一种水库大坝变形的记忆漂移动态建模方法及终端设备与流程
本发明涉及一种水库大坝变形的记忆漂移动态建模方法及终端设备,属于大坝变形监测。
背景技术:
1、目前,多数数据驱动模型虽能基本反映水位、温度、降雨等因素与大坝变形的非线性关系,但大坝变形的非线性主要体现为显著的时变特性。这一特性源于两方面:一方面,坝体材料具有黏弹塑性,其蠕变及损伤累积效应会持续增强变形的非线性程度;另一方面,水位骤变、极端荷载、温湿循环等复杂环境作用,使得坝体力学响应随时间不断演化,进一步加剧了变形的时变特征。
2、然而,现有传统统计模型和深度学习模型难以有效适应上述时变特性,具体存在以下四方面不足:第一,模型多采用离线训练方式,参数一经固定便无法动态跟踪变形规律,导致长期使用后预测精度显著下降;第二,异常诊断依赖单一阈值,未能结合物理机理,因而难以准确区分正常波动与结构异常;第三,模型更新过程忽略历史基准,易受噪声干扰,更新稳定性较差;第四,目前对于模型更新与结构异常之间的内在关联缺乏系统研究,致使精细化诊断和智能预警难以实现。有鉴于此,亟需提出一种能够动态适应大坝变形时变特性、融合物理机理且具备稳健更新机制的监测与预警方案。
技术实现思路
1、本发明提供了一种水库大坝变形的记忆漂移动态建模方法及终端设备,能够解决现有模型难以动态适应大坝变形时变特性,且不具备稳健更新机制,从而导致预测精度下降的问题。
2、一方面,本发明提供了一种水库大坝变形的记忆漂移动态建模方法,所述方法包括:
3、s1、根据影响水库大坝变形的多个影响因子和水库大坝的往期监测数据,构建所述水库大坝的先验统计模型,并将所述先验统计模型加入稳定模型库;
4、s2、获取所述水库大坝的当期监测数据,并根据所述当期监测数据、所述往期监测数据和所述稳定模型库中的模型确定所述先验统计模型的更新阈值;
5、s3、确定所述先验统计模型的预测误差,并在所述预测误差大于所述更新阈值时,利用所述当期监测数据训练所述先验统计模型,得到更新后模型;
6、s4、根据所述更新后模型和所述稳定模型库中的模型,确定各影响因子的复相关系数,并在各影响因子的复相关系数均满足预设条件时,将所述更新后模型加入稳定模型库。
7、可选的,所述s1中的根据影响水库大坝变形的多个影响因子和水库大坝的往期监测数据,构建所述水库大坝的先验统计模型,具体包括:
8、对水库大坝的往期监测数据进行小波分解,得到往期去趋势变形数据;
9、确定影响水库大坝变形的多个影响因子,并根据多个所述影响因子和所述往期去趋势变形数据,构建所述水库大坝的先验统计模型。
10、可选的,对水库大坝的往期监测数据进行小波分解,得到往期去趋势变形数据,具体包括:
11、根据水库大坝的往期监测数据的监测频率确定小波分解层数;
12、基于所述小波分解层数对所述往期监测数据进行小波分解,得到往期去趋势变形数据。
13、可选的,所述s2中的根据所述当期监测数据、所述往期监测数据和所述稳定模型库中的模型确定所述先验统计模型的更新阈值,具体包括:
14、对所述当期监测数据进行小波分解,得到当期趋势变形数据和当期去趋势变形数据,并计算所述当期趋势变形数据的当期趋势变化率;
15、确定所述稳定模型库中所有模型的平均预测标准差,并根据所述往期监测数据中的往期去趋势变形数据确定初始阈值;
16、根据所述初始阈值、所述当期趋势变化率和所述平均预测标准差确定所述先验统计模型的更新后阈值。
17、可选的,根据所述往期监测数据中的往期去趋势变形数据确定初始阈值,具体为:
18、计算所述往期监测数据中的往期去趋势变形数据的标准差,并将所述标准差的十分之一作为初始阈值。
19、可选的,所述s3中的确定所述先验统计模型的预测误差,具体包括:
20、利用所述先验统计模型对所述当期去趋势变形数据进行预测,得到当期预测值;
21、根据所述当期预测值和所述当期去趋势变形数据的当期实测值,确定所述先验统计模型的预测误差。
22、可选的,所述s3中的利用所述当期监测数据训练所述先验统计模型,得到更新后模型,具体包括:
23、基于有限内存拟牛顿法,并利用所述当期监测数据中的当期去趋势变形数据训练所述先验统计模型,得到更新后模型;其中,模型训练的目标函数中包含参数更新幅度约束项。
24、可选的,所述s4中的根据所述更新后模型和所述稳定模型库中的模型,确定各影响因子的复相关系数,具体包括:
25、从所述更新后模型中提取各影响因子的更新分量,并从所述稳定模型库的所有模型中提取各影响因子的稳定期加权平均分量;
26、根据每个影响因子的更新分量及对应的稳定期加权平均分量,确定对应影响因子的复相关系数。
27、可选的,在所述s4之后,所述方法还包括:
28、根据所述预测误差、所述平均预测标准差和所述当期趋势变化率确定边界更新放大倍数;
29、根据所述预测误差和所述边界更新放大倍数确定所述更新后模型的新边界。
30、另一方面,本发明提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述中任一种所述的水库大坝变形的记忆漂移动态建模方法的步骤。
31、本发明能产生的有益效果包括:
32、本发明提供的水库大坝变形的记忆漂移动态建模方法,通过动态更新机制和正则化优化,模型可适应数据分布的非平稳性变化,精准跟踪大坝变形规律的演变,该效果基于模型动态更新触发机制和 l-bfgs 优化算法实现。同时,本发明结合历史稳定模型的记忆机制,通过分量相关性分析区分正常波动与异常变形,避免误报和漏报,该效果基于记忆机制实现。另外,本发明可以动态调整安全边界,可提前捕捉大坝变形异常趋势,工程实例验证预警时效性可提前3个月,该效果基于异常诊断机制实现。
1.一种水库大坝变形的记忆漂移动态建模方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述s1中的根据影响水库大坝变形的多个影响因子和水库大坝的往期监测数据,构建所述水库大坝的先验统计模型,具体包括:
3.根据权利要求2所述的方法,其特征在于,对水库大坝的往期监测数据进行小波分解,得到往期去趋势变形数据,具体包括:
4.根据权利要求1所述的方法,其特征在于,所述s2中的根据所述当期监测数据、所述往期监测数据和所述稳定模型库中的模型确定所述先验统计模型的更新阈值,具体包括:
5.根据权利要求4所述的方法,其特征在于,根据所述往期监测数据中的往期去趋势变形数据确定初始阈值,具体为:
6.根据权利要求4所述的方法,其特征在于,所述s3中的确定所述先验统计模型的预测误差,具体包括:
7.根据权利要求1所述的方法,其特征在于,所述s3中的利用所述当期监测数据训练所述先验统计模型,得到更新后模型,具体包括:
8.根据权利要求1所述的方法,其特征在于,所述s4中的根据所述更新后模型和所述稳定模型库中的模型,确定各影响因子的复相关系数,具体包括:
9.根据权利要求4所述的方法,其特征在于,在所述s4之后,所述方法还包括:
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9中任一项所述的水库大坝变形的记忆漂移动态建模方法的步骤。
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