基于机器学习和微分方程的渗流压力预测方法及及系统与流程

本发明涉及渗流压力预测，尤其涉及一种基于机器学习和微分方程的渗流压力预测方法及系统。

背景技术：

1、土石坝作为水利工程中应用广泛的挡水建筑物，其渗流稳定性直接关系到工程安全运行。渗流压力是反映坝体渗流状态的核心指标，其异常变化可能引发管道冲刷、接触侵蚀等灾害，因此精准预测渗流压力对土石坝维护至关重要。

2、目前，土石坝渗流压力预测方法主要利用机理模型、统计模型、人工智能模型及混合模型等。其中，机理模型和统计模型需要大量监测数据和计算资源，且难以捕捉渗流压力序列的高不稳定性、非线性及非平稳特性；单一人工智能模型虽在非线性拟合上表现优异，但在处理季节性变化、时间延迟效应及异常值时存在局限性，预测精度难以满足工程实际需求。另外，现有技术中，部分研究尝试通过数据分解、多模型融合等策略提升预测效果，如蚁狮优化器-长短期记忆算法、小波-互信息-高斯过程回归等，但这些方法未充分考虑渗流压力影响因素的线性与非线性耦合关系，且对时间延迟和季节性的量化表征不足。

3、因此，亟需研究一种能够同时捕捉非线性关系、季节性变化、时间延迟及异常值的渗流压力预测方法，以提升预测精度和满足工程适用性。

技术实现思路

1、为了解决或缓解上述一个或多个技术问题，本发明提供一种基于机器学习和微分方程的渗流压力预测方法及系统。

2、根据本发明的一方面，提出一种基于机器学习和微分方程的渗流压力预测方法，该方法包括：

3、获取土石坝的历史监测数据并对其进行预处理；所述历史监测数据包括多个采样时刻的水位、降水量、气温最大值、气温最小值及渗流压力实测值；

4、对所述历史监测数据进行预处理；

5、利用预处理后的历史监测数据训练机器学习模型，基于训练好的机器学习模型得到下一时刻的渗流压力预测值；

6、基于下一时刻的渗流压力实测值和渗流压力预测值计算残差；

7、基于水位数据，构建描述残差动态变化的一阶微分方程；

8、将土石坝的实时监测数据进行预处理后输入训练好的机器学习模型中，得到渗流压力预测初始值；同时将土石坝的实时水位数据输入所述一阶微分方程中，计算得到残差补偿值；将所述渗流压力预测初始值和所述残差补偿值叠加，得到最终渗流压力预测结果。

9、进一步地，所述预处理包括：对所述历史监测数据进行标准化处理。

10、进一步地，所述机器学习模型为反向传播神经网络，以t-1时刻的水位、降水量、气温最大值、气温最小值作为输入值，t时刻的渗流压力实测值作为输出值，采用最小二乘优化算法训练反向传播神经网络。

11、进一步地，所述描述残差动态变化的一阶微分方程构建如下：

12、；

13、式中，表示残差；

t表示时间；表示周期性波动项振幅系数；表示气温与渗流压力之间的时间延迟；

mod(t,365)表示时间

t对365的取模运算，表征季节性周期；表示线性趋势项速率常数；表示水位反馈项系数；表示水位变化阻尼项系数；表示水位数据；表示常数偏移项。

14、进一步地，采用优化算法优化校准所述一阶微分方程中的周期性波动项振幅系数、线性趋势项速率常数、水位反馈项系数、水位变化阻尼项系数、常数偏移项c、时间延迟，从而得到具有最优系数的一阶微分方程。

15、进一步地，所述优化算法采用粒子群优化算法，校准目标为最小化预测残差与实测残差的均方误差。

16、根据本发明的另一方面，提出一种基于机器学习和微分方程的渗流压力预测系统，所述系统基于上述所述的基于机器学习和微分方程的渗流压力预测方法实现，所述系统包括：

17、数据获取模块，用于获取土石坝的历史监测数据并对其进行预处理；所述历史监测数据包括多个采样时刻的水位、降水量、气温最大值、气温最小值及渗流压力实测值；

18、预处理模块，用于对所述历史监测数据进行预处理；

19、机器学习模型训练模块，用于利用预处理后的历史监测数据训练机器学习模型，基于训练好的机器学习模型得到下一时刻的渗流压力预测值；

20、残差方程构建模块，用于基于下一时刻的渗流压力实测值和渗流压力预测值计算残差；基于水位数据，构建描述残差动态变化的一阶微分方程；

21、渗流压力预测模块，用于将土石坝的实时监测数据进行预处理后输入训练好的机器学习模型中，得到渗流压力预测初始值；同时将土石坝的实时水位数据输入所述一阶微分方程中，计算得到残差补偿值；将所述渗流压力预测初始值和所述残差补偿值叠加，得到最终渗流压力预测结果。

22、根据本发明的另一方面，还提出一种电子设备，其包括：存储器、处理器以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上所述的基于机器学习和微分方程的渗流压力预测方法。

23、根据本发明的另一方面，还提出一种计算机可读存储介质，所述存储介质存储有计算机程序；所述计算机程序被处理器执行以实现如上所述的基于机器学习和微分方程的渗流压力预测方法。

24、本发明实施例具有以下技术效果：

25、1）预测精度高：通过反向传播神经网络（back propagation neural network，bpnn）与微分方程（de）的融合，既捕捉了渗流压力的非线性特征，又量化了时间延迟、季节性及异常值影响，较单独bpnn模型的平均绝对百分比误差（mape）最大降低26%，决定系数（r²）最高提升至0.97；

26、2）适应性强：可处理不同气候区（如半干旱地区）、不同监测站点的渗流压力预测，能有效应对水位波动、极端气温等复杂工况；

27、3）工程实用性好：模型输入变量均为常规监测数据，获取便捷，计算过程高效，可用于土石坝实时安全监测与风险预警；

28、4）理论创新性：构建了残差的微分方程表征方法，明确了时间延迟与水位变化的耦合作用机制，为渗流压力预测提供了新的技术思路。

1.基于机器学习和微分方程的渗流压力预测方法，其特征在于，包括：

2.根据权利要求1所述的基于机器学习和微分方程的渗流压力预测方法，其特征在于，所述预处理包括：对所述历史监测数据进行标准化处理。

3.根据权利要求2所述的基于机器学习和微分方程的渗流压力预测方法，其特征在于，所述机器学习模型为反向传播神经网络，以t-1时刻的水位、降水量、气温最大值、气温最小值作为输入值，t时刻的渗流压力实测值作为输出值，采用最小二乘优化算法训练反向传播神经网络。

4.根据权利要求3所述的基于机器学习和微分方程的渗流压力预测方法，其特征在于，所述描述残差动态变化的一阶微分方程构建如下：

5.根据权利要求4所述的基于机器学习和微分方程的渗流压力预测方法，其特征在于，采用优化算法优化校准所述一阶微分方程中的周期性波动项振幅系数、线性趋势项速率常数、水位反馈项系数、水位变化阻尼项系数、常数偏移项c、时间延迟，从而得到具有最优系数的一阶微分方程。

6.根据权利要求5所述的基于机器学习和微分方程的渗流压力预测方法，其特征在于，所述优化算法采用粒子群优化算法，校准目标为最小化预测残差与实测残差的均方误差。

7.基于机器学习和微分方程的渗流压力预测系统，其特征在于，所述系统基于权利要求1-6中任一项所述的基于机器学习和微分方程的渗流压力预测方法实现，所述系统包括：

8.一种电子设备，其特征在于，包括：存储器、处理器以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1至6中任一项所述的基于机器学习和微分方程的渗流压力预测方法。

9.计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1至6中任一项所述的基于机器学习和微分方程的渗流压力预测方法。