基于CEEMDAN-PE-LSTM的混凝土坝变形预测
由于混凝土坝变形监测数据有明显的非线性、非平稳特征,且数据序列包含一定的噪声,容易导致模型预测精度不高.针对上述问题,提出了基于自适应噪声完全集合经验模态分解(CEEMDAN)-排列熵(PE)-长短时记忆神经网络(LSTM)的混凝土坝变形预测模型.利用CEEMDAN对非线性信号的自适应分解能力,将原始变形数据分解为频率不同、复杂度差异明显的一组固有模态函数(IMF),降低序列中不同尺度信息的相互影响.基于PE算法将复杂度相近的IMF分量进行合并重组.最后,对若干重组序列分别构建LSTM模型进行预测,将预测结果相加得到最终变形预测值.以某混凝土坝水平位移监测数据进行建模分析,结果表明:CEEMDAN-PE-LSTM模型与常规模型相比预测精度显著提高,能更好地对非线性数据序列进行预测.与单一的LSTM模型相比,平均绝对误差、平均绝对百分比误差和均方根误差分别降低了76.43%、75.55%和74.73%,表明该模型通过对原始序列的分解与重组获取不同尺度特征,可以更好地把握非线性、非平稳数据的变化规律,提高预测精度,能有效运用于混凝土坝的变形预测.
变形预测、经验模态、排列熵、时间序列、神经网络
TP698.1(射流技术(流控技术))
国家自然科学基金;陕西省自然科学基础研究计划重点项目;陕西省水利科技项目;引汉济渭联合基金项目
2021-07-13(万方平台首次上网日期,不代表论文的发表时间)
共9页
41-49