[发明专利]一种基于监测数据的高拱坝应力预测模型构建方法

说明书

本发明提供一种基于监测数据的高拱坝应力预测模型构建方法，包括：基于高拱坝无应力计和应变计组监测数据，建立LightGBM高拱坝应力预测模型；采用Tent混沌映射和折射反向学习策略增强麻雀初始种群多样性和质量，并基于自适应t分布变异使麻雀跳出局部最优位置，提高麻雀搜索算法的全局搜索能力；运用改进的麻雀搜索算法对LightGBM模型进行优化分析，确定最优超参数组合，并引入可解释黑箱模型的SHAP框架，建立一种可解释的高拱坝应力预测模型。本发明融合改进麻雀搜索算法、LightGBM和SHAP的高拱坝应力预测模型能准确预测高拱坝应力，识别出影响高拱坝应力的显著特征，为高拱坝健康监控和诊断提供决策依据。

技术领域

本发明涉及水工建筑物安全监测领域，具体是一种基于监测数据的高拱坝应力预测模型构建方法。

背景技术

高拱坝坝体在运行期承受较大的荷载，坝体可能出现超标应力。拉应力超标将引起坝体开裂，剪应力超标将导致坝体滑移，因此，坝体应力过大是引起坝体裂缝和整体稳定的主要原因。目前，常通过分析无应力计和应变计组监测数据，建立高拱坝应力预测模型，对高拱坝应力影响因素和高拱坝安全性态进行评估。

在对大坝应力应变监测数据分析并建立预测模型的众多方法中，一般采用主成分分析或偏最小二乘归法等线性分析方法建立统计模型。高拱坝运行期受到上下游水位、坝体温度、两岸山体谷幅收缩变形，以及混凝土徐变度等诸多因素的影响，高拱坝系统是一个复杂的非线性系统，常规的线性回归分析方法，无法建立准确的应力预测模型。一些解决复杂非线性问题的人工智能化方法，如人工神经网络、支持向量机、极限学习机等存在过学习，容易陷入局部最小等问题。因此，如何基于监测数据，建立一种预测能力高、可解释性强的高拱坝应力预测模型是需要亟待解决的问题。

发明内容

针对现有技术中存在的问题，本发明提供一种基于监测数据的高拱坝应力预测模型构建方法，该方法基于无应力计和应变计组监测数据分析，融合Tent混沌映射、折射反向学习策略和自适应t分布变异，提出一种改进麻雀搜索算法(ISSA)进行LightGBM高拱坝应力预测模型参数寻优，并引入SHAP框架增强模型的可解释性，该技术方案将ISSA、LightGBM与SHAP相结合建立的高拱坝应力预测模型具有很高的预测能力和可解释性。

本发明解决其技术问题所采取的技术方案为：

一种基于监测数据的高拱坝应力预测模型构建方法，包括下述步骤：

S1：应变计组应力计算：结合高拱坝无应力计和应变计组监测数据，计算高拱坝单轴应变；根据计算的高拱坝单轴应变，结合混凝土试验得到的弹性模量和徐变度公式，通过变形法计算高拱坝的应力；

S2：LightGBM高拱坝应力预测模型建立：将步骤S1计算所得高拱坝的应力和确定的高拱坝应力影响因素划分训练集和预测集，基于划分的训练集和预测集以及LightGBM算法建立高拱坝应力预测模型；

S3：种群初始化：设置麻雀搜索算法的相关参数和LightGBM超参数的范围，使用Tent混沌映射理论和折射反向学习初始化超参数的麻雀种群；

S4：最优超参数计算：利用步骤S2建立的LightGBM高拱坝应力预测模型对训练集进行训练，计算麻雀个体对预测集的适应度值；更新发现者、加入者和侦察者位置，计算麻雀种群适应度值；利用自适应t分布对所有麻雀位置进行变异，更新麻雀种群位置；判断算法是否达到最大迭代次数，不满足则返回计算麻雀个体的适应度值，满足则输出最优超参数；

S5：可解释的高拱坝应力预测模型建立：根据步骤S4计算的最优超参数，引入SHAP框架，建立可解释的LightGBM高拱坝应力预测模型，所述可解释的LightGBM高拱坝应力预测模型用于评估高拱坝应力影响因素的重要性。

进一步的，步骤S1中应变计组应力计算的具体步骤如下：

S11、结合高拱坝无应力计监测数据，建立无应力计统计模型方程：