基于CNN-LSTM-AM的大坝变形预测

赖国梁; 刘小生

doi:10.20040/j.cnki.1000-7709.2024.20232081

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CNN-LSTM-AM的大坝变形预测

水利枢纽、水工建筑物 | 更新时间：2026-02-25

- 基于CNN-LSTM-AM的大坝变形预测
- 基于CNN-LSTM-AM的大坝变形预测
- 水电能源科学 2024年第10期页码：158-161+157
- 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.1000-7709.2024.20232081
  中图分类号： TV698.11
- 纸质出版：2024
- 稿件说明：
移动端阅览
赖国梁, 刘小生. 基于CNN-LSTM-AM的大坝变形预测[J]. 水电能源科学, 2024,(10):158-161+157.

赖国梁, 刘小生. 基于CNN-LSTM-AM的大坝变形预测[J]. 2024, (10): 158-161+157.
赖国梁, 刘小生. 基于CNN-LSTM-AM的大坝变形预测[J]. 水电能源科学, 2024,(10):158-161+157. DOI： 10.20040/j.cnki.1000-7709.2024.20232081.

赖国梁, 刘小生. 基于CNN-LSTM-AM的大坝变形预测[J]. 2024, (10): 158-161+157. DOI： 10.20040/j.cnki.1000-7709.2024.20232081.

摘要

为提高大坝变形预测模型的预测精度，以长短期记忆（LSTM）作为基础模型预测大坝变形，在LSTM网络层前加入卷积神经网络（CNN）卷积层，以卷积层中卷积核刻画数据的局部模式实现数据特征的深度挖掘，提取大坝变形多因素序列时空特征；LSTM网络层后加入注意力机制层用于区分特征信息的重要程度并给予不同的关注度，进一步优化网络模型，构建了基于CNN-LSTM-AM的大坝预测模型。应用该大坝预测模型在工程实例中与LSTM、CNN-LSTM、LSTM-AM模型的预测结果和残差进行对比分析，CNN-LSTM-AM模型的预测结果和拟合度均更优；并以均方误差、均方根误差、平均绝对误差及决定系数R

作为精度评定指标对比各模型间预测性能，结果表明引入注意力机制能够提升模型预测性能，证实了基于CNN-LSTM-AM构建的大坝预测模型具有工程应用价值。

Abstract

关键词

Keywords

references

李斌.重力坝变形监控的智能分析方法研究[D].西安理工大学,2021(01).

Treisman Anne M.,Gelade Garry.A feature-integration theory of attention[J].Cognitive Psychology,1980(1).

陈以浩,李明伟,安小刚,王宇田,徐瑞喆.基于混沌云量子蝙蝠CNN-GRU大坝变形智能预报方法研究[J].哈尔滨工程大学学报,2024(01).

刘建伟,刘俊文,罗雄麟.深度学习中注意力机制研究进展[J].工程科学学报,2021(11).

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

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

周春华,郭晓峰,沈建京,李艳,周振宇.基于注意力机制的深度学习态势信息推荐模型[J].信息工程大学学报,2019(05).

浏览量

335

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于注意力卷积神经网络的水轮机健康状态评估研究

基于STFT-SE-CNN多通道特征融合的水电机组故障诊断

基于多因素的短期风电功率组合预测研究

基于注意力机制和CNN-GRU模型的脱硫系统pH值预测

基于深度学习的水工混凝土结构表面缺陷检测