本发明涉及大坝变形预测,更具体的说是涉及一种基于特征分解和深度学习的大坝变形预测方法及系统。
背景技术:
1、变形是混凝土坝安全状态的直接指标,它反映了材料和结构在多因素共同作用下的非线性动力演化。基于监测位移的解释和预测是监测和识别混凝土坝安全状态的重要手段。因此,连续、充分的变形监测数据对于可靠的大坝变形预测模型至关重要。许多老大坝普遍监测系统不完善或不合理,导致观测不足。即使是监测设计完善的新建大坝,由于仪器故障或主动干扰,数据连续性和可靠性也较差,而且新建大坝运行初期的所有测点都缺乏数据样本。现有技术中获取监测数据的方法,如传统的插值方法和深度学习方法都侧重于插值监测值,依赖于同一大坝临近测点数据。然而,这些研究关注的是充足的数据和从头开始训练的机器学习,并没有完全考虑观察不足的问题。
2、因此,如何提出一种基于特征分解和深度学习的大坝变形预测方法及系统,通过借鉴其他类似大坝的变形数据,对观测不足的混凝土大坝进行预测,通过迁移学习来预学习获得一般变形知识,填补不足的数据空白,从而做出准确的大坝变形预测是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本发明提供了一种基于特征分解和深度学习的大坝变形预测方法及系统,通过借鉴其他类似大坝的变形数据,对观测不足的混凝土大坝进行预测。针对不同的大坝是不同的领域,由一个大坝直接训练的模型不适合其他大坝的问题,采用迁移学习的方法,迁移学习有两个基本概念:源领域和目标领域,利用数据、任务或模型之间的相似性,将源领域的知识应用到目标领域。通过预学习获得一般变形知识,填补不足的数据空白,从而做出准确的大坝变形预测,为了实现上述目的,本发明采用如下技术方案:
2、一种基于特征分解和深度学习的大坝变形预测方法,包括:
3、将源域和目标域的大坝变形序列均分解为子序列;
4、分别对所述子序列进行评估,并根据评估结果提取子序列的特征分量,得到源域和目标域特征分量;
5、匹配源域和目标域特征分量的相似度,利用与目标域特征分量相匹配的源域特征分量进行预测模型训练;
6、冻结预测模型的浅层网络,输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数,得到目标域特征分量预测模型;
7、将大坝待测点实时数据输入至目标域特征分量预测模型中,得到变形预测结果。
8、可选的,所述将源域和目标域的大坝变形序列均分解为子序列包括:通过变分模态分解将源域和目标域的大坝变形序列均分解为子序列,源域的大坝变形序列为已知的同类型大坝变形序列数据,目标域的大坝变形序列为待测大坝的变形序列数据。
9、可选的,所述通过变分模态分解将源域和目标域的大坝变形序列分解为子序列包括:
10、构建源域和目标域的大坝变形序列分解的变量划分模型;
11、引入拉格朗日乘子和惩罚参数,将所述变量划分模型转化为无约束变量划分模型;
12、根据精度收敛判据对所述无约束变量划分模型进行约束迭代;
13、当满足精度收敛判据时,迭代停止,将源域和目标域的大坝变形序列分解为有限带宽的k个模态分量。
14、可选的,分别对所述子序列进行评估包括:通过色散熵评估子序列的随机性,通过最大信息系数评估子序列的相关性。
15、可选的,还包括:计算各子序列的散布熵de值进行随机性评估,散布熵de值与信号的趋势性、周期性、有序性成负相关;计算各子序列与变形序列的最大互信息系数mic值进行有效子序列筛选;最大互信息系数mic值与子序列包含变形序列的可用信息数量、子序列和变形序列的依赖程度成正相关。
16、可选的,所述匹配源域和目标域特征分量的相似度包括:利用动态时间翘曲法匹配源域和目标域特征分量的相似度,所述特征分量包括目标域趋势、周期和随机特征分量数据,选择与各目标域特征分量相似度最高的源域特征分量作为对应的匹配项;分别利用与各目标域特征分量相匹配的源域特征分量进行预测模型训练。
17、可选的,所述利用与目标域特征分量相匹配的源域特征分量进行预测模型训练包括:
18、构建基于迁移学习的cnn-lstm模型,模型依次由输入层、卷积层、池化层、两个lstm层、全连接层和输出层组成;
19、将与目标域各特征分量对应的源域特征分量输入基于迁移学习的cnn-lstm模型中,采用adam梯度下降算法,初始学习率为0.001,学习率降低因子为0.25,进行预训练,得到适合源域的预测模型。
20、可选的,所述冻结预测模型的浅层网络,输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数,得到目标域特征分量预测模型包括:冻结预测模型中的卷积层、池化层和两个lstm层,使其参数保持不变;将对应点的目标域特征分量输入冻结后的预测模型中进行再训练微调参数,得到适合待测点各特征分量的目标域特征分量预测模型。
21、可选的,所述将大坝待测点实时数据输入至目标域特征分量预测模型中,得到变形预测结果包括:利用微调后的目标域特征分量预测模型分别对待测点各特征分量进行预测,得到待测点各特征分量预测结果;将待测点各特征分量预测结果进行叠加处理,得到待测点变形预测结果。
22、可选的,一种基于特征分解和深度学习的大坝变形预测系统,包括:
23、采集模块:用于采集源域和目标域的大坝变形序列;
24、分解模块:用于将采集的源域和目标域的大坝变形序列分解为子序列;
25、评估模块:用于分别对所述子序列进行评估,并根据评估结果提取子序列的特征分量,得到源域和目标域特征分量;
26、相似度匹配模块:用于匹配源域和目标域特征分量的相似度;
27、训练模块:用于利用与目标域特征分量相匹配的源域特征分量进行预测模型训练;
28、再训练模块:用于冻结预测模型的浅层网络,输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数,得到目标域特征分量预测模型;
29、预测模块:用于将大坝待测点实时数据输入至目标域特征分量预测模型中,得到变形预测结果。
30、经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于特征分解和深度学习的大坝变形预测方法及系统,具有如下有益效果:
31、本发明提供了一种基于特征分解和深度学习的大坝变形预测方法,包括:将源域和目标域的大坝变形序列均分解为子序列;分别对所述子序列进行评估,并根据评估结果提取子序列的特征分量,得到源域和目标域特征分量;匹配源域和目标域特征分量的相似度,利用与目标域特征分量相匹配的源域特征分量进行预测模型训练;冻结预测模型的浅层网络,输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数,得到目标域特征分量预测模型;将大坝待测点实时数据输入至目标域特征分量预测模型中,得到变形预测结果。采用基于特征分解的深度迁移学习框架分析方法,能够通过借鉴其他类似大坝的变形数据,对观测不足的混凝土大坝进行预测。可以有效地探索特征成分的潜在规律,在观测不足的情况下提高预测精度和泛化能力,利用数据、任务或模型之间的相似性,将源领域的知识应用到目标领域。通过预学习获得一般变形知识,填补不足的数据空白,从而做出准确的大坝变形预测。
1.一种基于特征分解和深度学习的大坝变形预测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法,其特征在于,所述将源域和目标域的大坝变形序列均分解为子序列包括:通过变分模态分解将源域和目标域的大坝变形序列均分解为子序列,源域的大坝变形序列为已知的同类型大坝变形序列数据,目标域的大坝变形序列为待测大坝的变形序列数据。
3.根据权利要求2所述的一种基于特征分解和深度学习的大坝变形预测方法,其特征在于,所述通过变分模态分解将源域和目标域的大坝变形序列分解为子序列包括:
4.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法,其特征在于,分别对所述子序列进行评估包括:通过色散熵评估子序列的随机性,通过最大信息系数评估子序列的相关性。
5.根据权利要求4所述的一种基于特征分解和深度学习的大坝变形预测方法,其特征在于,还包括:计算各子序列的散布熵de值进行随机性评估,散布熵de值与信号的趋势性、周期性、有序性成负相关;计算各子序列与变形序列的最大互信息系数mic值进行有效子序列筛选;最大互信息系数mic值与子序列包含变形序列的可用信息数量、子序列和变形序列的依赖程度成正相关。
6.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法,其特征在于,所述匹配源域和目标域特征分量的相似度包括:利用动态时间翘曲法匹配源域和目标域特征分量的相似度,所述特征分量包括目标域趋势、周期和随机特征分量数据,选择与各目标域特征分量相似度最高的源域特征分量作为对应的匹配项;分别利用与各目标域特征分量相匹配的源域特征分量进行预测模型训练。
7.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法,其特征在于,所述利用与目标域特征分量相匹配的源域特征分量进行预测模型训练包括:
8.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法,其特征在于,所述冻结预测模型的浅层网络,输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数,得到目标域特征分量预测模型包括:冻结预测模型中的卷积层、池化层和两个lstm层,使其参数保持不变;将对应点的目标域特征分量输入冻结后的预测模型中进行再训练微调参数,得到适合待测点各特征分量的目标域特征分量预测模型。
9.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法,其特征在于,所述将大坝待测点实时数据输入至目标域特征分量预测模型中,得到变形预测结果包括:利用微调后的目标域特征分量预测模型分别对待测点各特征分量进行预测,得到待测点各特征分量预测结果;将待测点各特征分量预测结果进行叠加处理,得到待测点变形预测结果。
10.一种基于特征分解和深度学习的大坝变形预测系统,其特征在于,包括: