基于VAE-GRU和残差注意力的大坝位移深度学习预测模型

仵凡; 郑浩然; 漆一宁; 苏怀智

doi:10.20040/j.cnki.1000-7709.2025.20241686

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于VAE-GRU和残差注意力的大坝位移深度学习预测模型

更新时间：2026-02-25

- 基于VAE-GRU和残差注意力的大坝位移深度学习预测模型
- Issue 8, Pages: 152-156(2025)
- 作者机构：
  
  1. 黄河勘测规划设计研究院有限公司
  2. 河海大学水利水电学院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2025.20241686
  CLC： TP18;TV698.11
- Published：2025
- 稿件说明：
移动端阅览
仵凡, 郑浩然, 漆一宁, et al. 基于VAE-GRU和残差注意力的大坝位移深度学习预测模型[J]. 2025, (8): 152-156.
DOI：

仵凡, 郑浩然, 漆一宁, et al. 基于VAE-GRU和残差注意力的大坝位移深度学习预测模型[J]. 2025, (8): 152-156. DOI： 10.20040/j.cnki.1000-7709.2025.20241686.

摘要

针对大坝变形序列中非线性特征对预测精度的影响，提出了一种基于变分自编码器(VAE)、双向门控循环单元(GRU)和残差注意力机制(RA)的深度学习模型。首先，利用VAE对大坝位移数据进行特征提取，将复杂的高维环境数据映射到低维潜在空间。然后，采用GRU捕捉时间依赖性，并引入残差注意力机制增强模型对关键特征的关注能力。最后，结合北方苍鹰优化算法(NGO)对模型的超参数进行优化，以进一步提高预测精度。工程实例分析结果表明，VAE-RAGRU模型在大坝位移预测中表现优异，显著优于其他机器学习模型，为大坝安全监控提供了一个高效、准确的新方法。

Abstract

关键词

Keywords

references

马春辉,杨杰,程琳,李婷,陈容.基于KPCA-RVM的土石坝沉降预测模型研究[J].西北农林科技大学学报(自然科学版),2017(01).

苏怀智,温志萍,吴中如.基于SVM理论的大坝安全预警模型研究[J].应用基础与工程科学学报,2009(01).

苏燕,付家源,林川,陈泽钦,翁锴亮,张挺.基于时间注意力机制的大坝动态变形预测模型[J].水力发电学报,2022(07).

高睿颖,顾冲时,王岩博,陈立秋.基于DBO-DA-GRU的大坝变形预测模型[J].水电能源科学,2024(09).

戴霈霖,李艳玲,周子玉.大坝运行安全在线监控IPSO-LSTM模型研究[J].人民长江,2024(12).

Bo Dai,Chongshi Gu,Erfeng Zhao,Xiangnan Qin.Statistical model optimized random forest regression model for concrete dam deformation monitoring[J].Structural Control and Health Monitoring,2018.

Views

163

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

室内和现场试验联合本构参数智能标定在土石坝变形预测中的应用

基于GHOA-VMD-GRU和CNN区间建模的长江上游干流日含沙量预测研究

基于VMD-AOA-BiLSTM的大坝变形预测模型

基于HO-BP-AdaBoost的大坝变形监控模型

基于IGA-LSTM的大坝变形预测模型研究

Related Author

王睿

张建民

王克

郑勇

何中政

张书博

闫峰

张鉴铭

Related Institution

清华大学水圈科学与水利水电工程国家重点实验室

江西省水利科学院

南昌大学工程建设学院

南昌大学鄱阳湖环境与资源利用教育部重点实验室

中国电建集团成都勘测设计研究院有限公司

AI问答

⁰