基于VMD-Self-attention-LSTM的水闸深基坑变形智能预测方法

张伟; 仇建春; 夏国春; 姚兆仁; 吴昊; 刘占午; 王昱锦; 朱新宇

doi:10.20040/j.cnki.1000-7709.2025.20241556

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VMD-Self-attention-LSTM的水闸深基坑变形智能预测方法

水工结构、水工材料与水利工程施工 | 更新时间：2026-02-25

- 基于VMD-Self-attention-LSTM的水闸深基坑变形智能预测方法
- 基于VMD-Self-attention-LSTM的水闸深基坑变形智能预测方法
- 水电能源科学 2025年43卷第1期页码：99-102+196
- 作者机构：
  
  1. 江苏省水利建设工程有限公司
  2. 扬州大学水利科学与工程学院
  3. 河海大学水资源高效利用与工程安全国家工程研究中心
- 作者简介：
- 基金信息：
  
  扬州市自然科学基金项目(YZ2024166);国家自然科学基金项目(52179128,52079120,51579085);扬州市“绿扬金凤”优秀博士人才项目(137012705)
- DOI：10.20040/j.cnki.1000-7709.2025.20241556
  中图分类号： TV66;TV551.4
- 纸质出版：2025
- 稿件说明：
移动端阅览
张伟, 仇建春, 夏国春, 等. 基于VMD-Self-attention-LSTM的水闸深基坑变形智能预测方法[J]. 水电能源科学, 2025,43(1):99-102+196.

张伟, 仇建春, 夏国春, et al. 基于VMD-Self-attention-LSTM的水闸深基坑变形智能预测方法[J]. 2025, 43(1): 99-102+196.
张伟, 仇建春, 夏国春, 等. 基于VMD-Self-attention-LSTM的水闸深基坑变形智能预测方法[J]. 水电能源科学, 2025,43(1):99-102+196. DOI： 10.20040/j.cnki.1000-7709.2025.20241556.

张伟, 仇建春, 夏国春, et al. 基于VMD-Self-attention-LSTM的水闸深基坑变形智能预测方法[J]. 2025, 43(1): 99-102+196. DOI： 10.20040/j.cnki.1000-7709.2025.20241556.

摘要

针对水闸深基坑变形监测数据具有非稳定性的特点，提出了基于VMD-Self-attention-LSTM的水闸深基坑变形预测方法。该方法分为三个主要模块，第一模块采用VMD算法自适应调整变形分解模数，将原始变形数据分解为若干具有明显周期规律的分量，有效解决变形数据的非稳定性，为提升变形预测精度奠定初步基础；第二模块，在传统LSTM算法基础上进一步发展Self-attention-LSTM方法，提升模型对基坑变形样本的时序关系挖掘能力，进而提升基坑变形预测精度；第三模块，将各分量对应的变形预测结果重构得到最终预测值。实例分析可知，所提方法有效解决了非稳定特性给变形预测精度带来的不利影响，与VMD-LSTM、Self-attention-LSTM、LSTM等深度学习方法相比，VMD-Self-attention-LSTM的预测精度最大提升41.49%

与BP、ELM等传统机器学习算法相比，预测精度最大提升50.43%

为水闸深基坑安全监控模型的构建提供了新思路。

Abstract

关键词

Keywords

references

张伟,邓彬彬,仇建春,夏国春,姚兆仁,刘占午,朱新宇,王昱锦.基于ESMD-FE-AJSO-LSTM算法的水闸深基坑变形预测[J].南水北调与水利科技(中英文),2024(02).

盛朝正,项标.基于CEEMD和LSTM方法的深基坑沉降变形预测[J].北京测绘,2023(07).

姜海涛,罗月明,苏德垠.基于相空间重构和遗传算法优化的极限学习机模型预测基坑变形时序混沌特性[J].福建建筑,2023(06).

牛帅星,李庶林,刘胤池,安树正,黄玉仁.基于小波变换的GASVM-ARMA模型在深基坑变形预测中的应用[J].土木与环境工程学报(中英文),2023(03).

郭健,陈健,胡杨.基于小波智能模型的地铁车站基坑变形时序预测分析[J].岩土力学,2020(S1).

谢洋洋,吴大鹏,付超,周杰,史益军.基于相空间重构的FOA-GLSSVM深基坑变形预测模型研究[J].大地测量与地球动力学,2018(10).

Zhongzhe Zhang,Ke Li,Hongyan Guo,Xiao Liang.Combined prediction model of joint opening-closing deformation of immersed tube tunnel based on SSA optimized VMD, SVR and GRU[J].Ocean Engineering,2024.

Mengqi Wu,Pan Liu,Luguang Liu,Kaijie Zou,Xinran Luo,Jing Wang,Qian Xia,Hao Wang.Improving a hydrological model by coupling it with an LSTM water use forecasting model[J].Journal of Hydrology,2024.

Wang Zhuqing,Liu Ning,Chen Chilian,Guo Yangming.Adaptive self-attention LSTM for RUL prediction of lithium-ion batteries[J].Information Sciences,2023.

任哲.基于SSA Elman和灰云模型的基坑变形预测与安全评估[D].大连理工大学,2021(01).

浏览量

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

基于粒子滤波器和Transformer-BiLSTM的大坝边坡变形时变预测模型

基于时变效应-能量熵降噪的BiLSTM组合混凝土坝变形预测模型

基于SSA-BP神经网络的抽蓄电站地下厂房围岩参数反演及变形预测

抽水蓄能电站地下厂房围岩稳定性监测与分析