基于OVMD-RFECV-PSO-XGBoost模型的大坝变形预测

doi:10.13393/j.cnki.issn.1672-948X.2025.05.003

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于OVMD-RFECV-PSO-XGBoost模型的大坝变形预测

Issue 5, Pages: 19-25(2025)

更新时间：2025-09-14

- 基于OVMD-RFECV-PSO-XGBoost模型的大坝变形预测
- 作者机构：
  
  1. 江西理工大学土木与测绘工程学院
  2. 广东省有色地质测绘院
- 作者简介：
- 基金信息：
- DOI：10.13393/j.cnki.issn.1672-948X.2025.05.003
  CLC： TV698.11
- Published：2025
- 稿件说明：
移动端阅览
[J]. 2025, (5): 19-25.
DOI：

[J]. 2025, (5): 19-25. DOI： 10.13393/j.cnki.issn.1672-948X.2025.05.003.

摘要

针对大坝变形预测中存在的影响因素多、数据复杂度高和非线性问题

以及不同参数组合对预测精度的显著影响

本文提出了一种融合最优变分模态分解（OVMD）、递归特征消除及交叉验证（RFECV）、粒子群优化算法（PSO）和极限梯度提升算法（XGBoost）的大坝变形预测模型.首先对大坝的变形数据进行OVMD分解

将原始数据分解成K个模态分量;其次

使用RFECV为每个模态分量进行最优特征子集筛选;最后使用PSO对XGBoost的参数进行优化

构建基于OVMD-RFECV-PSO-XGBoost的大坝变形预测模型;以中国江西省某大坝2009—2015年变形监测数据为例

对大坝的垂直沉降位移进行预测

设置不同对照组进行验证.实验结果表明

OVMD-RFECV-PSO-XGBoost预测模型的E

为0.1411mm

MAP

为5.9455%

为0.9348

预测精度均优于其他对照模型.

Abstract

关键词

Keywords

references

屠立峰,王慧,顾微.基于GCS-SVM的大坝变形监测非线性预警模型[J].中国农村水利水电,2015(05).

蓝悦明,王新洲.灰色预测用于大坝水平变形预测的研究[J].武汉测绘科技大学学报,1996(04).

张进,牛志伟,齐慧君,晁阳.K-means++和LSTM模型在大坝监测资料分析中的应用[J].三峡大学学报(自然科学版),2021(04).

陈竹安,熊鑫,游宇垠.变分模态分解与长短时神经网络的大坝变形预测[J].测绘科学,2021(09).

杨晨蕾,包腾飞.基于FCM-XGBoost的大坝变形预测模型[J].长江科学院院报,2021(08).

刘丹,吕倩,胡少华,李墨潇.大坝变形GA-LSTM组合预测模型研究[J].安全与环境学报,2023(07).

高雪林,汤厚骏,沈佳平,徐铖铖,张玉杰.基于XGBoost的高速公路事故类型及严重程度预测方法[J].交通信息与安全,2023(04).

邵必林,纪丹阳.基于VMD-SE的电力负荷分量的多特征短期预测[J].中国电力,2024(04).

王辉,邹智超,李欣,吴作辉,周珂锐.基于VMD-ISSA-GRU组合模型的短期风电功率预测[J].热力发电,2024(05).

索基源,李元奎,崔金龙,杨雪锋.基于XGBoost算法的船舶油耗预测模型[J].中国航海,2024(02).

顾冲时, 吴中如, 著.大坝与坝基安全监控理论和方法及其应用[M].河海大学出版社,2006.

Views

153

下载量

CSCD

Alert me when the article has been cited

提交

Publicity Resources

《三峡大学学报（自然科学版）》2015年总目录

基于小波SR-PSO-ELM的面板堆石坝沉降预测组合模型及应用

基于支持向量回归数据驱动的配电网潮流回归

Related Author

燕乔

高名杨

梁明浩

王硕

张泰源

周云海

陈潇潇

郑培城

Related Institution

三峡大学水利与环境学院

三峡大学电气与新能源学院

AI问答

⁰