五强溪水电站大坝变形预测模型研究

摘要

基于逐步回归法、偏最小二乘回归法和长短期记忆(LSTM)循环神经网络,构建了五强溪水电站大坝变形预测模型。采用拉伊特准则确定可靠的监测数据,基于可靠的监测数据,构建考虑水压、温度、时效因素的混凝土重力坝变形预测逐步回归和偏最小二乘回归模型,根据五强溪大坝坝顶J23测点2006年~2020年的监测资料获得该测点的沉陷曲线逐步回归和偏最小二乘回归预测模型。根据数值试验,选定的LSTM模型包括2个LSTM层,激活函数采用整流线性单元函数,输入序列长度为20。训练集数据取2006年~2017年的监测值,2018年~2020年的监测数据作为测试集数据。采用随机搜索对LSTM循环神经网络的超参数进行优化。比较3种模型结果可知:3种模型在沉降曲线的预测效果均较好;偏最小二乘回归法能合理地解释各分量;训练数据足够时,LSTM循环神经网络的预测精度非常高;采用偏最小二乘法回归模型或LSTM模型预测J23测点变形更为妥当。