基于多层次数据处理的NGO-XGBoost大坝变形预测模型及其应用

李晨阳; 郑东健

doi:10.20040/j.cnki.1000-7709.2023.20231076

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 >

基于多层次数据处理的NGO-XGBoost大坝变形预测模型及其应用

大坝安全与监测 | 更新时间：2026-02-25

- 基于多层次数据处理的NGO-XGBoost大坝变形预测模型及其应用
- 基于多层次数据处理的NGO-XGBoost大坝变形预测模型及其应用
- 水电能源科学 2023年第11期页码：77-81
- 作者机构：
  
  1. 河海大学水利水电学院
  2. 河海大学水文水资源与水利工程科学国家重点实验室
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目(52179128)
- DOI：10.20040/j.cnki.1000-7709.2023.20231076
  中图分类号： TV698.11
- 纸质出版：2023
- 稿件说明：
移动端阅览
李晨阳, 郑东健. 基于多层次数据处理的NGO-XGBoost大坝变形预测模型及其应用[J]. 水电能源科学, 2023,(11):77-81.

李晨阳, 郑东健. 基于多层次数据处理的NGO-XGBoost大坝变形预测模型及其应用[J]. 2023, (11): 77-81.
李晨阳, 郑东健. 基于多层次数据处理的NGO-XGBoost大坝变形预测模型及其应用[J]. 水电能源科学, 2023,(11):77-81. DOI： 10.20040/j.cnki.1000-7709.2023.20231076.

李晨阳, 郑东健. 基于多层次数据处理的NGO-XGBoost大坝变形预测模型及其应用[J]. 2023, (11): 77-81. DOI： 10.20040/j.cnki.1000-7709.2023.20231076.

摘要

混凝土坝变形序列中存在的噪声和非线性特征严重影响了大坝变形预测的精度。为此，采用集合经验模态分解(EEMD)对坝体水平位移信号进行分解，挖掘其中有效变形信息；并利用奇异谱分析(SSA)对分解所得高频本征模态分量(IMF)进行特征提取，以减少有效信息的丢失。考虑到效应量与环境量之间复杂的随机性和非线性映射关系，采用极限梯度提升(XGBoost)对降噪后的数据建模预测；考虑到XGBoost超参数对模型预测性能的显著影响，引入全局搜索能力较好的北方苍鹰算法(NGO)对其参数寻优，构建了基于NGO-XGBoost的大坝位移预测模型。计算结果表明，EEMD-SSA能有效地去除大坝位移监测信息中的噪声，NGO-XGBoost模型显著提高了大坝位移预测模型的精度。

Abstract

关键词

Keywords

references

ENSEMBLE EMPIRICAL MODE DECOMPOSITION: A NOISE-ASSISTED DATA ANALYSIS METHOD[J]. ZHAOHUA WU;NORDEN E. HUANG.Advances in Adaptive Data Analysis,2009(1)

EMD-Based Signal Filtering[J]. Abdel-Ouahab Boudraa;Jean-Christophe Cexus.IEEE Transactions on Instrumentation and Measurement,2007

基于FCM-WOA-LSTM的大坝变形预测模型及其应用[J]. 曹梦茜;郑东健.水电能源科学,2023(05)

基于EMD-EEMD-LSTM的大坝变形预测模型[J]. 董泳;刘肖峰;李云波;贾玉豪.水力发电,2022(10)

基于VMD的多尺度变量提取法在混凝土坝变形预测中的应用[J]. 曹恩华;包腾飞;刘永涛;袁荣耀;胡绍沛.水电能源科学,2022(02)

基于GP-XGBoost的大坝变形预测模型[J]. 徐韧;苏怀智;杨立夫.水利水电科技进展,2021(05)

浏览量

226

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RF和Self-attention改进LSTM的大坝变形预测方法及异常值判定

基于多尺度下复杂因子提取和CNN改进时序深度学习架构的大坝变形预测

基于VMD-SSA-K-means-iForest的重力坝监测数据异常模式混合识别算法研究

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SSA-KMIF的船闸人字门监测数据异常检测方法