基于深度置信网络的大坝变形预测研究.pdf
《基于深度置信网络的大坝变形预测研究.pdf》由会员分享,可在线阅读,更多相关《基于深度置信网络的大坝变形预测研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、d o i:1 0.3 9 6 9/j.i s s n.1 0 0 1-3 5 8 X.2 0 2 2.0 1.0 0 8测量技术基于深度置信网络的大坝变形预测研究 李 冰,徐笑笑 (江西理工大学 土木与测绘工程学院,江西 赣州 3 4 1 0 0 0)摘要:针对大坝变形预测模型精度不高、特征提取能力差等问题,构建基于深度置信网络(D B N)的预测模型,以官地水电站2 0 1 22 0 1 6年的变形数据为例,实现大坝变形后1 0期的准确预测。结果表明,D B N模型三项评价指标分别为0.2 3mm、0.3 0mm、7.0 9%,显著优于其他比较模型,能够更加准确预测大坝变形,为大坝变形预测
2、提供一种新的方法。关键词:大坝变形;变形预测;神经网络;深度置信网络中图分类号:P 2 5 8 文献标识码:A 文章编号:1 0 0 1-3 5 8 X(2 0 2 2)0 1-0 0 2 8-0 4R e s e a r c ho nd a md e f o r m a t i o np r e d i c t i o nb a s e do nd e e pb e l i e fn e t w o r kL iB i n g,X uX i a o x i a o(S c h o o l o fC i v i la n dS u r v e y i n g&M a p p i n gE n
3、g i n e e r i n g,J i a n g x iU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,G a n z h o u3 4 1 0 0 0,C h i n a)A b s r t a c t:A i m i n ga t t h ep r o b l e m so f t h e l o wp r e c i s i o na n d t h ep o o r f e a t u r ee x t r a c t i o na b i l i t yo f t h ed a md e-f o r m a
4、 t i o np r e d i c t i o nm o d e l,t h ep r e d i c t i o nm o d e lw a sc o n s t r u c t e db a s e do nd e e pb e l i e fn e t w o r k(D B N).T a k i n gt h ed e f o r m a t i o nd a t ao fG u a n d i h y d r o p o w e rs t a t i o nf r o m2 0 1 2t o2 0 1 6a sa ne x a m p l e,t h ea c c u r a t
5、 ep r e d i c t i o no f t h ed a md e f o r m a t i o nw a sa c h i e v e di n1 0p e r i o d sa f t e rd e f o r m a t i o n.R e s u l t ss h o w e dt h a tt h et h r e ee v a l u a t i o n i n d e x e so fD B N m o d e lw e r e0.2 3mm,0.3 0mma n d7.0 9%r e s p e c t i v e l y,w h i c hw e r es u p
6、 e-r i o r t oo t h e rc o m p a r i s o nm o d e l s s i g n i f i c a n t l y,c o u l dp r e d i c t t h ed a md e f o r m a t i o nm o r ea c c u r a t e l y,a n dp r o-v i d e dan e w m e t h o df o r t h ed a md e f o r m a t i o np r e d i c t i o n.K e yw o r d s:d a md e f o r m a t i o n;d
7、e f o r m a t i o np r e d i c t i o n;n e u r a ln e t w o r k;d e e pb e l i e fn e t w o r k引用格式:李冰,徐笑笑.基于深度置信网络的大坝变形预测研究J.矿山测量,2 0 2 2,5 0(1):2 8-3 1,6 9.在近几年的大坝变形预测研究中,应用神经网络模型预测成为大坝变形预测的重要手段,涉及神经网络模型主要有B P神经网络、长短期记忆网络(L o n g S h o r t T e r mM e r m o r y N e t w o r k,简 称L S TM)等。但上述方法在应用时均存
8、在一些缺点,B P神经网络采用梯度下降算法训练网络,容易陷入局部极值,且收敛速度慢,受连接权值初始化参数不同训练达到的局部极值也不同,训练结果不稳定。L S TM神经网络需要大量的训练数据,对长时间序列预测效果较理想,但对小样本时间序列预测精度不高,陈竹安等1使用数据分割方法对原始数据进行扩增,解决训练数据量小的问题;许宁等2提出改进的L S TM变形预测模型,通过增加L S TM模型的深度来解决变形序列有限样本的问题,但仍然无法彻底解决变形数据少造成的预测精度不高的问题。针对以上大坝变形预测神经网络模型预测精度不高、容易陷入局部极值、特征提取能力差等问题,迫切需要引入新的大坝变形预测神经网络
9、模型。深度 置 信 网 络(D e e p B e l i e f N e t w o r k,简 称D B N)是2 0 0 6年由G e o f f r e y H i n t o n3提出,D B N能够将提取变形的历史特征保留在权值中,对未来大坝的变形预测可以起到关键的作用。近年来,深82第5 0卷第1期2 0 2 2年2月 矿 山 测 量M I N ES UR V E Y I N G V o l.5 0N o.1F e b.2 0 2 2度置信网络受到国内外学者的广泛关注,L i nJ u n等4人利用D B N建立了变压器运行模型,提出了一种基于D B N的变压器运行状态预测方法,
10、获得了较高的预测精度;在预测煤层T D C厚度方面,W a n gX i n等5人提出了一种基于D B N和降维的地震属性预测方法;Z h e n gJ i n g等6通过对D B N参数进行优化,调整神经元节点数后将其应用于金融汇率预测的研究中;A l e k s a n d r aD e d i n e c等7将D B N引入前馈多层感知器神经网络模型中,进行短期电力负荷预测,并以马其顿电力数据为实例验证预测的有效性;Z h uJ i n g等8提出了一种基于D B N的新型智能故障诊断方法,用以研究滚动轴承的故障诊断问题;C h e nY u x u a n等9使用D B N模型对刀具磨
11、损预测进行了研究,证明了D B N模型预测结果优于对比模型。D B N已在众多领域得到广泛应用,但目前还少有学者将其应用于大坝变形预测中,因此,开展基于D B N的大坝变形预测研究具有重要意义。1 大坝变形预测模型构建1.1 D B N理论与模型构建D B N是由多个受限玻尔兹曼机(R e s t r i c t e dB o-l t z m a n nM a c h i n e s,简称R BM)堆叠构成的一种深层学习网络,R BM在玻尔兹曼机(B o l t z m a nM a c h i n e,简称BM)的基础上简化去掉了同层神经元的相互连接,是BM的一种特殊拓扑结构。根据变形数据的
12、总长度和预测输出的目标期数,选择合适的隐元和显元数量构建单层R BM,然后,通过堆叠2个R BM构建D B N模型。本文D B N模型结构分为三层,底层为完整R BM结构,底层的隐层直接作为中间层的输入层,中间层的输出层直接作为顶层的输入层,顶层选用反向传播算法进行调优,其完整网络结构如图1所示。D B N的训练主要分为两个阶段,首先,进行无监督的逐层预训练,自下而上依次训练每一层的R BM,底层R BM的输入为大坝变形原始数据样本,中间层R BM输入则为底层R BM的输出,逐层预训练的结果用做R BM的参数初值;然后,进行有监督训练,通过B P神经网络算法自顶向下有监督地对两个R BM连接权
13、值进行微调,使网络产生训练数据的概率达到最大,则训练数据将被驻留在自顶向下的权值中。设置最大迭代次数为1 0 0,学习率为0.1,采用s i g m o i d激活函数进行第一层的训练,第二层学qh|vBPRBM2RBM1hhhWWWp(v|h)p(h|h)p(h,h).vqh|h图1 D B N网络结构习率改为0.0 1,将2层R BM预训练结果作为初始化参数,最 后 一 层 有 监 督 微 调 设 置 最 大 迭 代 次 数10 0 0,以此完成网络训练。1.2 大坝变形预测实现步骤及流程D B N大坝变形预测模型具体实现步骤如下:(1)原始变形监测数据预处理:首先,计算原始变形数据的均方
14、差,以3 为阈值去除变形观测中的奇异值,然后,采用小波去噪方法对观测数据进行降噪处理。(2)数据归一化:为减小不同量纲、不同数量级对预测模型的影响,采用x=(x-xm i n)/(xm a x-xm i n)公式对降噪后的数据进行归一化处理。(3)数据分割:将归一化数据分割成训练数据对和验证数据对,前者用于模型训练,后者用于模型预测输出。(4)R BM无监督训练:以训练数据作为底层输入,自下而上依次训练每一层的R BM,使产生对应结果的概率最大,逐层预训练的结果保存在R BM连接权值中。(5)B P算法有监督训练:B P神经网络算法自顶向下有监督地对两个R BM连接权值进行微调,使网络产生训练
15、结果的概率达到最大。(6)网络预测输出:将验证数据输入到训练好的D B N预测模型中并输出预测结果。(7)预测结果的反归一化:步骤(2)将归一化数据输入模型并实现预测,因此,必须把数据还原成原量纲和数量级。(8)精度评定:将预测结果与原始变形数据进行比较,分析预测结果误差,最后采用MA E、MA P E、92第1期 李 冰等:基于深度置信网络的大坝变形预测研究 2 0 2 2年2月RM S E三个指标对预测模型进行精度评定。详细流程如图2所示。图2 基于D B N模型的大坝变形预测流程图2 工程应用本文以官地水电站坝顶监测点T 2 6点位的变形数据为 例,数 据 来 源 于 文 献 1 0,记
16、 录T 2 6号 点2 0 1 2年1 0月4日2 0 1 6年1月1 0日的垂直方向变形,共7 2期数据。变形监测数据往往含有较多的噪声信号,因此,先对原始数据进行预处理。采用小波去噪的方法对变形序列进行去噪处理,得到原始变形数据和预处理后数据序列对比如图3所示。把前6 2期数据作为训练数据,后1 0期数据作验证数据。根据前文方法构建训练数据对和验证数据对,在D B N模型中R BM显元数量(x)和隐元数量(y)共同影响模型的性能,通过网格法搜索确定x图3 T 2 6监测点原始观测值与预处理结果对比图和y的最佳组合,以均方根误差(RM S E)为适应度函数,全局最小所对应的x、y为寻优结果。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 置信 网络 大坝 变形 预测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。