传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序...传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序列、周期序列及残差分量。在此基础上,采用鲸鱼优化算法(WOA)结合随机森林算法(RF)对三个分量进行预测,并使用Holt-Winters算法充分考虑趋势序列中的趋势信息对趋势序列的预测结果进行修正。最后将修正后的趋势序列预测结果和周期序列、残差分量预测结果相加,得出拱坝位移最终预测结果。工程实例表明,基于STL-Holt-WOA-RF的拱坝位移预测模型能够显著提高预测的准确性和稳定性,为拱坝位移预测提供了新的思路和方法。展开更多
文摘传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序列、周期序列及残差分量。在此基础上,采用鲸鱼优化算法(WOA)结合随机森林算法(RF)对三个分量进行预测,并使用Holt-Winters算法充分考虑趋势序列中的趋势信息对趋势序列的预测结果进行修正。最后将修正后的趋势序列预测结果和周期序列、残差分量预测结果相加,得出拱坝位移最终预测结果。工程实例表明,基于STL-Holt-WOA-RF的拱坝位移预测模型能够显著提高预测的准确性和稳定性,为拱坝位移预测提供了新的思路和方法。