基于BES-BiLSTM的混凝土坝变形预测

张龙威; 刘小生; 刘相杰

doi:10.20040/j.cnki.1000-7709.2023.20222252

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于BES-BiLSTM的混凝土坝变形预测

大坝安全与监测 | 更新时间：2026-02-25

- 基于BES-BiLSTM的混凝土坝变形预测
- 基于BES-BiLSTM的混凝土坝变形预测
- 水电能源科学 2023年第9期页码：94-97
- 作者机构：
  
  江西理工大学土木与测绘工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目(42171437)
- DOI：10.20040/j.cnki.1000-7709.2023.20222252
  中图分类号： TV698.11
- 纸质出版：2023
- 稿件说明：
移动端阅览
张龙威, 刘小生, 刘相杰. 基于BES-BiLSTM的混凝土坝变形预测[J]. 水电能源科学, 2023,(9):94-97.

张龙威, 刘小生, 刘相杰. 基于BES-BiLSTM的混凝土坝变形预测[J]. 2023, (9): 94-97.
张龙威, 刘小生, 刘相杰. 基于BES-BiLSTM的混凝土坝变形预测[J]. 水电能源科学, 2023,(9):94-97. DOI： 10.20040/j.cnki.1000-7709.2023.20222252.

张龙威, 刘小生, 刘相杰. 基于BES-BiLSTM的混凝土坝变形预测[J]. 2023, (9): 94-97. DOI： 10.20040/j.cnki.1000-7709.2023.20222252.

摘要

鉴于传统神经网络模型难以充分利用大坝变形监测时间序列数据前后信息的拓扑关系，而双向长短时记忆神经网络(BiLSTM)能够有效地学习前后向信息，提出一种基于秃鹰搜索算法优化双向长短时记忆神经网络的大坝变形预测组合模型BES-BiLSTM

即首先采用秃鹰搜索算法捕获模型参数最优值；其次利用BiLSTM双向学习的特性进行模型训练增强数据间的相关性；然后以某混凝土坝水电站沉降值为实例1基于BES-BiLSTM模型进行大坝变形预测，以另一混凝土坝坝体水平位移值为实例2辅助验证模型性能；最后将BES-BiLSTM模型预测结果与传统长短时记忆神经网络(LSTM)模型和BiLSTM模型预测结果进行了对比研究。结果表明，BES-BiLSTM模型较单一传统LSTM、BiLSTM模型拥有更强的拟合能力和预测能力，可用于混凝土坝、边坡等变形预测中。

Abstract

关键词

Keywords

references

基于秃鹰搜索算法的部分遮蔽条件下光伏阵列重构方法[J]. 王龙;陈卓;黄文力;郭寅远;李响;常绪成;杨博.电力建设,2022(03)

基于变分模态分解和双向长短时记忆神经网络模型的滑坡位移预测[J]. 张明岳;李丽敏;温宗周.山地学报,2021(06)

联合时序分解和深度学习的高土石坝变形预测[J]. 侯伟亚;温彦锋;邓刚;张延亿;陈辉.水力发电学报,2022(03)

基于CNN-LSTM的混凝土坝渗流预测[J]. 岳明哲;陈旭东;李俊杰.水电能源科学,2020(09)

基于深度学习的大坝变形预测模型[J]. 郭张军;黄华东;屈旭东.水电能源科学,2020(03)

Landslide Displacement Prediction Based on Time Series Analysis and Double-BiLSTM Model[J]. Lin Zian;Sun Xiyan;Ji Yuanfa.International Journal of Environmental Research and Public Health,2022

Novel meta-heuristic bald eagle search optimisation algorithm[J]. H. A. Alsattar;A. A. Zaidan;B. B. Zaidan.Artificial Intelligence Review: An International Science and Engineering Journal,2020

中国大坝建设60年[M]. 贾金生, 主编.中国水利水电出版社,2013

浏览量

143

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于RIME-LSTM-Transformer的混凝土坝变形预测模型

混凝土坝不收敛变形监控指标拟定探讨

基于多层感知机和编码器解码器架构的混凝土坝长期变形预测

基于广义附加质量法的坝—库系统动力分析

融合自适应滑动集合经验模态分解的机器学习月径流预测方法