基于CNN-Attention-LSTM的大坝变形预测模型

【目的】预测大坝变形以规避风险是大坝变形监测的重点,一个可靠的预测模型可以洞察大坝未来变形趋势。为了更好地预测大坝的变形,提高预测精度和计算效率,【方法】提出了一种基于卷积神经网络(CNN)、注意力机制(Attention)和长短时记忆网络(LSTM)的大坝监测模型。CNN从监测数据中提取特征,LSTM更好地从时间序列数据中学习,并在此CNN-LSTM模型的基础上,耦合深度学习算法Attention机制,突出特征对输入效果的影响,在不影响模型精度的前提下提高计算速度,进一步提高模型预测精度与稳定性。同时,结合工程实例进行了应用分析。【结果】结果显示,所建模型能够精确预测大坝变形,在各点位测试集上平均R2、MAE、RMSE、MSE和MAPE分别为0.989 mm、0.337 mm、0.469 mm、0.252 mm和13.918%。【结论】结果表明:所建模型具有较好的变形预测能力和适用性,相较于CNN、LSTM、CNN-LSTM、Attention-LSTM模型,该模型具有较好的MAE、RMSE、MSE、MAPE和R2等指标,并提高了计算效率,更适合大坝变形的预测。