一种基于数据和模型双驱动的大坝安全风险自动评价方法与流程
本发明涉及大坝安全监测与风险评价,具体涉及一种基于数据和模型双驱动的大坝安全风险自动评价方法。
背景技术:
1、大坝安全风险评价是保障水利工程安全运行的核心技术手段。目前,主流的大坝安全风险评价方法主要分为两大类。
2、一类是基于监测数据的数据驱动方法。此类方法通过统计模型(如逐步回归、时间序列)或机器学习模型(如神经网络、支持向量机)学习历史监测数据中的演化规律,进而对坝体变形、渗流等效应量进行预测和异常识别。该类方法的优势在于响应速度快、能够捕捉监测数据中的细微变化,但纯数据驱动模式缺乏物理机制约束,当监测数据出现稀疏性缺失、噪声干扰或遭遇极端工况时,模型容易产生偏离物理实际的预测结果,导致误报或漏报风险显著增加。
3、另一类是基于力学机理的物理模型方法。此类方法通过构建大坝的有限元数值模型或解析失效功能函数,依据渗流场、应力场等物理场计算结果来评判结构安全度。该类方法具有坚实的力学理论基础,能够反映大坝服役状态的内在物理规律,但其计算复杂度高、时效性差,难以实现实时在线评价;且物理模型通常基于理想化边界条件和材料参数设定,难以充分融合现场海量监测数据,导致评价结果与工程实际之间往往存在一定偏差。
4、针对上述两类方法的互补特性,现有技术中已出现一些尝试将数据驱动与物理模型进行结合的技术方案。然而,这些现有方案多采用串联式结构,即先通过数据驱动方法预测监测值,再代入物理模型进行校核,或先由物理模型生成理论值,再由数据驱动方法修正误差。此类单向传递结构仅实现了数据与模型的简单拼接,二者之间缺乏有效的双向互校核机制与动态权重协调策略,导致预测精度与鲁棒性难以兼得。此外,在风险预警阈值的制定上,现有技术多依赖人工经验或固定统计界限,缺乏基于历史运行状态反馈的自适应校准能力,难以适应不同大坝类型、不同运行时期的风险演变特性。
技术实现思路
1、针对现有技术中的上述不足,本发明提供了一种基于数据和模型双驱动的大坝安全风险自动评价方法,用于解决现有技术中数据驱动与物理模型之间缺乏双向互校核机制导致预测精度与鲁棒性难以兼得,以及预警阈值依赖人工经验设定、缺乏基于历史运行状态反馈的自适应校准能力,难以适应不同大坝类型及不同运行时期风险演变特性的问题。
2、为了达到上述发明目的,本发明采用的技术方案为:
3、一种基于数据和模型双驱动的大坝安全风险自动评价方法,包括以下步骤:
4、获取若干历史时刻的大坝多源监测指标数据样本,进行数据预处理后,构建历史数据样本集,通过历史时间窗口滑动,提取当前时刻及前
l个时刻的大坝多源监测指标数据序列;
5、将当前及前
l个时刻的大坝多源监测指标数据序列输入训练好的时序预测模型,生成未来
t个时刻的监测指标预测值;
6、基于未来
t个时刻的监测指标预测值,逐时刻计算每个监测指标相对于历史数据样本集中该监测指标历史均值的标准化偏差度,并将标准化偏差度进行s型函数映射,计算每个未来时刻的数据驱动风险评分;
7、提取每个历史时刻的多源监测指标数据样本的数据驱动风险评分及实际运行状态标签,构建标签数据集;
8、设定待校准的第一、第二、第三预警阈值及预警阈值的空间约束,判定每个历史时刻的多源监测指标数据样本的数据驱动风险评分的预测预警等级及预测预警等级对应的预测运行状态标签;
9、计算每个历史时刻的多源监测指标数据样本的数据驱动风险评分的预测运行状态标签与实际运行状态标签的评分,将其作为实际预警等级与预测预警等级的误分类代价,构建误分类代价矩阵;
10、计算所有历史时刻的多源监测指标数据样本的历史总误分类代价,并在预警阈值的空间约束内,寻找使历史总误分类代价最小的阈值组合,生成校准后的第一、第二、第三预警阈值;
11、利用校准后的第一、第二、第三预警阈值,预测每个未来时刻的数据驱动风险评分的预警等级,同时将校准后的第一、第二、第三预警阈值部署至在线预警系统,每运行半年或每次发生实际险情后,重新执行预警更新。
12、本发明具有以下有益效果:
13、本发明所提出的一种基于数据和模型双驱动的大坝安全风险自动评价方法,通过将时序预测模型与历史统计规律相结合,实现了数据驱动与统计特征的双驱动融合评价,使风险评分始终处于物理统计范围之内,克服了纯数据驱动方法在数据稀疏或极端工况下易产生违背物理规律预测结果的缺陷,提高了大坝安全风险评价结果的准确性和可信度;同时,通过构建误分类代价矩阵对预警阈值进行全局优化,使阈值划分能够根据历史运行反馈自动调整,避免了传统人工经验设定固定阈值导致误报率或漏报率偏高的问题,以等级差平方作为误分类代价对不同程度误判施加相应惩罚,有效降低了预警系统的误报率和漏报率,提升了预警系统的科学性和自适应性;此外,该方法不依赖于特定坝型或监测项目,通过熵权法自动计算指标权重即可迁移至各类水利工程,结合每半年或险情发生后的定期重新校准策略,使预警系统能够随监测数据积累持续优化,具有广泛的推广应用前景。
1.一种基于数据和模型双驱动的大坝安全风险自动评价方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的大坝安全风险自动评价方法,其特征在于,大坝多源监测指标数据包括变形指标数据、渗流指标数据、应力应变指标数据及环境量指标数据。
3.根据权利要求1所述的大坝安全风险自动评价方法,其特征在于,时序预测模型为transformer网络架构,包括输入嵌入层、位置编码层、编码器模块、输出映射层;编码器模块包括若干编码器层,每个编码器层包括多头自注意力子层、第一层归一化、前馈神经网络子层、第二层归一化。
4.根据权利要求3所述的大坝安全风险自动评价方法,其特征在于,将当前及前l个时刻的大坝多源监测指标数据序列输入训练好的时序预测模型,生成未来t个时刻的监测指标预测值的过程为:
5.根据权利要求4所述的大坝安全风险自动评价方法,其特征在于,将携带时序位置信息的特征序列输入至编码器模块,进行深度特征提取,生成深层特征序列的过程为:
6.根据权利要求1所述的大坝安全风险自动评价方法,其特征在于,计算每个未来时刻的数据驱动风险评分的公式为:
7.根据权利要求1所述的大坝安全风险自动评价方法,其特征在于,标签数据集表示为:
8.根据权利要求1所述的大坝安全风险自动评价方法,其特征在于,设定待校准的第一、第二、第三预警阈值及预警阈值的空间约束,判定每个历史时刻的多源监测指标数据样本的数据驱动风险评分的预测预警等级及预测预警等级对应的预测运行状态标签的过程为:
9.根据权利要求1所述的大坝安全风险自动评价方法,其特征在于,误分类代价矩阵,表示为:
10.根据权利要求1所述的大坝安全风险自动评价方法,其特征在于,计算所有历史时刻的多源监测指标数据样本的历史总误分类代价,并在预警阈值的空间约束内,寻找使历史总误分类代价最小的阈值组合,生成校准后的第一、第二、第三预警阈值,表示为:
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