[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

说明书

本发明提供一种混凝土坝变形预测方法、计算机设备及存储介质，本方案通过采用由历史变形数据和外部环境数据构成的训练集来训练长短期记忆神经网络学，相较于传统的静态机器学习方法，本方案能够从训练集中捕捉大坝变形的时序特征，具有动态学习的能力。同时采用了基于因子注意力和时间记忆力注意力的双注意力机制方法，在大坝变形预测模型训练的过程中可以自适应地确定不同因子和时间的权重，从而有助于提高模型的预测精度并可以初步解释混凝土坝变形机理，增强深度学习模型的物理可解释性。

技术领域

本发明涉及混凝土坝变形预测技术领域，具体涉及一种混凝土坝变形预测方法、计算机设备及存储介质。

背景技术

在水库工程中，大坝是与防洪、发电等相关的重要建筑物。然而在大坝运行过程中，由于外部荷载及自身内部材料老化等不良作用的综合影响，使得大坝的局部和整体的性能随着使用时间的增加而降低。大坝健康监测系统是大坝安全评估和早期预警的有效途径。大坝变形监测是大坝健康监测系统的重要组成，并且是反映混凝土坝综合状态的有效指标，准确的预测大坝变形对于大坝健康监测具有重要意义。

目前广泛采用的大坝变形预测模型可分为物理驱动模型和数据驱动模型。物理驱动模型通常采用有限元方法计算各荷载作用下大坝变形场。虽然这种方法能够解释大坝的变形机理，但是物理驱动模型需要详细的大坝结构数据和高昂的计算代价，这限制了物理驱动模型在实际工程中的大规模应用。此外，目前长期的大坝健康监测系统为实现数据驱动的大坝变形预测模型提供了海量的数据支持。基于多元线性回归的统计模型，由于其公式简单、可解释性好，是工程中常用的数据驱动模型。但是线性回归模型由于其固有的线性假设而不适用拟合非线性关系，这极大地限制了线性模型在大坝变形预测上的结果精度。近年来随着人工智能的发展，机器学习模型在大坝健康监测领域引起了广泛关注：如人工神经网络、支持向量机、极限学习机等。这些方法大多能够实现大坝某一位置变形的准确预测。然而目前应用于大坝变形预测的机器学习方法大多属于静态建模方法，很难实现从长期监测的历史数据中动态学习混凝土坝的变形特征。除此之外，机器学习方法由于其“黑箱”的特性，缺乏对实际问题的物理解释，这限制了机器学习方法在实际工程中的应用。

为了提高大坝变形预测模型的动态学习能力和精确性，急需一种合适的混凝土坝变形预测方法。

发明内容

针对现有技术存在的不足，本发明提出一种混凝土坝变形预测方法、计算机设备及存储介质，以解决现有技术中存在的大坝变形预测模型的缺乏动态学习能力和精确性低的技术问题。

一种混凝土坝变形预测方法，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。

在其中一个实施例中，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。

在其中一个实施例中，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：对所述样本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。

在其中一个实施例中，所述因子注意力机制中的因子注意力计算公式如下，