基于GBDT和AEO-CNN-Informer的大坝位移深度学习预测模型

张波; 程雪辰; 罗炜; 陈健; 王友乐

doi:10.20040/j.cnki.1000-7709.2025.20250641

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GBDT和AEO-CNN-Informer的大坝位移深度学习预测模型

水利枢纽、水工建筑物 | 更新时间：2026-02-25

- 基于GBDT和AEO-CNN-Informer的大坝位移深度学习预测模型
- 基于GBDT和AEO-CNN-Informer的大坝位移深度学习预测模型
- 水电能源科学 2025年第8期页码：142-146
- 作者机构：
  
  1. 长江勘测规划设计研究有限责任公司
  2. 水资源工程与调度全国重点实验室
- 作者简介：
- 基金信息：
  
  国家重点研发计划(2022YFC3005504);长江勘测规划设计研究有限责任公司生产类自主创新科研项目(CX2023S056)
- DOI：10.20040/j.cnki.1000-7709.2025.20250641
  中图分类号： TP18;TV698.11
- 纸质出版：2025
- 稿件说明：
移动端阅览
张波, 程雪辰, 罗炜, 等. 基于GBDT和AEO-CNN-Informer的大坝位移深度学习预测模型[J]. 水电能源科学, 2025,(8):142-146.

张波, 程雪辰, 罗炜, et al. 基于GBDT和AEO-CNN-Informer的大坝位移深度学习预测模型[J]. 2025, (8): 142-146.
张波, 程雪辰, 罗炜, 等. 基于GBDT和AEO-CNN-Informer的大坝位移深度学习预测模型[J]. 水电能源科学, 2025,(8):142-146. DOI： 10.20040/j.cnki.1000-7709.2025.20250641.

张波, 程雪辰, 罗炜, et al. 基于GBDT和AEO-CNN-Informer的大坝位移深度学习预测模型[J]. 2025, (8): 142-146. DOI： 10.20040/j.cnki.1000-7709.2025.20250641.

摘要

为进一步提高大坝位移预测模型的精度，提出了一种结合梯度提升决策树(GBDT)、卷积神经网络(CNN)、Informer和人工生态系统优化算法(AEO)的混合模型。首先，利用GBDT评估输入特征的重要性，筛选出显著影响大坝位移的重要因子。然后，利用CNN对输入数据进行深度特征提取，挖掘有效信息；采用Informer模型建立提取特征与坝体位移之间的映射关系。最后，采用AEO算法对模型的超参数进行寻优。实际工程数据验证结果表明，与其他对比模型相比，所提模型具有更好的预测精度和稳定性。

Abstract

关键词

Keywords

references

李明超,任秋兵,孔锐,杜胜利,司文.多维复杂关联因素下的大坝变形动态建模与预测分析[J].水利学报,2019(06).

冷天培,马刚,向正林,梅江洲,关少恒,周伟,高宇.基于时序分解与深度学习的堆石坝变形预测[J].水力发电学报,2021(10).

高睿颖,顾冲时,王岩博,陈立秋.基于DBO-DA-GRU的大坝变形预测模型[J].水电能源科学,2024(09).

陈斯煜,顾冲时,盛金保,谷艳昌,林潮宁.SBL驱动的可解释性大坝变形区间预测模型[J].水力发电学报,2025(01).

浏览量

255

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PSO-PCA-CNN的水电机组故障诊断

基于CWT-CNN模型的泵站机组故障诊断研究

深度学习算法在山南市雅桑站流量模拟中的应用研究

基于机器学习模型的河道水位预测方法及其应用

基于注意力卷积神经网络的水轮机健康状态评估研究