期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于双阶段注意力机制的大坝变形深度学习预测模型
被引量:
2
1
作者
赵二峰
李章寅
袁冬阳
《河海大学学报(自然科学版)》
CAS
CSCD
北大核心
2023年第6期44-52,共9页
为提升大坝结构变形预测精度,采用完全自适应噪声集合经验模态分解(CEEMDAN)法将变形实测序列解耦为一系列具有不同时频特征的本征模态函数,使用小波阈值消噪对高频分量平稳化处理后进行重构,利用基于双阶段注意力机制的长短期记忆网络(...
为提升大坝结构变形预测精度,采用完全自适应噪声集合经验模态分解(CEEMDAN)法将变形实测序列解耦为一系列具有不同时频特征的本征模态函数,使用小波阈值消噪对高频分量平稳化处理后进行重构,利用基于双阶段注意力机制的长短期记忆网络(DA-LSTM)模型对重构变形序列进行预测。实例验证结果表明,联合CEEMDAN算法和小波阈值消噪方法能够有效识别并清洗实测数据中的异常值,提升了测值对大坝运行性态的表征能力,同时DA-LSTM模型可以充分挖掘大坝变形的滞后性和增强网络的可解释性,据此构建的变形预测模型具有优良的稳健性。
展开更多
关键词
大坝变形
深度学习
消噪
注意力机制
长短期记忆网络
预测
下载PDF
职称材料
题名
基于双阶段注意力机制的大坝变形深度学习预测模型
被引量:
2
1
作者
赵二峰
李章寅
袁冬阳
机构
河海大学水灾害防御全国重点实验室
河海大学水利水电学院
河海大学水资源高效利用与工程安全国家工程研究中心
出处
《河海大学学报(自然科学版)》
CAS
CSCD
北大核心
2023年第6期44-52,共9页
基金
国家自然科学基金项目(52079046,U2243223)。
文摘
为提升大坝结构变形预测精度,采用完全自适应噪声集合经验模态分解(CEEMDAN)法将变形实测序列解耦为一系列具有不同时频特征的本征模态函数,使用小波阈值消噪对高频分量平稳化处理后进行重构,利用基于双阶段注意力机制的长短期记忆网络(DA-LSTM)模型对重构变形序列进行预测。实例验证结果表明,联合CEEMDAN算法和小波阈值消噪方法能够有效识别并清洗实测数据中的异常值,提升了测值对大坝运行性态的表征能力,同时DA-LSTM模型可以充分挖掘大坝变形的滞后性和增强网络的可解释性,据此构建的变形预测模型具有优良的稳健性。
关键词
大坝变形
深度学习
消噪
注意力机制
长短期记忆网络
预测
Keywords
dam deformation
deep learning
denoising
attention mechanism
long short-term memory network
prediction
分类号
TV698.11 [水利工程—水利水电工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于双阶段注意力机制的大坝变形深度学习预测模型
赵二峰
李章寅
袁冬阳
《河海大学学报(自然科学版)》
CAS
CSCD
北大核心
2023
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部