基于多层信号分解的混凝土拱坝变形监测模型

• Published in: 三峡大学学报（自然科学版） Vol. 46; no. 6; pp. 1 - 9
• Main Authors: 王子轩, 欧斌, 陈德辉, 杨石勇, 赵定柱, 傅蜀燕
• Format: Journal Article
• Language: Chinese
• Published: 云南农业大学 水利学院,昆明 650201 2024; 水灾害防御全国重点实验室,南京 210098; 云南省中小型水利工程智慧管养工程研究中心,昆明 650201%云南农业大学 水利学院,昆明 650201; 云南省中小型水利工程智慧管养工程研究中心,昆明 650201
• Subjects: K-均值聚类算法; variational mode decomposition; 自适应噪声完全集合经验模态分解; 样本熵; 变分模态分解; an improved symbiotic biological search algorithm; dam deformation; sample entropy; 大坝变形; complete ensemble empirical mode decomposition of adaptive noise; 改进的共生生物搜索算法; K-lmeans clustering algorithm
• ISSN: 1672-948X
• DOI: 10.13393/j.cnki.issn.1672-948X.2024.06.001

TV698.1; 为了充分挖掘大坝变形监测数据的非线性和非平稳性特征,本文提出了一种大坝变形监测模型.首先,该模型通过自适应噪声完全集合经验模态分解(CEEMDAN)对变形监测数据进行分解处理.在分解过程中融入样本熵(SE)和K-均值聚类,以确保得到的模态分量(IMF)个数能够准确描述大坝变形.然后,对于高频IMF分量,采用变分模态分解(VMD)进行二次分解,并利用偏最小二乘法(PLS)分析变形序列影响因子,以提取最佳的IMF分量作为后续模型的输入因子.最后,利用改进的共生生物搜索算法(ISOS)结合长短期记忆神经网络(LSTM)进行大坝变形的准确预测.研究结果表明:相较于单层信号处理,本文通过二次信号处理可以显著提升模型的预测精度;对二次分解后的IMFs分量进行PLS筛选可以有效避免模型的冗余性,提高计算效率;相较于各对比模型,本文模型在各测点上均具有较好的预测精度和稳定性.本文提出的模型能够深入挖掘大坝监测数据中的拓扑关系,有效保留数据中的高频有用信息,从而提高预测的准确性和平滑性,展示出较好的预测精度和泛化能力.