据，u和σ分别是所述特征数据的均值和方差。

4.根据权利要求1所述的方法，其特征在于，所述因子注意力机制中的因子注意力计算公式如下，

其中对于某一输入时刻t，输入数据x_t具有m个因子，α_t为该输入时刻的因子权重，FA为因子权重生成模块，x'_t为因子权重加权之后的输入数据。

5.根据权利要求1所述的方法，其特征在于，所述时间注意力机制中的时间注意力计算公式如下，

H＝[h₁,h₂,…,h_k]_k×s

β＝TA(H)＝[β₁,β₂,…,β_k]_1×k

其中H为长短期记忆神经网络隐藏层的状态输出，β为时间权重参数，TA为时间权重生成模块，k为隐藏层时间步长，s为每个时间步长的维度，h^at为时间权重加权之后的隐藏层输出。

6.根据权利要求1所述的方法，其特征在于，将所述训练集作为输入，训练所述初始网络模型的参数步骤，还包括：

引入损失函数修正所述初始网络模型，所述损失函数计算公式如下，

其中s_i和分别是监测值和模型预测值；n为预测值的个数。

7.根据权利要求1所述的方法，其特征在于，得到混凝土坝变形预测模型步骤之后，还包括：

采用JAYA算法优化所述混凝土坝变形预测模型中的超参数，所述JAYA算法公式如下，

u_j+1,k＝u_j,k+r_1,j(u_j,best-|u_j,k|)-r_2,j(u_j,worst-|u_j,k|)

其中u_j,best是第j次迭代过程中评价效果最好的超参数组合，u_j,worst第j次迭代过程中评价效果最差的超参数组合，u_j+1,k是u_j,k的更新值，r_1,j和r_2,j是两个0到1之间的随机数。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。