-
题名基于多层信号分解的混凝土拱坝变形监测模型
- 1
-
-
作者
王子轩
欧斌
陈德辉
杨石勇
赵定柱
傅蜀燕
-
机构
云南农业大学水利学院
云南省中小型水利工程智慧管养工程研究中心
水灾害防御全国重点实验室
-
出处
《三峡大学学报（自然科学版）》
CAS
北大核心
2024年第6期1-9,共9页
-
基金
国家自然科学基金项目(52069029,52369026)
水灾害防御全国重点实验室2023年度“一带一路”水与可持续发展科技基金项目(2023490411)
云南省农业基础研究联合专项面上项目(202401BD070001-071)。
-
文摘
为了充分挖掘大坝变形监测数据的非线性和非平稳性特征,本文提出了一种大坝变形监测模型.首先,该模型通过自适应噪声完全集合经验模态分解(CEEMDAN)对变形监测数据进行分解处理.在分解过程中融入样本熵(SE)和K-均值聚类,以确保得到的模态分量(IMF)个数能够准确描述大坝变形.然后,对于高频IMF分量,采用变分模态分解(VMD)进行二次分解,并利用偏最小二乘法(PLS)分析变形序列影响因子,以提取最佳的IMF分量作为后续模型的输入因子.最后,利用改进的共生生物搜索算法(ISOS)结合长短期记忆神经网络(LSTM)进行大坝变形的准确预测.研究结果表明:相较于单层信号处理,本文通过二次信号处理可以显著提升模型的预测精度;对二次分解后的IMFs分量进行PLS筛选可以有效避免模型的冗余性,提高计算效率;相较于各对比模型,本文模型在各测点上均具有较好的预测精度和稳定性.本文提出的模型能够深入挖掘大坝监测数据中的拓扑关系,有效保留数据中的高频有用信息,从而提高预测的准确性和平滑性,展示出较好的预测精度和泛化能力.
-
关键词
大坝变形
自适应噪声完全集合经验模态分解
样本熵
k-均值聚类算法
改进的共生生物搜索算法
变分模态分解
-
Keywords
dam deformation
complete ensemble empirical mode decomposition of adaptive noise
sample entropy
k-lmeans clustering algorithm
an improved symbiotic biological search algorithm
variational mode decomposition
-
分类号
TV698.1
[水利工程—水利水电工程]
-
