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

徐军杨; 刘月馨; 李玉龙

doi:10.20040/j.cnki.1000-7709.2026.20250751

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

更新时间：2026-02-25

- 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
- 水电能源科学 2026年第2期页码：174-179+173
- 作者机构：
  
  杭州华辰电力控制工程有限公司
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2026.20250751
  中图分类号： TV698.11
- 纸质出版：2026
- 稿件说明：
移动端阅览
徐军杨, 刘月馨, 李玉龙. 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[J]. 水电能源科学, 2026,(2):174-179+173.

徐军杨, 刘月馨, 李玉龙. 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[J]. 2026, (2): 174-179+173.
徐军杨, 刘月馨, 李玉龙. 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[J]. 水电能源科学, 2026,(2):174-179+173. DOI： 10.20040/j.cnki.1000-7709.2026.20250751.

徐军杨, 刘月馨, 李玉龙. 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[J]. 2026, (2): 174-179+173. DOI： 10.20040/j.cnki.1000-7709.2026.20250751.

摘要

鉴于构建精准的大坝变形预测模型

是确保工程稳定运行的关键

为此提出了基于多尺度下复杂因子变量提取和CNN改进时序深度学习架构的大坝变形预测方法。首先利用VMD对变形进行分解

获取多个相对稳定的子序列;其次

将子序列和环境影响因子视为整体因子集

利用XGBoost选取关键因子;最后

利用CNN对两类显著因子进行同步建模

提取特征并导入LSTM

从而建立CNN-LSTM核心预测框架。分析表明

所提方法能够有效降低变形非稳定性

兼具对时序因子和环境影响因素显著信息提取和同步建模分析能力

预测精度较之对比方法的均方根误差、平均绝对误差提升分别为68.08%、69.51%。

Abstract

关键词

Keywords

references

王瑞婕,包腾飞,李扬涛,宋宝钢,向镇洋.基于多因子融合和Stacking集成学习的大坝变形组合预测模型[J].水利学报,2023(04).

罗璐,李志,张启灵.大坝变形预测的最优因子长短期记忆网络模型[J].水力发电学报,2023(02).

赵二峰,李章寅,袁冬阳.基于双阶段注意力机制的大坝变形深度学习预测模型[J].河海大学学报(自然科学版),2023(06).

李书剑,刘小生.基于ISSA-GRU的大坝变形预测研究[J].水电能源科学,2023(11).

曹梦茜,郑东健.基于EEMD-AEFA-LSTM的混凝土坝变形预测模型[J].水电能源科学,2023(09).

刘相杰,刘小生,张龙威.基于VMD-HPO-BiLSTM的大坝变形预测[J].大地测量与地球动力学,2023(08).

唐艳,杨孟,李斌,郭经红,陈艺征.基于深度学习的双阶段大坝变形预测模型[J].中国农村水利水电,2024(03).

向玲,陈锦鹏,付晓孟婷,姚青陶.基于ViT和LSTM的风速多步预测[J].太阳能学报,2024(09).

龙江,左生龙,徐朗,漆一宁,苏怀智.基于影响因子筛选和GWO-KELM的大坝变形预测模型[J].中国农村水利水电,2024(08).

余代广,方勇,周煜.基于信号分解高频分量再处理策略的大坝变形预测方法[J].水力发电,2024(11).

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

多源降水数据在信江流域的多尺度评价

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

郑州市城市内涝多尺度时空分布特征及其驱动力分析

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