[发明专利]基于BP-LSTM的大坝监测物理量智能预测方法

说明书

本发明涉及一种基于BP‑LSTM的大坝监测物理量智能预测方法。本发明的目的是提供一种更为智能、方便、有效的基于BP‑LSTM的大坝监测物理量智能预测方法。本发明的技术方案是：一种基于BP‑LSTM的大坝监测物理量智能预测方法，其特征在于：获取需预测时段内的大坝监测数据，包括各时刻的大坝上、下游水位和大坝上游边界温度；将预测时段内各时刻的大坝上、下游水位和大坝上游边界温度输入BP‑LSTM网络模型，输出该预测时段内监测物理量的预测值。本发明适用于大坝安全监测及管理领域。

技术领域

本发明涉及一种基于BP-LSTM的大坝监测物理量智能预测方法。适用于大坝安全监测及管理领域。

背景技术

随着我国投运的大坝数量越来越多、规模越来越大，加上部分早年投运的大坝运行年限越来越长，今后一段时间内我国大坝运行安全管理面临着巨大的挑战。作为监视大坝运行性态最直接也是最重要的手段，大坝安全监测在大坝建设以及运行管理中发挥着无可替代的作用。通过安全监测人们能够了解大坝过往以及当前的运行性态，为大坝安全管理提供参考。

实际工程中往往会遇到的一种情况是，在已获得监测物理量测值的情况下如何对该测值的异常与否进行评判；另一种情况是，在预知可能遭受的运行荷载组合情况下，需要对大坝结构性态进行快速预测。以上两方面的需求仅仅通过常规安全监测手段无法实现，需要借助其他手段进行辅助分析，即根据实测数据和相关预测资料进行结构性态预测。

现阶段工程中对大坝运行性态进行预测的常规做法主要有两类，一类是根据历史监测数据，探究监测物理量(如大坝变形、渗压等)与原因量(如库水位、气温等因素)之间的数学关系，通过建立数学模型进行大坝运行性态的预测，该类方法的典型代表为监控模型法；另一类是基于历史监测数据，结合结构计算手段进行大坝及坝基参数反演，在此基础上通过反演参数进行结构性态计算预测，该类方法的典型代表为有限元正反分析法。

通过监控模型预测大坝结构性态的方法往往需要根据经验选取原因量(影响因子)的函数形式并通过试算确定，并且不同类型监测物理量所采用的影响因子也不同，该方法受人为因素影响大；基于有限元正反分析的方法物理意义明确但仍存在不足，如建立大坝及坝基的有限元模型并分析的过程异常复杂，引入的计算假定多，不同的人建模及计算导致结果也并不一致，应用也并不方便。由此可见，现阶段采用的传统基于历史监测数据预测大坝结构性态的方法尚有改进的余地。

发明内容

本发明要解决的技术问题是：针对上述存在的问题，提供一种更为智能、方便、有效的基于BP-LSTM的大坝监测物理量智能预测方法。

本发明所采用的技术方案是：一种基于BP-LSTM的大坝监测物理量智能预测方法，其特征在于：

获取需预测时段内的大坝监测数据，包括各时刻的大坝上、下游水位和大坝上游边界温度；

将预测时段内各时刻的大坝上、下游水位和大坝上游边界温度输入BP-LSTM网络模型，输出该预测时段内监测物理量的预测值；

所述BP-LSTM网络模型，包括：

S1、获取大坝某时间段的历史监测数据，包括各时刻的大坝上、下游水位、大坝上游边界温度以及需要预测的监测物理量测值；

S2、采用BP神经网络对大坝各时刻的边界温度进行特征提取，得到温度特征向量；

S3、采用LSTM神经网络进行监测物理量预测，将某时间段内各时刻由BP神经网络提取的温度特征向量，实测的上、下游水位及时间作为LSTM神经网络的输入，模型输出即为监测物理量的预测值；

S4、通过获取的某时间段历史监测数据对BP-LSTM网络模型进行训练，并保存训练得到的最优模型的参数。

步骤S1包括：