本發(fā)明涉及壩體滲水量預(yù)測(cè)，特別是一種基于多尺度卷積神經(jīng)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的壩體滲水量預(yù)測(cè)方法。

背景技術(shù)：

1、大壩作為重要的水利工程設(shè)施，其安全性和穩(wěn)定性至關(guān)重要。然而，大壩在長(zhǎng)期運(yùn)行過程中，受自然環(huán)境、材料老化及設(shè)計(jì)施工等多重因素影響，常出現(xiàn)結(jié)構(gòu)縫滲水和壩體基巖裂縫滲水等問題。這些問題不僅影響大壩的正常運(yùn)行，還可能引發(fā)嚴(yán)重的安全事故。因此，對(duì)其滲水量的監(jiān)測(cè)和預(yù)測(cè)是非常有必要的。

2、當(dāng)前，對(duì)于大壩滲水量的預(yù)測(cè)主要依賴于傳統(tǒng)的物理模型和經(jīng)驗(yàn)公式，但這些方法往往存在預(yù)測(cè)精度低、適應(yīng)性差等問題。特別是對(duì)于復(fù)雜多變的滲水情況，傳統(tǒng)方法難以準(zhǔn)確捕捉滲水量在空間和時(shí)間上的動(dòng)態(tài)變化特征，難以做到真正有效的預(yù)測(cè)。具體地，目前傳統(tǒng)方法存在以下技術(shù)問題：

3、（1）特征提取困難：在壩體滲水量預(yù)測(cè)的過程中，監(jiān)測(cè)數(shù)據(jù)通常包含復(fù)雜的空間分布信息和時(shí)間序列信息，同時(shí)伴隨著噪聲和異常值的影響。這些因素導(dǎo)致傳統(tǒng)方法難以從原始數(shù)據(jù)中準(zhǔn)確、有效地提取出對(duì)滲水量預(yù)測(cè)有決定性影響的特征。

4、（2）空間特征和時(shí)間特征的結(jié)合困難：壩體滲水量的變化不僅受當(dāng)前空間分布特征的影響，還與過去和未來的時(shí)間序列特征密切相關(guān)。然而，傳統(tǒng)方法往往只能處理簡(jiǎn)單的時(shí)間數(shù)據(jù)，難以有效地將這兩種特征結(jié)合起來進(jìn)行綜合分析。

5、（3）壩體滲水量預(yù)測(cè)精度低：傳統(tǒng)方法和經(jīng)驗(yàn)公式在壩體滲水量預(yù)測(cè)方面的精度往往難以達(dá)到實(shí)際需求，預(yù)測(cè)精度較低。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服上述不足，提供一種基于多尺度卷積神經(jīng)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的壩體滲水量預(yù)測(cè)方法，以解決背景技術(shù)中提出的問題。

2、為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：一種基于多尺度卷積神經(jīng)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的壩體滲水量預(yù)測(cè)方法，包括以下步驟：

3、步驟一：數(shù)據(jù)收集與預(yù)處理：

4、步驟二：搭建ms-cnn神經(jīng)網(wǎng)絡(luò)，對(duì)監(jiān)測(cè)數(shù)據(jù)中空間數(shù)據(jù)的特征進(jìn)行提?。?/p>

5、步驟三：搭建bi-lstm神經(jīng)網(wǎng)絡(luò)，對(duì)監(jiān)測(cè)數(shù)據(jù)中時(shí)間數(shù)據(jù)的特征進(jìn)行提??；

6、步驟四：模型融合與訓(xùn)練：將ms-cnn神經(jīng)網(wǎng)絡(luò)的輸出和時(shí)間序列數(shù)據(jù)一同作為bi-lstm神經(jīng)網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)兩個(gè)神經(jīng)網(wǎng)絡(luò)的搭接，得到完整的滲水量預(yù)測(cè)模型；通過處理好的壩體滲水監(jiān)測(cè)數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，通過反向傳播算法優(yōu)化模型的參數(shù)，并微調(diào)超參數(shù)改善模型識(shí)別能力，最終使模型實(shí)現(xiàn)壩體滲水量預(yù)測(cè)任務(wù)。

7、優(yōu)選地，所述步驟一具體包括以下過程：

8、收集壩體監(jiān)測(cè)數(shù)據(jù)，包括滲水量、水位、溫度、濕度時(shí)間序列數(shù)據(jù)，以及滲水裂縫位置、高程、長(zhǎng)度、寬度空間數(shù)據(jù)；然后對(duì)收集到的數(shù)據(jù)進(jìn)行清洗，去除異常值、缺失值，并進(jìn)行插值或估算處理；最后對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行小波變化處理，以捕獲不同時(shí)間尺度的特征信息，同時(shí)全部數(shù)據(jù)進(jìn)行歸一化處理，使其能夠輸入模型進(jìn)行訓(xùn)練和預(yù)測(cè)。

9、優(yōu)選地，所述步驟二中搭建ms-cnn神經(jīng)網(wǎng)絡(luò)的具體過程如下：

10、搭建包含多個(gè)尺度卷積層的ms-cnn神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)包括輸入層、多個(gè)多尺度卷積層和特征融合層；其中每個(gè)尺度卷積層可以提取不同空間維度的特征信息，特征融合層將不同尺度卷積層提取的特征信息進(jìn)行融合，使得網(wǎng)絡(luò)能夠同時(shí)利用到不同尺度的特征。

11、優(yōu)選地，卷積計(jì)算公式為：

12、

13、其中：是第i層的特征圖，是第i層的卷積核，是新的計(jì)算結(jié)果，表示卷積計(jì)算。

14、優(yōu)選地，所述步驟三中搭建bi-lstm神經(jīng)網(wǎng)絡(luò)的具體過程如下：

15、構(gòu)建bi-lstm神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)包括輸入層、雙向lstm層、全連接層和輸出層；雙向lstm層由一個(gè)正向lstm和一個(gè)反向lstm組成，這兩個(gè)lstm網(wǎng)絡(luò)分別提取時(shí)間序列的正向和反向特征。

16、優(yōu)選地，雙向lstm層的輸出結(jié)果是結(jié)合正向和反向lstm的輸出結(jié)果，其計(jì)算公式為：

17、

18、其中：是雙向lstm層的輸出結(jié)果，是正向lstm的輸出結(jié)果，是反向lstm的輸出結(jié)果。

19、優(yōu)選地，所述步驟四具體包括以下過程：

20、s4.1：對(duì)ms-cnn神經(jīng)網(wǎng)絡(luò)和bi-lstm神經(jīng)網(wǎng)絡(luò)進(jìn)行搭接，形成完整的滲水量預(yù)測(cè)模型；在搭接過程中，將ms-cnn神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果通過輸出層進(jìn)行維度調(diào)整，使其與時(shí)間序列數(shù)據(jù)集的時(shí)間維度一致，該輸出結(jié)果與時(shí)間序列數(shù)據(jù)集組合成新的輸入數(shù)據(jù)，輸入到bi-lstm神經(jīng)網(wǎng)絡(luò)中，最終輸出滲水量的預(yù)測(cè)結(jié)果；通過兩個(gè)神經(jīng)網(wǎng)絡(luò)模型的搭接，組成了壩體滲水量的預(yù)測(cè)模型；

21、s4.2：將處理之后的空間數(shù)據(jù)集和時(shí)間序列數(shù)據(jù)集分別按照6：2：2的比例分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，其中訓(xùn)練集、驗(yàn)證集用來訓(xùn)練模型的參數(shù)，并以此為依據(jù)調(diào)整超參數(shù)，測(cè)試集用于測(cè)試模型預(yù)測(cè)滲水量的最終效果；

22、s4.3：對(duì)ms-cnn神經(jīng)網(wǎng)絡(luò)和bi-lstm神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練，并手動(dòng)調(diào)整其網(wǎng)絡(luò)結(jié)構(gòu)和超參數(shù)，實(shí)現(xiàn)壩體結(jié)構(gòu)縫和基巖裂縫的滲水量的精準(zhǔn)預(yù)測(cè)和分析及預(yù)警。

23、本發(fā)明有益效果：

24、（1）增強(qiáng)模型的魯棒性：ms-cnn神經(jīng)網(wǎng)絡(luò)的多尺度特征提取機(jī)制使得模型能夠自動(dòng)適應(yīng)不同維度、尺度的空間特征，而bi-lstm神經(jīng)網(wǎng)絡(luò)則能有效處理時(shí)間序列中的長(zhǎng)期依賴和不確定性；本發(fā)明通過兩者的結(jié)合不僅提高了模型對(duì)復(fù)雜數(shù)據(jù)結(jié)構(gòu)的適應(yīng)性，還增強(qiáng)了模型對(duì)噪聲和異常值的魯棒性，確保了在各種環(huán)境條件下的穩(wěn)定預(yù)測(cè)性能。

25、（2）顯著提高預(yù)測(cè)精度：通過融合ms-cnn的空間特征提取能力和bi-lstm的時(shí)間序列特征分析能力，本發(fā)明能夠全面捕捉壩體滲水量在空間分布上的變化影響以及時(shí)間上的動(dòng)態(tài)趨勢(shì)，從而顯著提升預(yù)測(cè)模型的準(zhǔn)確性，其精確預(yù)測(cè)滲水量對(duì)于大壩安全監(jiān)測(cè)和后續(xù)維護(hù)至關(guān)重要。

26、（3）實(shí)現(xiàn)高精度預(yù)警功能：通過高精度預(yù)測(cè)，本發(fā)明能夠及時(shí)發(fā)現(xiàn)并預(yù)警異常滲水量的發(fā)生，為大壩的安全管理和維護(hù)提供數(shù)據(jù)支撐，并為大壩管理人員提供充足的反應(yīng)時(shí)間；這有助于及時(shí)發(fā)現(xiàn)問題并采取措施，保障大壩的結(jié)構(gòu)安全和運(yùn)行穩(wěn)定。

27、（4）提升大壩監(jiān)測(cè)智能化：本發(fā)明可以集成到現(xiàn)有的監(jiān)測(cè)系統(tǒng)中，實(shí)現(xiàn)對(duì)壩體結(jié)構(gòu)縫等區(qū)域滲水量的自動(dòng)監(jiān)測(cè)、分析和預(yù)警，提高大壩管理智能化，提高工作效率和精度。

技術(shù)特征：

1.一種基于多尺度卷積神經(jīng)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的壩體滲水量預(yù)測(cè)方法，其特征在于：包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于多尺度卷積神經(jīng)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的壩體滲水量預(yù)測(cè)方法，其特征在于：所述步驟一具體包括以下過程：

3.根據(jù)權(quán)利要求1所述的一種基于多尺度卷積神經(jīng)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的壩體滲水量預(yù)測(cè)方法，其特征在于：所述步驟二中搭建ms-cnn神經(jīng)網(wǎng)絡(luò)的具體過程如下：

4.根據(jù)權(quán)利要求3所述的一種基于多尺度卷積神經(jīng)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的壩體滲水量預(yù)測(cè)方法，其特征在于：卷積計(jì)算公式為：

5.根據(jù)權(quán)利要求1所述的一種基于多尺度卷積神經(jīng)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的壩體滲水量預(yù)測(cè)方法，其特征在于：所述步驟三中搭建bi-lstm神經(jīng)網(wǎng)絡(luò)的具體過程如下：

6.根據(jù)權(quán)利要求5所述的一種基于多尺度卷積神經(jīng)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的壩體滲水量預(yù)測(cè)方法，其特征在于：雙向lstm層的輸出結(jié)果是結(jié)合正向和反向lstm的輸出結(jié)果，其計(jì)算公式為：

7.根據(jù)權(quán)利要求1所述的一種基于多尺度卷積神經(jīng)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的壩體滲水量預(yù)測(cè)方法，其特征在于：所述步驟四具體包括以下過程：

技術(shù)總結(jié)
本發(fā)明公開一種基于多尺度卷積神經(jīng)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的壩體滲水量預(yù)測(cè)方法，包括：步驟一：數(shù)據(jù)收集與預(yù)處理：步驟二：搭建MS?CNN神經(jīng)網(wǎng)絡(luò)，對(duì)監(jiān)測(cè)數(shù)據(jù)中空間數(shù)據(jù)的特征進(jìn)行提取；步驟三：搭建Bi?LSTM神經(jīng)網(wǎng)絡(luò)，對(duì)監(jiān)測(cè)數(shù)據(jù)中時(shí)間數(shù)據(jù)的特征進(jìn)行提?。徊襟E四：模型融合與訓(xùn)練：將MS?CNN神經(jīng)網(wǎng)絡(luò)的輸出和時(shí)間序列數(shù)據(jù)一同作為Bi?LSTM神經(jīng)網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)兩個(gè)神經(jīng)網(wǎng)絡(luò)的搭接，得到完整的滲水量預(yù)測(cè)模型；通過處理好的壩體滲水監(jiān)測(cè)數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，通過反向傳播算法優(yōu)化模型的參數(shù)，并微調(diào)超參數(shù)改善模型識(shí)別能力；本發(fā)明提高了整體預(yù)測(cè)模型的準(zhǔn)確性和魯棒性，實(shí)現(xiàn)對(duì)壩體滲水量的高精度預(yù)測(cè)和異常滲水量的預(yù)警功能，為大壩的安全監(jiān)測(cè)和維護(hù)提供有力支持。

技術(shù)研發(fā)人員：陳炫沂,鐘恒,郭昊旻,李一恒
受保護(hù)的技術(shù)使用者：中國長(zhǎng)江電力股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23