首页|基于双阶段注意力机制的大坝变形深度学习预测模型

基于双阶段注意力机制的大坝变形深度学习预测模型

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
为提升大坝结构变形预测精度,采用完全自适应噪声集合经验模态分解(CEEMDAN)法将变形实测序列解耦为一系列具有不同时频特征的本征模态函数,使用小波阈值消噪对高频分量平稳化处理后进行重构,利用基于双阶段注意力机制的长短期记忆网络(DA-LSTM)模型对重构变形序列进行预测.实例验证结果表明,联合CEEMDAN算法和小波阈值消噪方法能够有效识别并清洗实测数据中的异常值,提升了测值对大坝运行性态的表征能力,同时DA-LSTM模型可以充分挖掘大坝变形的滞后性和增强网络的可解释性,据此构建的变形预测模型具有优良的稳健性.
Deep learning model for deformation prediction of dam based on dual-stage attention mechanism

dam deformationdeep learningdenoisingattention mechanismlong short-term memory networkprediction

赵二峰、李章寅、袁冬阳

展开 >

河海大学水灾害防御全国重点实验室,江苏南京 210098

河海大学水利水电学院,江苏南京 210098

河海大学水资源高效利用与工程安全国家工程研究中心,江苏南京 210098

大坝变形 深度学习 消噪 注意力机制 长短期记忆网络 预测

国家自然科学基金国家自然科学基金

52079046U2243223

2023

10.3876/j.issn.1000-1980.2023.06.006

河海大学学报(自然科学版)
河海大学

河海大学学报(自然科学版)

CSTPCDCSCD北大核心
影响因子：0.803
ISSN：1000-1980
年,卷(期)：2023.51(6)
  • 1
  • 21