基于IGA-LSTM的大坝变形预测模型研究

王自赟; 刘萍先; 陈天荣; 蔡竞标; 纪海波; 邓小珍

doi:10.20040/j.cnki.1000-7709.2025.20241327

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IGA-LSTM的大坝变形预测模型研究

水利枢纽、水工建筑物 | 更新时间：2026-02-25

- 基于IGA-LSTM的大坝变形预测模型研究
- 基于IGA-LSTM的大坝变形预测模型研究
- 水电能源科学 2025年43卷第6期页码：134-137
- 作者机构：
  
  南昌工程学院机械工程学院
- 作者简介：
- 基金信息：
  
  江西省教育厅自然科学基金项目(20212BAB204039)
- DOI：10.20040/j.cnki.1000-7709.2025.20241327
  中图分类号： TV698.11
- 纸质出版：2025
- 稿件说明：
移动端阅览
王自赟, 刘萍先, 陈天荣, 等. 基于IGA-LSTM的大坝变形预测模型研究[J]. 水电能源科学, 2025,43(6):134-137.

王自赟, 刘萍先, 陈天荣, et al. 基于IGA-LSTM的大坝变形预测模型研究[J]. 2025, 43(6): 134-137.
王自赟, 刘萍先, 陈天荣, 等. 基于IGA-LSTM的大坝变形预测模型研究[J]. 水电能源科学, 2025,43(6):134-137. DOI： 10.20040/j.cnki.1000-7709.2025.20241327.

王自赟, 刘萍先, 陈天荣, et al. 基于IGA-LSTM的大坝变形预测模型研究[J]. 2025, 43(6): 134-137. DOI： 10.20040/j.cnki.1000-7709.2025.20241327.

摘要

由于大坝变形受很多因素的影响，监测点得到的位移序列具有较强的时序性和非线性，为此提出一种基于改进遗传算法（IGA）优化的长短时神经网络（LSTM）预测模型。首先对传统遗传算法进行改进，然后使用改进遗传算法对长短时神经网络模型的超参数组合进行寻优，最后利用优化后的超参数组合搭建IGA-LSTM预测模型。以丰满大坝

7坝段的水平位移为例，对比单层LSTM模型、遗传算法（GA）优化的LSTM模型和改进遗传算法优化的LSTM模型。结果表明，IGA-LSTM模型的平均绝对误差(M

MAE

)、均方根误差(R

RMSE

)分别为0.207 0、0.225 9 mm

显著低于另外2个模型，说明IGA-LSTM模型的预测精度更高。该模型为大坝变形预测提供了新方法，也为大坝安全预警提供了参考。

Abstract

关键词

Keywords

references

周小燕,李双平,冉鲁光,苏振,张斌,刘祖强,苏森南,史波.基于深度学习的大坝边坡深部变形时空预测模型研究[J].中国农村水利水电,2025(07).

张俊建,唐宇琪,邹琪.基于PS-InSAR技术的水库大坝形变监测研究[J].测绘与空间地理信息,2024(01).

刘丹,吕倩,胡少华,李墨潇.大坝变形GA-LSTM组合预测模型研究[J].安全与环境学报,2023(07).

李明.基于改进BP神经网络的大坝安全监测预报模型[J].水利科技与经济,2021(03).

谷艳昌,吴云星,黄海兵,庞琼.基于遗传算法优化支持向量机的大坝安全性态预测模型[J].河海大学学报(自然科学版),2020(05).

Ahmad Hassanat,Khalid Almohammadi,Esra’a Alkafaween,Eman Abunawas,Awni Hammouri,V. B. Surya Prasath.Choosing Mutation and Crossover Ratios for Genetic Algorithms—A Review with a New Dynamic Approach[J].Information,2019.

浏览量

524

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

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VAE-GRU和残差注意力的大坝位移深度学习预测模型

基于CNN-LSTM-AM的大坝变形预测