基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法

耿峻; 童广勤; 汪昌港; 赵鹏; 张海龙; 潘戚扬; 顾昊; 陆纬; 沈雷; 孙啸; 唐杰伟; 郑祥; 周富强; 朱明远

欢迎来到能源电力期刊网！

您当前的位置：

首页 >

文章列表页 >

基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法

安全监测与评价 | 更新时间：2026-04-09

- 基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法
- 基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法
- 水力发电 2026年52卷第4期页码：109-115+121
- 作者机构：
  
  1. 中国长江三峡集团有限公司
  2. 河海大学水利水电学院
  3. 水利部南京水利水文自动化研究所
  4. 中国水利水电第七工程局有限公司
  5. 新疆水利科学研究院
- 作者简介：
- 基金信息：
  
  国家重点研发计划(2024YFC3210700)
- DOI：
  中图分类号： TP18;TV698.11
- 纸质出版：2026
- 稿件说明：
移动端阅览
耿峻, 童广勤, 汪昌港, 等. 基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法[J]. 水力发电, 2026,52(4):109-115+121.

耿峻, 童广勤, 汪昌港, et al. 基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法[J]. 2026, 52(4): 109-115+121.
耿峻, 童广勤, 汪昌港, 等. 基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法[J]. 水力发电, 2026,52(4):109-115+121. DOI：

耿峻, 童广勤, 汪昌港, et al. 基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法[J]. 2026, 52(4): 109-115+121. DOI：

摘要

在大坝运行过程中，变形监测数据的缺失严重影响大坝安全状态的预测与判断。目前常用的缺失值填补方法很少有效考虑测点间相关性、填补效果难以满足安全监控需求，为此，提出了一种基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法。首先，采用随机森林算法分析测值与荷载间、测值与测值间的相关性，筛选出对测值影响较大的环境因子，并将相关性强的测点归为一类，构建多测点安全监控模型。在此基础上，训练卷积神经网络(CNN)与门控循环单元神经网络(GRU)模型，提出基于CNN-GRU的大坝变形监测缺失值填补方法，以实现对多测点缺失值的高精度填补。通过算例分析验证了基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法的有效性，为科学评估大坝服役性态提供了新思路。

Abstract

关键词

Keywords

references

雍凯.随机森林的特征选择和模型优化算法研究[D].哈尔滨工业大学,2008(S2).

王丽丽.集成学习算法研究[D].广西大学,2006(12).

董文静.卷积神经网络中自适应优化算法的研究[D].太原师范学院,2024(04).

李富强.大坝安全监测数据分析方法研究[D].浙江大学,2012(07).

朱济祥.李家峡高拱坝安全监控模型与监控指标研究[D].天津大学,2007(04).

马茜,谷峪,李芳芳,于戈.顺序敏感的多源感知数据填补技术[J].软件学报,2016(09).

吴中如.混凝土坝安全监控的确定性模型及混合模型[J].水利学报,1989(05).

彭月.ARIMA模型的介绍[J].电子世界,2014(10).

孙辅庭,沈海尧.大坝安全监测数据模式智能识别技术研究[J].大坝与安全,2022(04).

翟俊杰,石中文,李军,潘文明,贾海磊,叶胜.基于GRU的混凝土坝变形监测数据缺失处理方法[J].人民珠江,2024(12).

王金江,王斌.一维优化三次样条插值法[J].哈尔滨师范大学自然科学学报,2010(04).

Chih-Fong Tsai,Miao-Ling Li,Wei-Chao Lin.A class center based approach for missing value imputation[J].Knowledge-Based Systems,2018.

浏览量

285

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

变形分量信息随机森林分析法在缺失数据处理中的应用

融合物理机制深度学习的混凝土浇筑仓温度监测数据去噪方法

基于监测数据驱动的库区滑坡蠕变参数智能反演分析

大坝安全监测数据通用报表设计与实现

小湾水电站垂线自动化监测系统应用及分析