一种基于分尺度预处理与双模型融合的混凝土坝渗压预测方法
本发明属于混凝土坝安全监测与渗压预测,具体涉及一种基于分尺度预处理与双模型融合的混凝土坝渗压预测方法。
背景技术:
1、混凝土大坝是防洪、供水、发电、生态调度的核心水利枢纽工程,坝体、坝基渗流状态直接决定结构服役安全。渗压监测数据是判断帷幕老化、岩体溶蚀、接触冲刷、渗透失稳等病害的核心指标,精准预测渗压时序,能够提前捕捉渗流异常趋势,规避重大溃坝、渗漏安全事故。
2、现有混凝土坝渗压预测技术主要分为三类:
3、第一类为传统水工统计模型,以水压、降雨、温度、时效线性叠加构建拟合公式,仅能适配稳态简单渗流工况,无法捕捉降雨突增、水位骤降带来的非线性短时渗压波动,预测误差大,泛化能力差。
4、第二类为单一深度学习时序模型,包含lstm、bilstm、transformer等网络,直接输入原始渗压时序开展全局拟合。但原始监测序列同时混杂仪器噪声、短期降雨扰动、季节周期水位、数十年长期帷幕演化多尺度信号,多尺度特征深度耦合,网络拟合时相互干扰,极易出现过拟合或欠拟合;同时模型属于“黑箱”输出,仅能给出预测数值,无法区分异常来源于短期降雨、季节水位或长期帷幕劣化,工程可解释性严重不足。
5、第三类为分解集成预测模型,采用eemd、vmd等模态分解算法拆分原始时序,对分解后的各imf分量统一使用同一种机器学习/深度学习模型预测,最终将各分量预测值线性相加得到全局渗压。该方案存在如下缺陷:
6、1、未区分高低频分量的演化规律差异,线性模型适配长期线性趋势、深度学习适配非线性波动的优势无法发挥,全部分量共用单一模型,低频趋势拟合失真、高频波动细节丢失;
7、2、缺少标准化分量筛选机制,分解产生无物理意义的噪声imf直接参与建模,引入额外预测误差;
8、3、重构方式仅采用简单线性叠加,忽略不同频段渗流信号之间的非线性耦合作用,丢失多尺度交互信息;
9、4、依靠人工经验固定频段匹配模型,无量化择优机制,同一套模型搭配无法适配帷幕区、排水廊道、坝趾等不同渗流区域,泛化性能受限。
10、现有改进方案中,少量文献采用“人工划分高低频、分别搭配线性/神经网络”的思路,但仍存在明显短板:仅依靠单一误差指标评判模型优劣,未综合拟合优度、绝对误差、相对误差多维度评判性能;无归一化加权综合择优体系,无法定量自动为每阶分量匹配最优模型;同时全部采用线性叠加重构,没有利用神经网络挖掘分量间非线性耦合关系;驱动因子仅采用单日环境监测值,未考虑渗压对水位、降雨的多周期滞后响应,与真实渗流力学机理匹配度低。
11、综上,现有技术难以同时实现高精度预测、强泛化能力、工程可解释性三大需求,本发明针对上述全部缺陷提出全新成套预测框架。
技术实现思路
1、本发明的目的在于克服现有的技术中的缺陷,利用集合经验模态分解(eemd)的自适应噪声辅助分解能力对原始数据时序进行多尺度解耦,构建分尺度预处理体系分离高频随机噪声、中频环境荷载响应与低频长期趋势分量,以归一化综合择优指标(coi)完成岭回归与transformer-bilstm双模型的动态择优,借助岭回归的l2正则化线性训练优势对其低频趋势信号进行拟合预测,同时利用transformer-bilstm网络的长程关联捕捉与双向时序挖掘能力对其中高频非线性波动信号进行训练,最终通过多元融合重构层实现各分量最优结果的非线性集成重构,建立一种基于分尺度预处理与双模型融合的混凝土坝渗压预测模型,克服监测序列中的模态混叠与多尺度耦合干扰,实现大坝渗压的高精度、强泛化预测,同时赋予深度学习模型工程物理解释能力。
2、为实现上述目的,本发明通过以下方案实现:
3、一种基于分尺度预处理与双模型融合的混凝土坝渗压预测方法,包括以下步骤:
4、步骤s1、对混凝土坝原始渗压监测时序进行分尺度自适应解耦,筛除无效波动信号后划分得到多类有效尺度分量;
5、步骤s2、对每一类有效尺度分量并行采用两种差异化预测模型训练计算,依托归一化综合择优指标自动选取单分量最优预测输出;
6、步骤s3、将所有分量的最优预测结果输入非线性融合网络,自适应拟合多尺度分量耦合关系,重构输出完整全局渗压预测时序;
7、步骤s4、采用多维度量化指标完成模型预测效果验证,并依据各尺度分量的预测偏差分层溯源渗流异常成因。
8、进一步优化,所述步骤s1具体包括:
9、步骤s101、原始时序预处理与渗流驱动因子构建:采用3σ准则剔除时序异常值,通过线性插值补齐缺失监测数据;基于混凝土坝渗压统计模型构建水压、降雨、温度、时效四类滞后环境驱动因子,渗压统计模型表达式为:
10、
11、式中:h是监测日测得的渗流压力;z是模型中的常数项;分别为水压成分、降雨成分、温度成分和时间依赖成分;t是从监测开始日期起累计的天数,是初始监测日期的累计天数;u为水压、降雨、温度滞后分项序号。水压分量采用多期平均上下游水头差因子表征渗压对水位变化的滞后响应,降雨分量采用多期平均降雨量因子表征降雨入渗的滞后效应,温度分量采用双谐波函数与长期气候变暖漂移项表征温度周期性影响,时效分量采用线性项与对数项组合表征长期渗流场不可逆演化。
12、步骤s102、集合经验模态分解:向原始渗压序列中多次加入零均值白噪声,得到m组独立的含噪时间序列,其表达式为:
13、
14、对每组含噪时间序列分别执行经验模态分解,得到第f组imf分量及第s组序列分解残差,累计得组分解结果,并对m组的同阶imf分量、同阶残差项分别求取集合平均值,得到最终总体平均值、残差的总体平均值,抑制模态混叠现象,其表达式为:
15、
16、
17、式中:s为噪声叠加分组序号;f为单组含噪序列分解得到的imf阶编号;m为eemd噪声叠加总次数。
18、步骤s103、分量有效性联合筛选:通过分量有效长度、能量、方差、与原始序列皮尔逊相关系数四项阈值联合判定,仅同时满足全部阈值的分量判定为有效分量,判定方程组:
19、
20、式中:为第l阶imf分量的有效数据长度,为预设的最小有效长度阈值;为第l阶imf分量能量;为imf分量数据总数;为第l阶imf分量方差;为第l阶imf分量与原始渗压序列的皮尔逊相关系数;l为imf分量全局阶专属号;k为单条imf序列内部采样点索引。
21、步骤s104、分量频段划分:
22、高频分量:周期小于7天,对应短期随机监测噪声与瞬时降雨扰动;
23、中频分量:周期为7~30天,对应库水位波动、温度变化的环境荷载周期响应;
24、低频分量:周期大于30天,对应坝基帷幕、岩体渗透性及渗流通道的长期演化趋势。
25、进一步优化,步骤s2具体包括:
26、步骤s201、双模型并行训练:对同一阶有效分量同步送入岭回归、transformer-bilstm分别预测;
27、1)、岭回归模型在经典线性回归的损失函数中加入l2正则化惩罚项,通过参数收缩机制抑制特征多重共线性导致的模型过拟合,用于拟合低频分量的线性长期演化趋势,其表达式为
28、
29、式中:,用于平衡残差拟合精度和系数约束强度,为l2正则化惩罚系数;β为全部特征回归系数向量;为第g个特征的回归系数;n为训练样本总数量;yτ为第τ个样本实测渗压标签;xτ为第τ组输入驱动特征向量;p为输入特征总维度。
30、2)、transformer-bilstm模型的结构为:前端为transformer编码器,通过正余弦位置编码补全时序位置信息,利用多头自注意力机制提取序列长程全局关联特征,其表达式为:
31、
32、
33、式中:为查询、键、值矩阵;为注意力头数;为可学习参数矩阵;为键向量维度。为弥补时序信息缺失,引入正余弦函数生成位置编码:
34、
35、
36、式中:为输入参数因子在序列中的位置;为输入因子在序列中的索引;为输入因子的维度,在偶数位置用正弦函数编码,在奇数位置用余弦函数编码。
37、后端为bilstm网络,由前向与反向lstm单元双向堆叠,挖掘序列的双向时序依赖特征;最终经全连接层输出分量的非线性预测结果,用于拟合中高频分量的复杂非线性波动,状态更新式为:
38、
39、
40、
41、式中:为前向、后向隐藏状态;为拼接后的双向特征,完整保留序列上下文信息。相比lstm,bilstm利用历史和未来的双向信息提升对复杂波动的拟合能力。
42、步骤s202、指标测算:同步计算r2、rmse、mae、mape四项评价指标;
43、步骤s203、综合择优指标coi构建,具体包括:
44、步骤s2031、指标归一化:对均方根误差rmse、平均绝对误差mae、平均绝对百分比误差mape三类误差指标执行反向归一化,数值越接近1表示性能越优,其表达式为:
45、
46、式中,为待评价模型的指标实测值,为参与分量择优的模型在该误差指标下的所有实测值中的最大值、最小值;
47、对决定系数r2执行正向归一化,数值越接近1表示拟合效果越优,其表达式为:
48、
49、式中,为待评价模型的r2实测值,为参与分量择优的模型在r2指标下所有实测值中的最大值、最小值。
50、步骤s2032、加权综合计算:结合大坝渗流的工程特征与指标表征,对归一化后的四项指标赋予差异化权重,系数加和为1,加权求和得到coi综合值,其表达式为:
51、
52、式中,,coi值越大代表模型综合性能越优;为决定系数权重;为均方根误差权重;为平均绝对误差权重;为平均绝对百分比误差权重;权重可根据不同大坝渗流区域工程特点自定义调整。
53、步骤s204、择优判定:对比同一分量下岭回归与transformer-bilstm的coi值,选取coi值更高的模型输出作为该分量最优预测结果,若两模型coi值相等,选取计算效率更高的模型。
54、进一步优化,所述步骤s3包括如下步骤:
55、步骤s301、将各分量最优预测序列按照统一时间步对齐、拼接,生成多维分量特征矩阵;时间步:单次采样对应的监测时间间隔;
56、步骤s302、将多维特征矩阵输入多层全连接融合网络,以原始实测渗压时序作为监督训练标签;
57、步骤s303、依托网络反向传播机制自适应学习高频、中频、低频分量之间的非线性耦合关联与各分量贡献权重;贡献权重代表对应分量对全局渗压预测结果的影响占比;
58、步骤s304、输出与原始监测序列时间步、总长度完全匹配的全局渗压预测时序。
59、进一步优化,所述步骤s4包括如下步骤:
60、步骤s401、采用决定系数r2、均方根误差rmse、平均绝对误差mae、平均绝对百分比误差mape四项指标量化模型整体预测偏差;
61、步骤s402、绘制实测渗压时序与模型预测时序对比曲线,直观完成模型泛化性能可视化校验;泛化性能代表模型对未参与训练的全新监测数据的预测稳定程度;
62、步骤s403、依据不同频段分量的预测偏差分层定位异常诱因:高频分量偏差对应瞬时降雨扰动或监测仪器噪声,中频分量偏差对应库水位、气温季节周期性波动,低频分量偏差对应坝基帷幕、岩体长期渗透劣化。
63、进一步优化,步骤s401中四项量化评价指标的计算公式如下:
64、
65、
66、
67、
68、式中:n为样本总数;为第组实测渗压真值;为第组模型渗压预测值;为全部实测渗压样本的平均值。
69、进一步优化,模型训练阶段数据集划分参数释义:按照时间先后顺序,前75%时序为训练集,用于迭代更新模型内部参数;剩余25%时序为测试集,用于检验模型泛化能力;0.5天单步滚动预测:每次输入历史时序,仅预测未来1个采样日的渗压值。
70、一种混凝土坝渗流安全预警设备,包括存储器与处理器;所述存储器内存储计算机可执行程序,所述处理器运行该计算机可执行程序时,执行上述基于分尺度预处理与双模型融合的混凝土坝渗压预测方法;存储器:存储监测时序、模型固定参数、可执行程序;处理器:执行完整渗压预测计算流程。
71、与现有技术相比,本发明具有如下有益效果:
72、1、本发明采用带辅助噪声的eemd算法分解原始渗压序列,配套四阈值联合筛选剔除无物理意义噪声分量,依据7天、30天工程周期阈值划分高、中、低频三类信号,每一类分量可关联于渗流驱动机制,分离噪声、短期降雨、季节荷载、长期帷幕演化信号,消除多尺度信号相互干扰,从预处理阶段降低模型拟合难度。
73、2、现有技术依靠人工固定频段匹配模型,泛化性差;本发明对每阶分量同步训练岭回归、transformer-bilstm两套模型,构建包含拟合优度、绝对误差、相对误差的加权coi综合打分体系,定量自动择优。岭回归擅长拟合低频线性时效趋势,transformer-bilstm精准捕捉中高频非线性波动,充分发挥两类模型各自优势,兼顾预测精度与计算效率。
74、3、行业内分解集成模型全部采用分量预测值直接线性求和重构,忽略不同频段渗流信号的非线性耦合作用;本发明通过多层全连接网络自适应学习各分量交互权重,完整保留多尺度交互信息,大幅降低重构环节信息丢失,全局预测精度显著提升。
75、4、区别于现有仅能事后shap分析的可解释方案,本发明在数据预处理、建模阶段完成信号物理分层,可直接通过各频段分量预测偏差定位渗流异常诱因:高频异常代表短期降雨/仪器故障等原因、中频异常代表水位气温周期性突变等原因、低频异常代表帷幕长期老化溶蚀等原因,实现“预测和异常溯源”一体化,完全适配水利工程安全管理需求。
76、5、依托多周期滞后水压、降雨、精细化温度、时效驱动因子,完整贴合混凝土坝渗流滞后力学机理;在帷幕高水头区、排水低波动区、坝趾稳态区三类区域的四类典型测点均保持r2>0.99,rmse、mae较单一transformer、bilstm、固定分解集成模型降低7%~77%,泛化能力突出,可直接集成至现有大坝安全监测平台。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com