没有合适的资源?快使用搜索试试~ 我知道了~
基于MLR-SSA-GRU的混凝土坝裂缝开度组合预测模型.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 101 浏览量
2023-02-23
20:33:42
上传
评论
收藏 1.16MB DOCX 举报
温馨提示
试读
11页
基于MLR-SSA-GRU的混凝土坝裂缝开度组合预测模型.docx
资源推荐
资源详情
资源评论
摘要
混凝土坝中的裂缝问题十分普遍,为客观准确分析其影响因素并建立精准预测模型,引入奇异谱分
析(singular spectrum analysis,SSA)提取残差序列信号与噪声空间中的有效信息,并使用多
元线性 回 归 -门 控 循环单 元 神 经 网络(multiple linear regression-gated recurrent unit,MLR-
GRU)组合模型对裂缝开度进行分析和预测。以某混凝土重力拱坝裂缝监测数据为例,对多层神经
网 络 (multi layer perception,MLP) 、 随 机 森 林 (random forest,RF) 以 及 支 持 向 量 回 归 机
(support vector regression,SVR)等多种方法进行对比分析,以验证所提组合模型的合理性和可
行性。结果表明,该组合模型的相关系数 R
2
、均方根误差(root mean square error,RMSE)和平
均 绝 对 误 差 (mean absolute error,MAE) 多 个 评 估 指 标 均 显 著 优 于 其 他 模 型 , 且 Diebold-
Mariano 假设检验结果表明该模型与其他模型相比具有显著性差异。该组合模型既具有传统统计回
归模型对影响裂缝变化因素的强解释性,又对裂缝行为有很好的预测效果,可推广应用于实际工程
的裂缝行为预测诊断中。
Abstract
The crack problem in concrete dams is very common.To objectively and accurately
analyze its influencing factors and establish an accurate crack change prediction
model,a multiple linear regression-`gated recurrent unit(MLR-GRU) neural network
combination model is proposed to analyze and predict the crack opening,and
singular spectrum analysis(SSA) is introduced to separate the signal space and
noise space in the residual sequence to extract effective information.Taking the
crack monitoring data of a concrete gravity arch dam as an example,multiple
methods including multi layer perception(MLP),random forest(RF),and support
vector regression machine(SVR) are used for comparative analysis to verify the
rationality and feasibility of the proposed hybrid model.The results show that the
proposed model is significantly better than other models in terms of correlation
coefficient(R
2
),root of mean square error(RMSE),and mean absolute
error(MAE).Diebold-Mariano hypothesis test results show that this model is
significantly different from other models.The proposed hybrid model not only has a
strong explanatory effect of the traditional statistical regression model on the
influencing factors of cracks,but also has a good prediction effect on crack
behavior.It can be widely used in the prediction and diagnosis of crack behavior in
actual engineering.
译
关键词
裂缝开度; 多元线性回归; 奇异谱分析; 门控循环单元
Keywords
crack opening; multiple linear regression(MLR); singular spectrum
analysis(SSA); gated recurrent unit(GRU)
译
混凝土抗拉强度低,在复杂的外力环境作用下不可避免会产生裂缝
[ 1]
。裂缝会显著影响混凝土坝
结构耐久性,严重者会引发渗漏、溶蚀,危害坝体安全,因此,采用混凝土坝裂缝原型监测资料建
立具有强解释性和高预测精度的模型,对准确判断裂缝发展及演化趋势、掌握大坝运行状况、及时
进行安全示警具有重要意义
[ 2]
。
统计模型简单明确,可直观反映各因素对裂缝开度变化的影响,在大坝安全监控领域得到广泛应用。
受限于当前监测技术和理论
[ 2-4 ]
,统计模型在考虑影响因素及裂缝行为的非线性关系上仍较为困难,
存在水位温度等多重共线性等问题,难以达到高精度要求。
已有研究表明,大坝观测数据残差项中存在混沌现象
[ 5]
。包腾飞等
[ 6]
对残差时间序列进行相空间
重构,提出统计混合新模型以提高预测精度;邱莉婷等
[ 7]
基于混沌理论,建立统计回归-Legendre
组合模型进行预测,降低误差;严春丽
[ 8]
利用多元线性回归分离影响变量,并结合递归最小二乘
(recursive least square,RLS)算法对残差序列进行预测。然而大坝观测数据序列复杂多变,传
统方法建模时未能充分考虑数据长短期关联性,易忽略数据内部特征,从而影响结果的可靠性。
近些年来人工智能技术快速发展,不依赖于外部特征的深度学习引起了广泛关注。其学习过程不依
赖于先验知识,通过特有的学习机制从大量数据中挖掘有效信息,在众多领域如金融、交通流量等
领 域
[ 9 , 10 ]
取 得 了显 著 效 果
[ 11-14 ]
。 作 为一 种 递 归 神 经 网 络 , 门 控 循 环 单 元( gated recurrent
unit,GRU)神经网络可充分利用历史记忆,通过门结构控制与传播信息,在时间序列处理预测中
表现优异。
裂缝反映了材料内部损伤的不断累积,经统计回归的残差数据本质上是一个伴随复杂变化、噪音以
及不确定性的时间序列,包含系统特征及运行规律,应用 GRU 神经网络挖掘残差序列中长短期序
列的潜在联系,可有效弥补传统统计模型回归精度低、忽略残差项等缺陷。此外,为有效消除残差
序列中的 噪 音 干 扰 ,引入 奇 异 谱 分 析(singular spectrum analysis,SSA)对噪 声 进 行 分 离 ,
提取残差序列的主要成分。
本文提出一种 MLR-SSA-GRU(multiple linear regression-SSA-GRU)组合模型应用于混凝土
坝裂缝开度预测研究,该模型采用统计模型作常规预测,分离水压、温度以及时效影响,分析影响
大坝裂缝开度的主要因素。对同样包含大量有效信息的残差项(如各变量非线性影响等),通过 SSA
分析进行序列重构,并采用 GRU 神经网络进行训练拟合及预测。通过多种模型融合可以发挥统计
模型及深度学习的优势,以达到兼顾强解释性及高精度要求。
1 残差重构及预测原理
1.1 奇异谱分析原理
混凝土坝裂 缝开度 残差序 列包含常规统计模型无 法解释 的成分 ,影响因素复杂 ,且具 有非平 稳性、
非线性噪声特点。为分离噪声空间提取主要有效信息,本文对残差序列进行分解重构。
SSA 是一种高效的时间序列分析方法,可在不依赖于先验知识前提下,基于时间序列本身建立轨迹
矩阵,分析结果稳定可靠。
具体步骤如下:
1)嵌入。对残差序列 D=(y1,y2,⋯,yN)中心化,其中 yN为裂缝开度残差,N 为序列长度。选择窗
口长度 L对序列进行滞后排列得到轨迹矩阵 Y:
Y=⎡⎣⎢⎢⎢⎢⎢y1y2⋮yLy2y3⋮yL+1⋯⋯⋮⋯yi+1yi+2⋮yi+L⋯⋯⋮⋯yN−L+1yN−L+2⋮yN⎤⎦⎥⎥⎥⎥⎥Y=y1y2⋯yi+1⋯yN-L+1y2
y3⋯yi+2⋯yN-L+2⋮⋮⋮⋮⋮⋮yLyL+1⋯yi+L⋯yN
(1)
2)分解。计算协方差矩阵 C=YYT,对其特征值进行分解,得到特征值 λk及特征向量 Vk,其对应
的时间主成分 aki为
aki=YiVk=∑j=1Lyi+jVk,j, 0≤i≤N−Laik=YiVk=∑j=1Lyi+jVk,j, 0≤i≤N-L
(2)
3)重构。根据时间主成分重构时间序列,得
yki=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪1i∑j=1iaki−jVk,j,1L∑j=1Laki−jVk,j,1N−i+1∑j=i−N+LL
aki−jVk,j,1≤i≤L−1L≤i≤N−L+1N−L+2≤i≤Nyik=1i∑j=1iai-jkVk,j,1≤i≤L-11L∑j=1Lai-jkVk,j,L≤
i≤N-L+11N-i+1∑j=i-N+LLai-jkVk,j,N-L+2≤i≤N
(3)
原序列为
yi=∑k=1Lykiyi=∑k=1Lyik
(4)
根据实际情况,通常只考虑提取原序列的主要成分,即根据奇异值大小选取前 q(q≤L)个重构原序
列。重构序 列包含 原始序 列的主要信息,过滤掉 部分噪 声数据 干扰,可显著改 善预测 模型的 表现。
1.2 门控循环单元神经网络
裂缝开度残差序列是单变量长时间跨度序列,其数据在时间维度上具有关联性,GRU 神经网络特
有内置的门结构可突出重要特征、弱化非重要特征,实现对历史监测数据的有效选择积累,预测表
现准确高效。GRU 模型的标准结构如图 1 所示,图 1 中,σ为激活函数,σ=1/1+e−x。
图 1 GRU 模型结构图
Fig.1 Structure diagram of GRU model
下载: 原图 | 高精图 | 低精图
剩余10页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3540
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功