变分模态分解与长短时神经网络的大坝变形预测
为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型.对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构.以江西省某蓄能水电厂2010-2014年大坝监测数据为例,设置不同的对比实验验证VMI-LSTM组合模型的有效性和稳定性.研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值.
大坝变形预测;变分模态分解;长短时记忆神经网络;循环神经网络;深度学习
46
P227(大地测量学)
国家自然科学基金项目;江西省自然科学基金项目
2021-10-22(万方平台首次上网日期,不代表论文的发表时间)
共9页
34-42