CN117634652A - 基于机器学习的大坝变形可解释预测方法 - Google Patents
基于机器学习的大坝变形可解释预测方法 Download PDFInfo
- Publication number
- CN117634652A CN117634652A CN202410108431.3A CN202410108431A CN117634652A CN 117634652 A CN117634652 A CN 117634652A CN 202410108431 A CN202410108431 A CN 202410108431A CN 117634652 A CN117634652 A CN 117634652A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- dam
- dam deformation
- interpretable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000010801 machine learning Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000006073 displacement reaction Methods 0.000 claims description 40
- 230000032683 aging Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 230000008030 elimination Effects 0.000 abstract description 4
- 238000003379 elimination reaction Methods 0.000 abstract description 4
- 230000008092 positive effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明公开基于机器学习的大坝变形可解释预测方法,包括以下步骤:步骤1、对大坝上监测点连续监测获取待处理数据,并对待处理数据进行剔除粗差的预处理工作;步骤2、获得大坝变形预测模型A;步骤3、评价模型A预测的精确度;步骤4、使用SHAP可解释方法对步骤3构建的大坝变形预测模型A进行因子剔除得到模型B;步骤5、采用控制变量法获得预测效果最好的模型C;步骤6、通过使用SHAP可解释方法对步骤5构建的大坝变形预测模型C进行画图分析获得的瀑布图定量分析不同影响因子对大坝变形模型预测结果的影响。该方法可以有效的提高大坝变形数据的预测精度并解释机器学习黑箱模型的内部机理。
Description
技术领域
本发明属于大坝安全监测方法技术领域,具体涉及基于机器学习的大坝变形可解释预测方法。
背景技术
水能资源的高效利用对实现绿色可持续发展有着不可替代的作用。与其他基础设施一样,大坝在服役过程中也会受到各种物理、化学等不确定性因素的影响,致使大坝出现老化、病险,甚至失效。变形是能最直观反映大坝安全性态的效应量之一。
传统的统计回归监测模型存在精度差的问题,对变量间的非线性关系拟合精度较差。近年来,一些机器学习算法虽然在模型精度上有显著地提升,如增强回归树、支持向量机(SVM ,support vector machines)、随机森林(RF,Random Forest),但这些模型都属于黑箱模型,只能得到预测结果,无法解释模型预测结果是如何得到的,很大程度上动摇了模型的可信度并制约了其应用范围。
发明内容
本发明的目的是提供基于机器学习的大坝变形可解释预测方法,该方法可以有效的提高大坝变形数据的预测精度,并且使用SHAP(Shapley Additive Explanation)可解释方法定量化解释机器学习模型的机理。
本发明所采用的技术方案是,基于机器学习的大坝变形可解释预测方法,包括以下步骤:
步骤1、对大坝上监测点连续监测获取待处理数据,并对待处理数据进行剔除粗差的预处理工作;
步骤2、选取水压因子、温度因子及时效因子作为LightGBM(Light GradientBoosting Machine)模型的输入量,将监测点的径向水平位移作为LightGBM模型的输出量;
步骤3、对步骤1预处理后的数据随机进行训练集及测试集的划分,将划分好的训练集带入LightGBM模型中构建起大坝变形预测模型A并评价模型A预测的精确度;
步骤4、使用SHAP可解释方法对步骤3构建的大坝变形预测模型A进行分析,剔除掉存在多重共线性的因子,将剩下的因子重新作为LightGBM模型的输入量构建起模型B;
步骤5、采用控制变量法调整模型B的参数获得预测效果最好的模型C;
步骤6、通过使用SHAP可解释方法对步骤5构建的大坝变形预测模型C进行画图分析获得的瀑布图定量分析不同影响因子对大坝变形模型预测结果的影响。
本发明的特征还在于,步骤1具体为:对大坝上的监测点进行连续监测获取大坝的径向水平位移数据及对应的水位、温度、时效的环境量数据,并对获取的大坝径向水平位移数据以及水压、温度、时效的环境量数据进行剔除粗差的预处理工作。
步骤2中,水压因子选取、/>、/>,/>表示月平均库水位、/>表示月平均库水位的二次方、/>表示月平均库水位的三次方;温度因子选取/>、/>、/>、/>、,/>表示监测日当天的平均温度、/>表示监测日前五天的平均温度、/>表示监测日前三十天的平均温度、/>表示监测日前六十天的平均温度、/>表示监测日前九十天的平均温度;时效因子选取/>、/>,/>为累计进行观测的天数除以100。
步骤3具体为:对步骤1预处理后的数据随机进行训练集及测试集的划分,其中80%作为训练集,20%作为测试集;将划分好的训练集带入到步骤2中确认好输入量及输出量的LightGBM模型中构建起大坝变形预测模型A,通过平均绝对误差MAE(Mean AbsoluteError)、相关系数R2(Correlation coefficient)及均方根误差RMSE(Root Mean SquareError)作为模型评价指标来评价模型A预测的精确度。
步骤3中:平均绝对误差MAE、相关系数R2及均方根误差RMSE作为评价指标的具体表达式如下:
(1)
(2)
(3)
式(1)-(3)中,为样本量,/>为第i个样本的真实径向水平位移,/>为第i个样本的预测径向水平位移,/>为n个样本的真实径向水平位移的平均值。
步骤4具体为:根据Shapley值对水压因子、温度因子及时效因子这三个影响因子进行排序,将其中Shapley值小于0.02的影响因子进行剔除,将剔除后剩余的影响因子重新带入LightGBM模型构建起新的大坝变形预测模型B。
步骤5具体为:采用控制变量法调整步骤4获得的大坝变形预测模型B的三个核心参数学习速率、树的最大深度、最大叶子数,调整次,获得/>个大坝变形预测模型{B1,B2…Bn},使用步骤3中的模型评价指标评价大坝变形预测模型{B1,B2…Bn}的精度,同时满足R2最大,MAE和RMSE最小即为预测效果最好的模型C。
步骤6中:获得的瀑布图中条形框内的数字代表条形框一侧(左边)纵坐标影响因子对径向水平位移影响值的大小,数字前面的正负号代表影响的方向,加号代表影响方向为向上游,即使大坝的径向水平位移向上游发生移动;减号代表影响方向向下游,即使大坝的径向水平位移向下游发生移动;不同影响因子对大坝径向水平位移的影响进行叠加,即可得到最终的径向水平位移预测结果。
本发明的有益效果是:
本发明基于机器学习的大坝变形可解释预测方法可以更充分的发挥出人工智能算法的算力优势,有效提高了大坝变形的数据预测精度。并且通过SHAP可解释方法定量化解释机器学习模型的机理,通过对每一个影响因子对模型结果的影响来提高机器学习模型的可信度,为大坝变形可解释预测提供了新方法。
附图说明
图1是本发明基于机器学习的大坝变形可解释预测方法的流程图;
图2是本发明实施例1中PL3-1测点的预测与实测序列过程线;
图3是本发明实施例1中PL3-1测点剔除前的单样本特征影响瀑布图;
图4是本发明实施例1中PL3-1测点剔除后的单样本特征影响瀑布图;
图5是本发明实施例1中某日各个影响因子对模型结果影响的条形图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供基于机器学习的大坝变形可解释预测方法,如图1所示,具体包括以下步骤:
步骤1、对大坝上的监测点进行连续监测获取大坝的径向水平位移数据及对应的水位、温度、时效的环境量数据,并对获取的径向水平位移数据以及水压、温度、时效的环境量数据进行剔除粗差的预处理工作;
步骤2、选取水压因子、温度因子及时效因子作为LightGBM模型的输入量,即自变量,将监测点的径向水平位移作为LightGBM模型的输出量,即因变量;
其中,水压因子选取、/>、/>,/>表示月平均库水位、/>表示月平均库水位的二次方、/>表示月平均库水位的三次方;温度因子选取/>、/>、/>、/>、/>,/>表示监测日当天的平均温度、/>表示监测日前五天的平均温度、/>表示监测日前三十天的平均温度、/>表示监测日前六十天的平均温度、/>表示监测日前九十天的平均温度;时效因子选取/>、/>,/>为累计进行观测的天数除以100。
步骤3、对步骤1预处理后的数据随机进行训练集及测试集的划分,其中80%作为训练集,20%作为测试集;将划分好的训练集带入到步骤2中确认好输入量及输出量的LightGBM模型中构建起大坝变形预测模型A,通过平均绝对误差MAE、相关系数R2及均方根误差RMSE作为模型评价指标来评价模型A预测的精确度,其中平均绝对误差MAE与均方根误差RMSE的值越小表示大坝变形预测模型精确度越高,相关系数R2的值越接近于1则表示大坝变形预测模型精确度越高;
平均绝对误差MAE、相关系数R2及均方根误差RMSE作为评价指标的具体表达式如下:
(1)
(2)
(3)
式(1)-(3)中,为样本量,/>为第i个样本的真实径向水平位移,/>为第i个样本的预测径向水平位移,/>为n个样本的真实径向水平位移的平均值。
步骤4、使用SHAP可解释方法对步骤3构建的大坝变形预测模型A进行分析,剔除掉存在多重共线性的因子,将剩下的因子重新作为LightGBM模型的输入量构建起模型B;具体为:根据Shapley值对水压因子、温度因子及时效因子这三个影响因子进行排序,将其中Shapley值小于0.02的影响因子进行剔除,避免影响因子共线性导致的大坝变形预测模型A精度下降的问题,将剔除后剩余的影响因子重新带入LightGBM模型构建起新的大坝变形预测模型B。
步骤5、采用控制变量法调整步骤4获得的大坝变形预测模型B的三个核心参数学习速率、树的最大深度、最大叶子数,调整次,获得/>个大坝变形预测模型{B1,B2…Bn},使用步骤3中的模型评价指标评价大坝变形预测模型{B1,B2…Bn}的精度,同时满足R2最大,MAE和RMSE最小即为预测效果最好的模型C。
步骤6、使用SHAP可解释方法对步骤5构建的大坝变形预测模型C进行画图分析,通过如图3所示获得的瀑布图定量分析不同影响因子对大坝变形模型预测结果的影响,瀑布图中条形框内的数字代表条形框一侧(左侧)纵坐标影响因子对径向水平位移影响值的大小,数字前面的正负号代表影响的方向,加号代表影响方向为向上游,即使大坝的径向水平位移向上游发生移动;减号代表影响方向向下游,即使大坝的径向水平位移向下游发生移动;不同影响因子对大坝径向水平位移的影响进行叠加,即可得到最终的径向水平位移预测结果。
Gradient Boosting Decision Tree(GBDT,梯度提升决策树)是机器学习中最为经典的模型之一,其主要思想是利用决策树不断迭代得到最优的模型。LightGBM是GBDT的工程实现,其基本原理是通过不断地添加树去拟合上次预测结果与真实值的残差。LightGBM采用Leaf-wise的生长方式,是从当前所有叶子中选择增益最大的叶子进行分裂,在保证精度的同时提高了运算效率。SHAP可解释方法在解释具有非线性关系的模型时更加有效。SHAP属于模型事后的解释方法,它的核心思想是计算特征对模型输出的边际贡献。本发明方法将使用LightGBM算法构建起大坝的变形预测模型;使用SHAP可解释方法可以清楚的看到径向水平位移预测结果是如何得到的,从而揭示了机器学习模型的机理。
实施例1
采用本发明的基于机器学习的大坝变形可解释预测方法对某水电站大坝的变形监测数据进行预测与分析,具体包括以下步骤:
步骤1、选取某拱坝监测点从2018年12月到2021年12间的7组垂线的径向水平位移监测数据与环境量数据,每组垂线4个测点,包括三个正垂线测点和一个倒垂线测点,共28个测点。每个测点选取预处理后的320个数据进行训练,80个数据进行预测。
步骤2、使用步骤1预处理后的大坝变形与环境量数据进行大坝变形预测模型A的构建,以、/>、/>、/>、/>、/>、/>、/>、/>、/>作为LightGBM模型的自变量输入,以大坝位移作为LightGBM模型的因变量输出。
步骤3、对步骤1预处理后的数据随机进行训练集及测试集的划分,将划分好的训练集带入LightGBM模型中构建起大坝变形预测模型A,选取平均绝对误差MAE、相关系数R2及均方根误差RMSE作为模型评价指标来评价模型A预测的精确度。
步骤4、使用SHAP可解释方法对步骤3构建的大坝变形预测模型A进行分析,剔除掉存在多重共线性的因子,将剩下的因子重新作为LightGBM模型的输入量构建起模型B;具体为:根据Shapley值对拱坝变形影响因子值进行排序,将其中Shapley值小于0.02的影响因子进行剔除,如图3中的、/>、/>,避免影响因子共线性导致的模型精度下降的问题;从图3可以看出,剔除前的影响因子中部分影响因子的影响几乎为零,如/>,/>,/>,即这三个影响因子存在多重共线性,会影响模型的精度;将剔除后剩余的影响因子,如图4中的/>、/>、/>、/>、/>、/>、/>重新构建模型,得到大坝变形预测模型B;从图4可以看出,剔除后的影响因子/>、/>、/>、/>、/>、/>、/>中不存在对模型结果影响为0的因子,每个因子都对结果有一定影响,避免了多重共线性的问题,从而提高了大坝变形预测模型的精度;
步骤5、通过控制变量法调试步骤4获得的大坝变形预测模型B的三个参数,学习速率、树的最大深度和最大叶子数,当学习速率为0.01,树的最大深度为6,最大叶子数为31时,模型评价指标达到最好,其中MAE为0.4221,RMSE为0.0118,R2为0.9913。确定此时的模型为预测效果最好的模型C。以正垂线PL3-1测点为例,建模结果如图2所示;从图2中可以看出,模型C的预测值与实际值十分接近,模型预测效果较好;
步骤6、使用SHAP可解释方法对步骤5构建的模型C进行解释分析,分析不同影响因子对模型预测结果的影响大小,其中水压因子对位移结果的预测产生了大小为4的正向影响,时效因子/>产生了大小为19.94的正向影响;温度因子T产生了大小为23.4的负向影响,将这些影响叠加即为大坝变形预测的最终结果,机器学习模型内部机理由此得到解释。从图5可以看出,通过SHAP可解释方法可以看到每个影响因子具体的影响值大小,其中均值代表该测点上整体样本的预测均值,大小为35.52。f(x)代表该测点上某一个样本的预测值,大小为36.83。将/>、/>、/>、/>、/>、/>和/>七个影响因子的影响值大小与预测均值求和即为该样本的预测值f(x)。图5中只显示了影响最大的四个因子/>、/>、/>和/>的影响值大小,如水压因子/>对最终变形产生了大小为4的正向影响,而温度因子/>产生了大小为23.4的负向影响,温度因子T90产生了大小为10.22的负向影响,时效因子/>产生了大小为19.94的正向影响。
表1为不同大坝变形预测模型评价指标对比情况,不同模型对应得到的具体评价指标的数值如下所示:
表1.不同大坝变形预测模型评价指标对比
从表1中可以看出,模型C的MAE指标最小,相关系数R2为0.9913,充分说明该模型能够有效的提高数据的预测精度。
实施例2
基于机器学习的大坝变形可解释预测方法,包括以下步骤:
步骤1、对大坝上监测点连续监测获取待处理数据,并对待处理数据进行剔除粗差的预处理工作;
步骤1具体为:对大坝上的监测点进行连续监测获取大坝的径向水平位移数据及对应的水位、温度、时效的环境量数据,并对获取的大坝变形数据以及水压、温度、时效的环境量数据进行剔除粗差的预处理工作。
步骤2、选取水压因子、温度因子及时效因子作为LightGBM模型的输入量,将监测点的径向水平位移作为LightGBM模型的输出量;
步骤3、对步骤1预处理后的数据随机进行训练集及测试集的划分,将划分好的训练集带入LightGBM模型中构建起大坝变形预测模型A并评价模型A预测的精确度;
步骤4、使用SHAP可解释方法对步骤3构建的大坝变形预测模型A进行分析,剔除掉存在多重共线性的因子,将剩下的因子重新作为LightGBM模型的输入量构建起模型B;
步骤5、采用控制变量法调整模型B的参数获得预测效果最好的模型C;
步骤6、通过使用SHAP可解释方法对步骤5构建的大坝变形预测模型C进行画图分析获得的瀑布图定量分析不同影响因子对大坝变形模型预测结果的影响。
实施例3
基于机器学习的大坝变形可解释预测方法,包括以下步骤:
步骤1、对大坝上监测点连续监测获取待处理数据,并对待处理数据进行剔除粗差的预处理工作;
步骤1具体为:对大坝上的监测点进行连续监测获取大坝的径向水平位移数据及对应的水位、温度、时效的环境量数据,并对获取的大坝变形数据以及水压、温度、时效的环境量数据进行剔除粗差的预处理工作。
步骤2、选取水压因子、温度因子及时效因子作为LightGBM模型的输入量,将监测点的径向水平位移作为LightGBM模型的输出量;
步骤2中,水压因子选取、/>、/>,/>表示月平均库水位、/>表示月平均库水位的二次方、/>表示月平均库水位的三次方;温度因子选取/>、/>、/>、/>、,/>表示监测日当天的平均温度、/>表示监测日前五天的平均温度、/>表示监测日前三十天的平均温度、/>表示监测日前六十天的平均温度、/>表示监测日前九十天的平均温度;时效因子选取/>、/>,/>为累计进行观测的天数除以100。
步骤3、对步骤1预处理后的数据随机进行训练集及测试集的划分,将划分好的训练集带入LightGBM模型中构建起大坝变形预测模型A并评价模型A预测的精确度;
步骤4、使用SHAP可解释方法对步骤3构建的大坝变形预测模型A进行分析,剔除掉存在多重共线性的因子,将剩下的因子重新作为LightGBM模型的输入量构建起模型B;
步骤5、采用控制变量法调整模型B的参数获得预测效果最好的模型C;
步骤6、通过使用SHAP可解释方法对步骤5构建的大坝变形预测模型C进行画图分析获得的瀑布图定量分析不同影响因子对大坝变形模型预测结果的影响。
Claims (8)
1.基于机器学习的大坝变形可解释预测方法,其特征在于,包括以下步骤:
步骤1、对大坝上监测点连续监测获取待处理数据,并对待处理数据进行剔除粗差的预处理工作;
步骤2、选取水压因子、温度因子及时效因子作为LightGBM模型的输入量,将监测点的径向水平位移作为LightGBM模型的输出量;
步骤3、对步骤1预处理后的数据随机进行训练集及测试集的划分,将划分好的训练集带入LightGBM模型中构建起大坝变形预测模型A并评价模型A预测的精确度;
步骤4、使用SHAP可解释方法对步骤3构建的大坝变形预测模型A进行分析,剔除掉存在多重共线性的因子,将剩下的因子重新作为LightGBM模型的输入量构建起模型B;
步骤5、采用控制变量法调整模型B的参数获得预测效果最好的模型C;
步骤6、通过使用SHAP可解释方法对步骤5构建的大坝变形预测模型C进行画图分析获得的瀑布图定量分析不同影响因子对大坝变形模型预测结果的影响。
2.根据权利要求1所述的基于机器学习的大坝变形可解释预测方法,其特征在于,步骤1具体为:对大坝上的监测点进行连续监测获取大坝的径向水平位移数据及对应的水位、温度、时效的环境量数据,并对获取的大坝变形数据以及水压、温度、时效的环境量数据进行剔除粗差的预处理工作。
3.根据权利要求2所述的基于机器学习的大坝变形可解释预测方法,其特征在于,步骤2中,水压因子选取、/>、/>,/>表示月平均库水位、/>表示月平均库水位的二次方、/>表示月平均库水位的三次方;温度因子选取/>、/>、/>、/>、/>,/>表示监测日当天的平均温度、/>表示监测日前五天的平均温度、/>表示监测日前三十天的平均温度、/>表示监测日前六十天的平均温度、/>表示监测日前九十天的平均温度;时效因子选取/>、/>,/>为累计进行观测的天数除以100。
4.根据权利要求3所述的基于机器学习的大坝变形可解释预测方法,其特征在于,步骤3具体为:对步骤1预处理后的数据随机进行训练集及测试集的划分,其中80%作为训练集,20%作为测试集;将划分好的训练集带入到步骤2中确认好输入量及输出量的LightGBM模型中构建起大坝变形预测模型A,通过平均绝对误差MAE、相关系数R2及均方根误差RMSE作为模型评价指标来评价模型A预测的精确度。
5.根据权利要求4所述的基于机器学习的大坝变形可解释预测方法,其特征在于,步骤3中:平均绝对误差MAE、相关系数R2及均方根误差RMSE作为评价指标的具体表达式如下:
(1)
(2)
(3)
式(1)-(3)中,为样本量,/>为第i个样本的真实径向水平位移,/>为第i个样本的预测径向水平位移,/>为n个样本的真实径向水平位移的平均值。
6.根据权利要求5所述的基于机器学习的大坝变形可解释预测方法,其特征在于,步骤4具体为:根据Shapley值对水压因子、温度因子及时效因子这三个影响因子进行排序,将其中Shapley值小于0.02的影响因子进行剔除,将剔除后剩余的影响因子重新带入LightGBM模型构建起新的大坝变形预测模型B。
7.根据权利要求6所述的基于机器学习的大坝变形可解释预测方法,其特征在于,步骤5具体为:采用控制变量法调整步骤4获得的大坝变形预测模型B的三个核心参数学习速率、树的最大深度、最大叶子数,调整次,获得/>个大坝变形预测模型{B1,B2…Bn},使用步骤3中的模型评价指标评价大坝变形预测模型{B1,B2…Bn}的精度,同时满足R2最大,MAE和RMSE最小即为预测效果最好的模型C。
8.根据权利要求7所述的基于机器学习的大坝变形可解释预测方法,其特征在于,步骤6中:获得的瀑布图中条形框内的数字代表条形框一侧纵坐标影响因子对径向水平位移影响值的大小,数字前面的正负号代表影响的方向,加号代表影响方向为向上游,即使大坝的径向水平位移向上游发生移动;减号代表影响方向向下游,即使大坝的径向水平位移向下游发生移动;不同影响因子对大坝径向水平位移的影响进行叠加,即可得到最终的径向水平位移预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410108431.3A CN117634652B (zh) | 2024-01-26 | 2024-01-26 | 基于机器学习的大坝变形可解释预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410108431.3A CN117634652B (zh) | 2024-01-26 | 2024-01-26 | 基于机器学习的大坝变形可解释预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117634652A true CN117634652A (zh) | 2024-03-01 |
CN117634652B CN117634652B (zh) | 2024-04-09 |
Family
ID=90037969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410108431.3A Active CN117634652B (zh) | 2024-01-26 | 2024-01-26 | 基于机器学习的大坝变形可解释预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634652B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008076117A (ja) * | 2006-09-19 | 2008-04-03 | Kokusai Kogyo Co Ltd | ダムの外部変形評価方法 |
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 |
JP2016091306A (ja) * | 2014-11-05 | 2016-05-23 | 株式会社東芝 | 予測モデル作成方法 |
CN110728038A (zh) * | 2019-09-26 | 2020-01-24 | 南京河海南自水电自动化有限公司 | 基于回归分析的大坝监测方法 |
US20200074325A1 (en) * | 2018-08-29 | 2020-03-05 | National Chiao Tung University | Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning |
CN111551147A (zh) * | 2020-06-09 | 2020-08-18 | 福州大学 | 基于gnss与测量机器人融合的拱坝表面变形监测系统 |
CN114154686A (zh) * | 2021-11-16 | 2022-03-08 | 东南大学 | 一种基于集成学习的大坝变形预测方法 |
CN115935488A (zh) * | 2023-01-09 | 2023-04-07 | 长江水利委员会长江科学院 | 一种基于监测数据的高拱坝应力预测模型构建方法 |
CN116451556A (zh) * | 2023-02-22 | 2023-07-18 | 南昌大学 | 一种混凝土坝变形观测量统计模型构建方法 |
-
2024
- 2024-01-26 CN CN202410108431.3A patent/CN117634652B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008076117A (ja) * | 2006-09-19 | 2008-04-03 | Kokusai Kogyo Co Ltd | ダムの外部変形評価方法 |
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 |
JP2016091306A (ja) * | 2014-11-05 | 2016-05-23 | 株式会社東芝 | 予測モデル作成方法 |
US20200074325A1 (en) * | 2018-08-29 | 2020-03-05 | National Chiao Tung University | Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning |
CN110728038A (zh) * | 2019-09-26 | 2020-01-24 | 南京河海南自水电自动化有限公司 | 基于回归分析的大坝监测方法 |
CN111551147A (zh) * | 2020-06-09 | 2020-08-18 | 福州大学 | 基于gnss与测量机器人融合的拱坝表面变形监测系统 |
CN114154686A (zh) * | 2021-11-16 | 2022-03-08 | 东南大学 | 一种基于集成学习的大坝变形预测方法 |
CN115935488A (zh) * | 2023-01-09 | 2023-04-07 | 长江水利委员会长江科学院 | 一种基于监测数据的高拱坝应力预测模型构建方法 |
CN116451556A (zh) * | 2023-02-22 | 2023-07-18 | 南昌大学 | 一种混凝土坝变形观测量统计模型构建方法 |
Non-Patent Citations (1)
Title |
---|
许后磊 等: "因子相关性对大坝监测模型精度的影响探究", 水电能源科学, no. 05, 25 October 2009 (2009-10-25), pages 77 - 80 * |
Also Published As
Publication number | Publication date |
---|---|
CN117634652B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160620B (zh) | 一种基于端到端记忆网络的短期风电功率预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
Shi et al. | Genetic algorithm-piecewise support vector machine model for short term wind power prediction | |
CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN112733354B (zh) | 一种气象要素时间序列模拟方法、系统、介质及电子设备 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN114676814A (zh) | 一种基于satcn-lstm的风功率超短期预测方法 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN114936681A (zh) | 一种基于深度学习的碳排放预测方法 | |
CN112348236B (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN117634652B (zh) | 基于机器学习的大坝变形可解释预测方法 | |
CN116629406A (zh) | 一种基于改进Prophet模型的用电碳排放预测方法 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN111697560A (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN116484675A (zh) | 一种舰船发动机叶片的裂纹扩展寿命预测方法及系统 | |
CN103473461B (zh) | 基于数据特征提取的风功率预测误差估计方法 | |
CN114186739A (zh) | 基于深度学习的台区短期负荷预测方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 | |
CN112669168A (zh) | 一种风电功率短期预测方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 |
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 |