基于MLR-SSA-GRU的混凝土坝裂缝开度组合预测模型.docx

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

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

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

。裂缝会显著影响混凝土坝

受限于当前监测技术和理论

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

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

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

矩阵，分析结果稳定可靠。

具体步骤如下：

原序列为

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

图 1 GRU 模型结构图