CN111105097A - 一种基于卷积神经网络的大坝变形预测系统和方法 - Google Patents
一种基于卷积神经网络的大坝变形预测系统和方法 Download PDFInfo
- Publication number
- CN111105097A CN111105097A CN201911354842.6A CN201911354842A CN111105097A CN 111105097 A CN111105097 A CN 111105097A CN 201911354842 A CN201911354842 A CN 201911354842A CN 111105097 A CN111105097 A CN 111105097A
- Authority
- CN
- China
- Prior art keywords
- layer
- dam
- data
- neural network
- feature extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011176 pooling Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims description 74
- 238000012360 testing method Methods 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 5
- 230000032683 aging Effects 0.000 claims description 4
- 230000007480 spreading Effects 0.000 claims description 4
- 238000003892 spreading Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009530 blood pressure measurement Methods 0.000 claims description 2
- 238000009529 body temperature measurement Methods 0.000 claims description 2
- 230000000295 complement effect Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卷积神经网络的大坝变形预测系统和方法。本发明用于大坝变形预测的卷积神经网络充分使用网络并行计算的能力，把二维数据并行地输入到多条路径中，且每条路径中有若干卷积层和池化层交替级联，为获取到更多的特征，可以设置不同的卷积核大小；增加仅级联一个卷积层和一个池化层的简单路径，用于提取与其它路径不同的特征，同时本发明考虑到这些路径提取到的特征不一定互补，所以在合并这些路径的输出结果时，所述系统中使用加法运算。本发明提高了大坝变形预测的自动化水平，同时提高了变形预测的效率和速度。
Description
技术领域
本发明属于大坝变形预测领域，具体涉及一种基于卷积神经网络的大坝变形预测系统和方法。
背景技术
为充分利用水资源，缓解水资源在空间和时间上的不平衡，我国已修建各类大坝超过8.5万座。这些大坝在灌溉、防洪、发电等领域中产生了巨大的经济效益，尤其是随着西部大开发、南水北调、西电东送等工程的逐步深入，大坝发挥极其重要的作用。但随着时间的推移，大坝内外因素(环境、基本结构)逐渐发生变化，部分坝体可能存在不同程度的变形，这将给下游带来巨大的人员伤亡和经济损失。
因此对大坝变形进行及时高效的预测是防止威胁发生的关键。对大坝变形预测的实现，不仅可以保证大坝的正常平稳运行，还能提高大坝变形预测效率，改进坝体构建方法。为提高大坝变形预测效率，近年来，越来越多的公司和科研机构致力于改进传统预测方法。
中国专利号：CN201711487838，公开了一种基于大数据平台的大坝变形预测方法。根据具体大坝变形预测需求，从影响大坝变形的特征集合中选取一组最有效的特征子集，建立基于K最近邻算法(K-NearestNeighbor，KNN)的并行化预测模型并对大坝变形进行预测。
中国专利号：CN200910184935，公开了一种精确预测大坝变形的神经网络方法。采用回归模型和神经网络的融合技术的方法，利用大坝变形观测历史数据，采用回归分析模型和神经网络技术的融合，预测大坝的变形。
然而，上述几项技术所公开的大坝变形预测技术虽然对提高预测效率具有一定的帮助，但是仍然存在以下问题：现实中导致大坝变形的影响因素众多，在不同气候、地形等条件下主要影响因素也有所不同，如何尽可能采用较少的数据来准确获得特征数据；以及如何构建一个高度自动化的大坝变形预测系统，从而实现对大量数据的高效处理将成为首要任务。
发明内容
本发明的目的是为了解决如何对大坝各项数据合理运用，在尽可能减少人为因素干扰的前提下，提供一种基于人工智能的大坝变形预测系统。
为实现上述技术目的，本发明采用以下技术方案：
一方面，本发明提供一种基于卷积神经网络的大坝变形预测系统。
用于采集大坝数据的坝体基准点数据收集系统和大坝变形预测系统；
所述坝体基准点数据收集系统包括基准测试点分布模块、信号接收器和云服务平台；所述基准测试点分布模块通过信号接收器和云服务器平台通信；所述云服务器平台用于对基准测试点分布模块采集到的数据进行存储和预处理；
所述大坝变形预测系统包括执行计算机可用程序代码的计算机或其他可编程设备，所述计算机可用程序代码包括实现大坝变形预测的卷积神经网络；所述卷积神经网络包括用于选择构建卷积神经网络输入数据集的数据集构建模块、用于提取特征的特征提取模块和用于大坝预测变形的预测模块；
所述特征提取模块包括第一特征提取路径和第二特征提取路径，所述第一特征提取路径包括至少一个特征提取模块，所述特征提取模块为卷积层和池化层间隔交替结构，所述第二特征提取路径仅级联一个卷积层和一个池化层；所述第一特征提取路径相互叠加运算后与第二特征提取路径求和运算后连接预测模块；
所述预测模块包括依次连接的展开层、全连接层和输出层。
进一步地，所述坝体基准点数据收集子系统包括传感器，所述传感器包括位移实时GPS定位传感器、坡度测量传感器、水位高度测量传感器、水压测量传感器、时间测量传感器、温度测量传感器以及海拔高度测量传感器。
进一步地，所述云服务器平台根据信号产生方式的不同，将数据分为连续型数据和离散型数据，并存储到数据库中。
进一步地，所述数据集构建模块分别选取m个不同时间段的时域信号，且每个时域信号有T个信号点，将选取的时域信号中的每个信号点编号，然后把所选的时域信号内编号相同的信号点所对应的测量值组合成一个二维矩阵上的一个值，最终得到一个包含选定特征信息的二维矩阵。
进一步地，所述卷积层的激活函数采用PReLU函数，所述PReLU函数在阈值大于0时与ReLU函数的处理方式一样，在阈值小于0时则将这些阈值乘以一个预设的固定值。
进一步地，在展开层和全连接层之间增加一个Dropout层和一个Relu层。
进一步地，卷积神经网络的输入数据集包括水压分量数据、温度分量数据、时效分量数据和大坝水平位移数据。
另一方面，本发明为了解决目前大坝监测点多，数据量庞杂，人工处理和评判难度高且效率低的问题，本发明提出一种基于卷积神经网络的大坝变形预测方法，包括：
采集坝体基准点数据；
将输入数据集输入预先训练完成的卷积神经网络，输出大坝变形预测结果；
所述卷积神经网络包括选择构建卷积神经网络的输入数据集的数据集构建模块、用于提取特征的特征提取模块和用于大坝预测变形的预测模块；
所述特征提取模块包括第一特征提取路径和第二特征提取路径，所述第一特征提取路径包括至少一个特征提取模块，所述特征提取模块为卷积层和池化层间隔交替结构，所述第二特征提取路径仅级联一个卷积层和一个池化层；所述第一特征提取路径相互叠加运算后与第二特征提取路径求和运算后连接预测模块；
所述预测模块包括依次连接的展开层、全连接层和输出层。
进一步地，所述卷积层的激活函数采用PReLU函数，所述PReLU函数在阈值大于0时与ReLU函数的处理方式一样，在阈值小于0时则将这些阈值乘以一个预设的固定值。
进一步地，在展开层和全连接层之间增加一个Dropout层和一个Relu层。
有益技术效果：本发明针对日益增长的大坝变形监测海量数据，对大坝各项数据合理运用，在尽可能减少人为因素干扰的前提下，使大坝变形预测过程趋于自动化等都是尚未解决的难题；一方面本发明设计的改进型卷积神经网络，充分考虑了使用网络并行计算的能力，另一方面结合ResNet网络中的残差块模型的特点进行结构的改进；
本发明采用并行计算即考虑把二维数据并行地输入到多条路径中，且每条路径中有若干卷积层和池化层的级联，为获取到更多的特征，可以设置不同的卷积核大小；结合ResNet网络中残差块模型的特点，增加仅级联一个卷积层和一个池化层的路径，用来提取与其它路径不同的特征，同时本发明考虑到这些路径提取到的特征不一定互补，所以在合并这些路径的输出结果时，所述系统中使用加法运算，本发明提高了大坝变形预测的自动化水平，同时提高了变形预测的效率和速度；
本发明激活函数选择PReLU激活函数，该激活函数在阈值大于0时与ReLU函数的处理方式一样，而在阈值小于0时则将这些阈值乘以一个很小的固定值，这样的改进方式可以在修正数据分布的同时还可以避免神经网络梯度的消失。
并行计算的卷积神经网络可以提高网络的深度和宽度，而随着网络深度和宽度的加大，选择PReLU激活函数又可以解决梯度消失问题和退化问题；改进后的网络还能提取到更多不同的特征，特征数越多也有利于提高变形预测系统预测的有效性和精确性。
附图说明
图1是本发明实施例提供的大坝变形预测系统的总体框架；
图2是本发明实施例提供的系统坝体基准点数据收集系统示意图；
图3是本发明实施例提供的数据收集系统中的传感器示意图；
图4是本发明实施例提供的系统数据集的构建过程；
图5是本发明实施例提供的大坝变形预测系统的训练过程流程图；
图6是本发明实施例提供的大坝变形预测系统的测试过程流程图；
图7是本发明实施例提供的特征提取模块和预测模块的结构图，其中(a)为实施例提供的特征提取模块结构图，(b)为实施例提供的预测模块的结构图；
图8是本发明实施例提供的基于改进型卷积神经网络的预测模型；
图9是本发明实施例提供的基于改进型卷积神经网络的优化预测模型。
具体实施方案
为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述。下面所描述的实施例仅为本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
下面结合附图对本发明的技术方案做了进一步的详细说明：
图1是所述大坝变形预测系统的总体框架结构图，本发明主要包括两个系统，即坝体基准点数据收集系统和大坝变形预测系统。坝体基准点数据收集系统主要完成大坝原始数据的采集，包括基准测试点分布模块、数据信号接收器、云服务器平台；大坝变形预测系统包括执行计算机可用程序代码的计算机或其他可编程设备，计算机可用程序代码包括实现大坝变形预测的卷积神经网络；卷积神经网络包括用于选择构建卷积神经网络输入数据集的数据集构建模块、用于提取特征的特征提取模块和用于大坝预测变形的预测模块；所述特征提取模块包括第一特征提取路径和第二特征提取路径，所述第一特征提取路径包括至少一个特征提取模块，所述特征提取模块为卷积层和池化层间隔交替结构，所述第二特征提取路径仅级联一个卷积层和一个池化层；所述第一特征提取路径相互叠加运算后与第二特征提取路径求和运算后连接预测模块；预测模块包括依次连接的展开层、全连接层和输出层。
基准测试点分布模块通过数据信号接收器和云服务器平台通信；云服务器平台用于对基准测试点分布模块采集到的数据进行存储和预处理。实际工程上基准测试点的分布方式有很多种：网状式分布、环形式分布、交错式分布、叠加式分布等，且这些分布方式通常设置在大坝最高处、坝体中部、大坝最低处泄水孔处、坝基地形和地质变化较大处等，而每种分布由若干基准测试点组成，每个基准点上基准测试点分布模块包括很多类型传感器，主要包括位移实时GPS定位传感器、坡度测量传感器、水位高度测量传感器、水压测量传感器、时间测量传感器、温度测量传感器以及海拔高度测量传感器。
在实际应用中，数据信号接收器主要用于基准测试点分布模块和进行数据通信，具体采用何种通信方式在此不做限定。具体实施例中，云服务器平台在大坝周围设置若干数据信号接收器，信号接收器将原始数据实时发送给基站做简单的处理，基站以信号产生方式不同为基准，将数据分为连续性数据和离散型数据，并将其传送至云服务器平台，云服务器对数据进行预处理包括删除无效数据等，并对预处理后的数据进行存储。
在本实施例中坝体基准点数据收集系统还包括与云服务器通信的多个数据接收终端，用于对大坝变形进行实时在线监测。
本实施例中，基准测试点在大坝坝面上呈网状式分布，以便于对整体断面进行观测。图2我们设置了四处断面，即在大坝最高处和最低处泄水孔处各设置一处断面，坝体中部设置两处断面，并在每层断面设置三个基准测试点，共十二个测试点，其中的每个测试点都安装位移实时GPS定位传感器、坡度测量传感器、海拔高度测量传感器、水压测量传感器、时间测量传感器、温度测量传感器以及水位高度测量传感器。所述基准测试点将实时信息传递给大坝周围的数据信号接收器(图2在大坝两侧各画一个以作示意)，然后数据信号接收器将原始数据实时发送给基站做简单的处理，所述基站以信号产生方式不同为基准，将数据分为连续型数据和离散型数据，并将其传至云服务器平台，做更进一步数据处理，最后把处理好的数据发送到数据接收终端上，方便后期的大坝监测工作。
图3是所述数据收集系统中的传感器示意图，共有七类传感器，由于所述系统是大坝变形预测系统，仅需与变形预测相关的数据，因此本发明仅考虑水压测量传感器、时间测量传感器、温度测量传感器和水位高度测量传感器收集到的数据。
把坝体基准点数据收集系统中各类传感器收集到的大坝实时监测数据存储在云服务器平台上，接着根据云平台上的原始数据构造出大坝变形数据集，并将数据集分为训练集和测试集，其中，训练集约占整个数据集的70％-80％，测试集约占20％-30％。然后使用训练集训练深度卷积神经网络直到满足最大训练次数和预设的精度要求，最后使用训练好的模型在测试集上完成大坝变形的预测工作。
图4是大坝变形预测系统包括的卷积神经网中数据集构建模块构建数据集的过程。首先，从云服务平台获取坝体基准点数据收集系统采集的大坝变形数据，选择与大坝变形预测相关的数据，即水压数据、温度数据、时间数据、水平位移数据，然后根据信号产生方式的不同，将数据分为连续型数据和离散型数据，并将其存储到大坝变形的数据库中，方便后期的数据管理和其它研究，随后从这两类时域信号中分别选取m个时长为T的不同时间段内的时域信号，其中选取n1段连续信号，n2段离散信号，即m＝n1+n2，并对每段中的T个信号点从1到T进行编号，把m个时间段内编号相同的信号点对应的测量值组合为一个m*1的向量，该向量可对应为二维矩阵的一个值，同理，其它段的时域信号都以这样的方式处理，最终我们得到一个包含水压分量、温度分量、时效分量等数据的二维矩阵，我们以此二维矩阵作为卷积神经网络的输入。考虑到各类传感器收集的水压、温度、时效的数据量纲不统一，所以需要对这个二维矩阵进行归一化处理，使得二维矩阵中的元素落在[0,1]中，这样就得到所述大坝变形预测系统的数据集。
把处理后的数据集分为两部分：训练集和测试集，训练集用作模型训练，测试集用作模型预测。
图5是所述大坝预测模型的训练流程图，首先将得到的训练集数据作为卷积神经网络输入层的数据，经过卷积层(卷积核的大小根据需要设定)完成数据的特征融合与提取，采用池化层可以降低数据维度并聚合数据，可以保留局部区域最重要的特征，接着使用全连接层完成模型的输出，然后根据得到的实际输出值计算出与期望值之间的误差，并从模型的最后一层逐层反向调整网络的参数(权值和阈值)。最后，判断训练次数是否已经达到设定的最大值，或者得到的实际输出值与期望值之间的误差是否收敛到预先设定的精度要求。若是，则模型完成训练；否则，模型将进入下一次迭代训练。
与BP神经网络类似，卷积神经网络是一种有监督的深度学习神经网络，分为两个阶段：工作信号正向传播和误差信号反向传播。
第一阶段、首先将得到的训练集数据作为卷积神经网络的输入数据，经过卷积层完成二维矩阵的卷积运算，实现数据的特征融合和特征提取；经过池化层可以降低数据维度并聚合数据，可以保留局部区域最重要的特征，根据数据产生的方式，也可以选择不同的池化方法，常用的池化方法有平均值池化和最大值池化；最后经过全连接层完成模型的训练输出；
第二阶段、根据得到的实际输出值计算出与训练集中的真实值之间的误差，采用梯度下降的方法从模型的最后一层逐层反向调整网络的参数(权值和阈值)。最后，判断训练次数是否已经达到设定的最大值，或者得到的实际输出值与训练集中的真实值之间的误差是否收敛到预先设定的精度要求。若是，则模型训练完成；否则，模型将进入下一次迭代训练。
图6是大坝预测模型的测试流程图，将测试集数据输入到训练好的模型中，根据模型预测的结果与期望值作比较，如果结果满足精度要求，就将预测结果输出，否则需要进入下一次的迭代优化或者重新优化卷积神经网络并重新训练卷积神经网络模型。
将大坝变形的测试集数据输入到训练好的大坝变形预测模型中，根据模型预测的结果与测试集中的数据作比较，计算出均方误差(MSE)，公式(1)所示，如果结果满足误差要求，就将预测结果输出，否则模型需要进入下一次的迭代或者重新优化卷积神经网络的参数和结构再重新训练预测模型。另外，所述预测系统还引入拟合优度R2来衡量模型预测的逼近程度，如公式(2)所示，该值越接近1表示预测模型拟合的效果越好。
其中，Yt表示大坝水平位移实际检测值，Yt'表示各模型的预测值，n表示观测的周期数，t表示观测第t期。
图7是所述系统中的特征提取模块和预测模块结构图，其中，图7(a)是特征提取模块，因为采集到的数据有连续型的，也有离散型的，所以在本发明实施例中，对于连续型数据为保证其连续特性，使用平均值池化方法，而离散型数据使用最大值池化方法；图7(b)是预测模块，主要包括展开层、全连接层和输出层，展开层即展开特征提取模块提取到的特征，当提取的特征比较多时，可以删除一些全连接层中的隐含节点连接，以降低模型的复杂度。
本发明设计的改进型卷积神经网络，充分考虑了使用网络并行计算的能力，并结合ResNet网络中残差块模型的特点进行改进。图8是本发明提出的基于改进型卷积神经网络的预测模型，图中分为两条路径，实线表示的是路径1，虚线表示的是路径2。路径1中、将二维矩阵并行地输入到3条路径中，每条路径将很多特征提取模块级联在一起(图8中只画出级联两个特征提取模块，在其它实施例可以包括多个级联的特征提取模块)，并采用大小不同的卷积核进行卷积运算，以提取到更多不同的特征，而且特征数的增加也有利于提高大坝变形预测系统预测的有效性和精确性；路径2中、只级联了一个卷积层和一个池化层，主要用来提取与路径1不同的特征。另外，考虑到这两条路径提取的特征不一定互补，所以在合并两条路径的输出结果时，所述系统中使用加法运算。卷积神经网络中，常用的激活函数是ReLU函数，其在阈值小于0时的取值都为0，即负阈值状态下的神经元处于抑制状态。在以上实施例的基础上，我们采用改进的ReLU函数(PReLU函数)作为卷积层的激活函数，这样的改进方式可以在修正数据分布的同时还可以避免神经网络梯度的消失。
考虑到坝体基准点数据收集系统中的各传感器之间存在一定的相互作用关系，所述系统综合考虑了这种关系，如图8所示，在池化层后通过路径之间的相互连接实现路径间的数据关联和特征融合，随后赋予每一条路径一定的权重(图8赋予权重w1、w2、w3)，再把路径1和路径2挖掘到的特征相加作为预测模型的输入，最后经过预测模型完成大坝变形监测的工作。本发明提供的改进后的卷积神经网络不仅可以提高网络的深度和宽度，还能提取到更多的特征。
在以上实施例的基础上可以把本发明提供的改进的卷积神经网络进行如下改进。
(1)改变网络的参数：可以适当改变模型的超参数，包括激活函数、初始权值、卷积核数和大小、池化层数和大小等；
(2)改变网络的结构：适当增加卷积层、池化层的数量可以深层次挖掘数据的特征、增加Dropout层可以防止过拟合问题并增强卷积神经网络模型的泛化能力、加入Relu层可以减少网络模型训练的时间；
(3)数据库增强：我们可以通过旋转、平移、缩放、反转等操作对得到的数据集(二维矩阵)进行扩展，这样训练时就不会出现完全相同的数据集了，也增加了数据集的多样性，而其对应预测的大坝水平位移保持不变。
图9是本发明基于改进型卷积神经网络的优化预测模型，与图8的区别在于增加了Dropout层防止过拟合问题，再加入Relu层减少网络训练时间，优化后的大坝变形预测模型可以进一步提高模型的泛化能力和训练速度。
实施例：一种基于卷积神经网络的大坝变形预测方法，包括：采集坝体基准点数据；
将输入数据集输入预先训练完成的卷积神经网络，输出大坝变形预测结果；
所述卷积神经网络包括选择构建卷积神经网络的输入数据集的数据集构建模块、用于提取特征的特征提取模块和用于大坝预测变形的预测模块；
所述特征提取模块包括至少第一特征提取路径和第二特征提取路径，所述第一特征提取路径包括至少一个特征提取模块(特征提取模块如图7(a)所示)，所述特征提取模块为卷积层和池化层间隔交替结构，所述第二特征提取路径仅级联一个卷积层和一个池化层；所述第一特征提取路径相互叠加运算后与第二特征提取路径求和运算后连接预测模块(具体实施例如图8所示)；
所述预测模块包括依次连接的展开层、全连接层和输出层(预测模块如图7(b)所示)。
进一步地，所述卷积层的激活函数采用PReLU函数，所述PReLU函数在阈值大于0时与ReLU函数的处理方式一样，在阈值小于0时则将这些阈值乘以一个预设的固定值。
进一步地，在展开层和全连接层之间增加一个Dropout层和一个Relu层(改进型卷积神经网络的优化预测模型如图9所示)。
需要说明的是一种基于卷积神经网络的大坝变形预测方法与以上实施例提供的用于大坝变形预测的卷积神经网络的训练过程(模型训练过程流程如图5所示)、测试过程(模型训练过程流程如图6所示)以及预测方法相同，在此不做赘述。
本发明通过多个卷积层与池化层间的交替叠加运算，实现深层次数据挖掘和特征提取，而且卷积层的局部连接和权值共享可以减少网络的训练参数，提高预测模型的实用性。在分析大坝预测精度的时候，不仅要考虑单个或一类传感器的数据，我们还需要考虑各传感器之间的依赖关系。因此，本发明方面包括并行计算即考虑把二维数据并行地输入到多条路径中，且每条路径中有若干卷积层和池化层的级联，为获取到更多的特征，可以设置不同的卷积核大小；在此基础路径上还加上ResNet网络中的改进型连接结构，即在并行分布的每条路径之间建立相互连接关系，并在结果输出时赋予每条路径一定的权重以共享该路径的特征，进而深层次地挖掘各路径之间的相互关系。因此本发明提出的改进型卷积神经网络预测模型更接近实际情况，其预测精度和预测效率更高。
本发明与传统的大坝变形预测模型相比，本发明是基于深度卷积神经网络的，首先，深度卷积神经网络中的卷积层是局部连接而非完全连接的，即输出神经元仅连接到其附近区域的输入神经元，实现了局部特征提取和权值共享，可以有效处理问题的空间相关性；其次，深度卷积神经网络中还增加了池化层，池化层可以从局部区域中仅选择最重要的特征，以减少卷积神经网络模型的参数个数，本发明中对于连续型数据使用平均值池化，离散型数据使用最大值池化。由于卷积层中有一个卷积核就可以提取一个特征，所以随着卷积核个数的增加，我们仅需改变各卷积核的大小，而基于卷积神经网络的预测模型的整体结构无需修改，就可以提取出多个特征。基于卷积神经网络的预测系统具有较强的鲁棒性和泛化能力，而且所述系统在保证预测精度的同时还要求自动化控制，因此，该系统将有非常大的应用价值。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种基于卷积神经网络的大坝变形预测系统，其特征在于，包括：
用于采集大坝数据的坝体基准点数据收集系统和大坝变形预测系统；
所述坝体基准点数据收集系统包括基准测试点分布模块、信号接收器和云服务平台；所述基准测试点分布模块通过信号接收器和云服务器平台通信；所述云服务器平台用于对基准测试点分布模块采集到的数据进行存储和预处理；
所述大坝变形预测系统包括执行计算机可用程序代码的计算机或其他可编程设备，所述计算机可用程序代码包括实现大坝变形预测的卷积神经网络；所述卷积神经网络包括用于选择构建卷积神经网络输入数据集的数据集构建模块、用于提取特征的特征提取模块和用于大坝预测变形的预测模块；
所述特征提取模块包括第一特征提取路径和第二特征提取路径，所述第一特征提取路径包括至少一个特征提取模块，所述特征提取模块为卷积层和池化层间隔交替结构，所述第二特征提取路径仅级联一个卷积层和一个池化层；所述第一特征提取路径相互叠加运算后与第二特征提取路径求和运算后连接预测模块；
所述预测模块包括依次连接的展开层、全连接层和输出层。
2.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：所述坝体基准点数据收集子系统包括传感器，所述传感器包括位移实时GPS定位传感器、坡度测量传感器、水位高度测量传感器、水压测量传感器、时间测量传感器、温度测量传感器以及海拔高度测量传感器。
3.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：所述云服务器平台根据信号产生方式的不同，将数据分为连续型数据和离散型数据，并存储到数据库中。
4.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：所述数据集构建模块分别选取m个不同时间段的时域信号，且每个时域信号有T个信号点，将选取的时域信号中的每个信号点编号，然后把所选的时域信号内编号相同的信号点所对应的测量值组合成一个二维矩阵上的一个值，最终得到一个包含选定特征信息的二维矩阵。
5.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：所述卷积层的激活函数采用PReLU函数，所述PReLU函数在阈值大于0时与ReLU函数的处理方式一样，在阈值小于0时则将这些阈值乘以一个预设的固定值。
6.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：在展开层和全连接层之间增加一个Dropout层和一个Relu层。
7.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：卷积神经网络的输入数据集包括水压分量数据、温度分量数据、时效分量数据和大坝水平位移数据。
8.一种基于卷积神经网络的大坝变形预测方法，其特征在于，包括：采集的坝体基准点数据；
将输入数据集输入预先训练完成的卷积神经网络，输出大坝变形预测结果；
所述卷积神经网络包括选择构建卷积神经网络的输入数据集的数据集构建模块、用于提取特征的特征提取模块和用于大坝预测变形的预测模块；
所述特征提取模块包括第一特征提取路径和第二特征提取路径，所述第一特征提取路径包括至少一个特征提取模块，所述特征提取模块为卷积层和池化层间隔交替结构，所述第二特征提取路径仅级联一个卷积层和一个池化层；所述第一特征提取路径相互叠加运算后与第二特征提取路径求和运算后连接预测模块；
所述预测模块包括依次连接的展开层、全连接层和输出层。
9.根据权利要求8所述的一种基于卷积神经网络的大坝变形预测方法，其特征在于：所述卷积层的激活函数采用PReLU函数，所述PReLU函数在阈值大于0时与ReLU函数的处理方式一样，在阈值小于0时则将这些阈值乘以一个预设的固定值。
10.根据权利要求8所述的一种基于卷积神经网络的大坝变形预测方法，其特征在于：在展开层和全连接层之间增加一个Dropout层和一个Relu层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911354842.6A CN111105097B (zh) | 2019-12-25 | 2019-12-25 | 一种基于卷积神经网络的大坝变形预测系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911354842.6A CN111105097B (zh) | 2019-12-25 | 2019-12-25 | 一种基于卷积神经网络的大坝变形预测系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111105097A true CN111105097A (zh) | 2020-05-05 |
| CN111105097B CN111105097B (zh) | 2022-07-29 |
Family
ID=70425186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911354842.6A Active CN111105097B (zh) | 2019-12-25 | 2019-12-25 | 一种基于卷积神经网络的大坝变形预测系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111105097B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434750A (zh) * | 2020-12-04 | 2021-03-02 | 中国电建集团华东勘测设计研究院有限公司 | 基于卷积神经网络的大坝监测数据发展模式识别方法 |
| CN112613597A (zh) * | 2020-11-30 | 2021-04-06 | 河南汇祥通信设备有限公司 | 一种综合管廊风险自动识别卷积神经网络模型及构建方法 |
| CN113255601A (zh) * | 2021-06-29 | 2021-08-13 | 深圳市安软科技股份有限公司 | 一种车辆重识别模型的训练方法、系统及相关设备 |
| CN114417681A (zh) * | 2022-04-01 | 2022-04-29 | 中国工程物理研究院流体物理研究所 | 基于动态决策和神经网络的二维结构变形监测方法及装置 |
| CN114594706A (zh) * | 2022-02-07 | 2022-06-07 | 安徽聚源水利科技液压坝制造有限公司 | 一种网络控制合页坝及智能控制系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699477A (zh) * | 2009-10-21 | 2010-04-28 | 东南大学 | 精确预测大坝变形的神经网络方法 |
| CN107301202A (zh) * | 2017-05-26 | 2017-10-27 | 河海大学 | 一种用于大坝外观变形监测系统平台的架构及其流程方法 |
| CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
| CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
| CN110568441A (zh) * | 2019-09-09 | 2019-12-13 | 大连海事大学 | 一种基于卷积神经网络的船用雷达测雨识别方法 |
-
2019
- 2019-12-25 CN CN201911354842.6A patent/CN111105097B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699477A (zh) * | 2009-10-21 | 2010-04-28 | 东南大学 | 精确预测大坝变形的神经网络方法 |
| CN107301202A (zh) * | 2017-05-26 | 2017-10-27 | 河海大学 | 一种用于大坝外观变形监测系统平台的架构及其流程方法 |
| CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
| CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
| CN110568441A (zh) * | 2019-09-09 | 2019-12-13 | 大连海事大学 | 一种基于卷积神经网络的船用雷达测雨识别方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613597A (zh) * | 2020-11-30 | 2021-04-06 | 河南汇祥通信设备有限公司 | 一种综合管廊风险自动识别卷积神经网络模型及构建方法 |
| CN112613597B (zh) * | 2020-11-30 | 2023-06-30 | 河南汇祥通信设备有限公司 | 一种综合管廊风险自动识别卷积神经网络模型及构建方法 |
| CN112434750A (zh) * | 2020-12-04 | 2021-03-02 | 中国电建集团华东勘测设计研究院有限公司 | 基于卷积神经网络的大坝监测数据发展模式识别方法 |
| CN112434750B (zh) * | 2020-12-04 | 2023-05-16 | 中国电建集团华东勘测设计研究院有限公司 | 基于卷积神经网络的大坝监测数据发展模式识别方法 |
| CN113255601A (zh) * | 2021-06-29 | 2021-08-13 | 深圳市安软科技股份有限公司 | 一种车辆重识别模型的训练方法、系统及相关设备 |
| CN113255601B (zh) * | 2021-06-29 | 2021-11-12 | 深圳市安软科技股份有限公司 | 一种车辆重识别模型的训练方法、系统及相关设备 |
| CN114594706A (zh) * | 2022-02-07 | 2022-06-07 | 安徽聚源水利科技液压坝制造有限公司 | 一种网络控制合页坝及智能控制系统 |
| CN114417681A (zh) * | 2022-04-01 | 2022-04-29 | 中国工程物理研究院流体物理研究所 | 基于动态决策和神经网络的二维结构变形监测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111105097B (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111105097B (zh) | 一种基于卷积神经网络的大坝变形预测系统和方法 | |
| Taghi Sattari et al. | M5 model tree application in daily river flow forecasting in Sohu Stream, Turkey | |
| CN109978226B (zh) | 基于循环神经网络的盾构施工地面沉降预测方法 | |
| Shahin | Artificial intelligence in geotechnical engineering: applications, modeling aspects, and future directions | |
| CN104715282A (zh) | 一种基于改进pso-bp神经网络的数据预测方法 | |
| CN111523713A (zh) | 一种预测油田中剩余油饱和度分布的方法和装置 | |
| Song et al. | Integration of a statistical emulator approach with the SCE-UA method for parameter optimization of a hydrological model | |
| CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
| CN111597753B (zh) | 数据深度变化特征自适应的二维电阻率反演方法及系统 | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN107958309A (zh) | 一种高坝多点变形性态联合预报方法 | |
| Si et al. | Modeling soil water content in extreme arid area using an adaptive neuro-fuzzy inference system | |
| CN113435128A (zh) | 基于条件生成式对抗网络的油气藏产量预测方法及装置 | |
| CN106371316A (zh) | 基于pso‑lssvm的水岛加药在线控制方法和装置 | |
| CN116933192A (zh) | 混凝土坝运行关键部位分区监控方法及模型 | |
| Abbaszadeh Shahri et al. | Liquefaction potential analysis using hybrid multi-objective intelligence model | |
| CN108197075A (zh) | 一种Inception结构的多核实现方法 | |
| CN108133286B (zh) | 一种基于地面沉降替代模型的地下水多目标计算方法 | |
| CN116361624B (zh) | 一种基于误差反馈的大范围地面沉降预测方法及系统 | |
| Xue et al. | Application of a probabilistic neural network for liquefaction assessment | |
| Kundapura et al. | Current approaches of artificial intelligence in breakwaters-A review | |
| CN103593534A (zh) | 基于工程地质因素关联性的盾构机智能选型方法及装置 | |
| KR101280388B1 (ko) | 지공간사건발생 예측 시스템 및 방법 | |
| CN116306277A (zh) | 一种滑坡位移预测方法、装置及相关组件 | |
| CN116577821A (zh) | 基于神经网络的时移地震预测方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |