CN117709488B - 基于RUN-XGBoost的大坝渗流预测方法 - Google Patents
基于RUN-XGBoost的大坝渗流预测方法 Download PDFInfo
- Publication number
- CN117709488B CN117709488B CN202311775177.4A CN202311775177A CN117709488B CN 117709488 B CN117709488 B CN 117709488B CN 202311775177 A CN202311775177 A CN 202311775177A CN 117709488 B CN117709488 B CN 117709488B
- Authority
- CN
- China
- Prior art keywords
- run
- xgboost
- training
- model
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000012544 monitoring process Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 238000012886 linear function Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 230000003204 osmotic effect Effects 0.000 claims abstract description 6
- 239000011435 rock Substances 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 238000013179 statistical model Methods 0.000 claims description 19
- 239000002689 soil Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000287127 Passeridae Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000013598 vector 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
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开基于RUN‑XGBoost的大坝渗流预测方法,具体包括以下步骤:步骤1、通过大坝安全监测系统获取大坝渗压数据及对应环境量数据,构成数据集,并对数据集进行剔除粗差处理;步骤2、将理后的数据集分为训练集和测试集两部分,将训练集按测点数分成S组训练数据集,采用线性函数法对训练数据集的输入数据进行归一化处理;步骤3、在XGBoost算法参数调参部分引入RUN算法,初步构建RUN‑XGBoost模型;步骤4、对步骤3得到的RUN‑XGBoost模型进行初始参数的设置然后进行训练,获得训练好的最优参数模型;步骤5、使用步骤4训练好的最优参数模型对测试集进行预测。该方法预测精度高、用时短。
Description
技术领域
本发明属于大坝安全监测方法技术领域,具体涉及一种基于RUN-XGBoost的大坝渗流预测方法。
背景技术
土石坝因其对地形地质适应能力强、施工技术简单,在世界各国坝型占比一直雄居首位,近年来,土石坝坝高更是向300级高度迈进,而渗流问题与土石坝的安全运行有着紧密的联系,很多土石坝的失事都是由水体的渗透造成的。渗流监测是土石坝结构性态分析的重要内容之一,对土石坝渗流情况和发展趋势进行安全监控和预测预报,从而定量评价土石坝的渗流安全性态,可以有效保证土石坝健康安全运行。
随着机器学习和智能学习模型的发展,支持向量机、极限学习机、BP神经网络等基于智能算法的预测模型在大坝渗流安全监控领域的成果显著。机器学习可以建立变量之间的非线性关系,提高模型预测性能。众多学者不断改进现有机器学习算法或引入新的机器学习算法,从而描述变量间的非线性关系,以达到提高模型精度的目的。常规智能监控模型的局限在于其固有的线性假设和对于复杂数据关系的较为粗糙的建模。这导致它们在面对大坝环境变化时的应变能力较弱,易出现回归错误,产生预测误差。这些模型通常无法有效地捕捉到非线性、动态环境变化和复杂数据间的高度关联性,因此,在大坝环境恶化时,常规智能监控模型难以在数据中识别和响应临界的情况,预测效果更加不稳定,导致预测的不准确性和误差的积累。在极端或未曾见过的环境条件下,这些模型往往失去了可靠性,无法提供有效的监测和预测。常规智能监控模型在计算速度和效率方面也存在明显瓶颈。这是由于这些传统模型通常采用的算法和架构在处理大规模数据时显得相对笨拙,导致计算速度较慢,效率较低。在大坝监测的实际应用中,计算速度慢可能意味着无法及时响应环境变化,从而降低了模型的实时性和可用性。尤其在恶劣环境下,迅速而准确的监测变得尤为重要,以防范潜在的危险和灾害。
XGBoost是一种梯度增强决策树的改进提升模型,适合处理非线性关系的小数据集,且处理稀疏数据能力强,对渗流数据的预测结果较好,但其参数调参时较为复杂。XGBoost有多个参数需要进行调整,包括树的个数、树的深度、学习率等。这些参数的选择对于模型的性能有着重要影响。因此,由于其参数调参的复杂性,需要进行仔细的参数调优以获得最佳的模型性能。
发明内容
本发明的目的是提供一种基于RUN-XGBoost的大坝渗流预测方法,该方法综合了两种模型的优势,解决了单一模型精度不高的缺点,相较于与单一的XGBoost模型提高了预测精度、缩短了计算时间。
本发明所采用的技术方案是,基于RUN-XGBoost的大坝渗流预测方法,具体包括以下步骤:
步骤1、通过大坝安全监测系统获取大坝渗压数据及对应环境量数据,构成数据集,并对数据集进行剔除粗差处理;
步骤2、将步骤1处理后的数据集分为训练集和测试集两部分,将训练集按测点数分成S组训练数据集,采用线性函数法对训练数据集的输入数据进行归一化处理;
步骤3、在XGBoost算法参数调参部分引入RUN算法,初步构建RUN-XGBoost模型;
步骤4、对步骤3得到的RUN-XGBoost模型进行初始参数的设置然后进行训练,获得训练好的最优参数模型;
步骤5、使用步骤4训练好的最优参数模型对测试集进行预测。
本发明的特征还在于,
步骤2中:训练集和测试集的比例为8:2。
步骤2具体为:
步骤2、将步骤1处理后的数据集分为训练集和测试集两部分,训练集和测试集的比例为8:2;将训练集按测点数分成S组训练数据集,S组中任意一组训练数据集的训练集的表达式为其中Xn为输入数据,每组输入数据均由a个因子组成,即Xn={Xn1,Xn2,...,Xna},Yn为输出数据;采用线性函数法对输入数据Xn进行归一化处理。
步骤4具体为:
步骤4.1、依据土石坝渗流监控统计模型构建输入因子;其中,选用的土石坝渗流监控统计模型如式(1)所示:
式中:h为渗流压力水位;Ht为当天水位;Rt为当天雨量;fH、fR、fθ为分别为水位因子、降水因子和时间因子;为观测日前的第i日到第j日的平均水位;/>为观测日前第i日到第j日的平均雨量;θ为观测日至始测日的累加日数除以100;a0、ak、b0、bk、c0、c1为回归系数;
将S组训练数据集分别放入土石坝渗流监控统计模型进行分析,得到每组的土石坝渗流监控统计模型回归系数;
步骤4.2、设置步骤3中得到的RUN-XGBoost模型中XGBoost算法和RUN优化算法分别所需要的初始参数,具体为:设置RUN算法初始梯度解数量、最大迭代次数,XGBoost算法的迭代次数、树的深度、学习率。
步骤4.3、根据步骤4.1得到的回归系数,将S组训练数据集放入土石坝渗流监控统计模型得到输出值f(xi);训练步骤4.2得到的设置了初始参数的RUN-XGBoost模型;
步骤4.3中:
以均方误差最小作为目标函数,其函数表达如式(2)所示:
式中:n为样本个数;i为当前迭代次数;yi为第i个样本的真实值;xi为第i个样本的输入值;f(xi)为第i个样本的渗流监控模型输出值。
本发明的有益效果是:
本发明基于RUN-XGBoost的大坝渗流预测方法首先通过XGBoost算法提取贡献率较高的因子,减少输入因子数量。其次用XGBoost算法进行训练,利用RUN良好的寻优能力确定XGBoost模型的参数,选取拟合效果最佳的参数组合作为模型的最终参数,本发明通过结合RUN算法,综合了两种模型的优势,解决了单一模型精度不高的缺点,并通过RUN(龙格-库塔)算法优化XGBoost的三个主要参数,相较于与单一的XGBoost模型提高了预测精度、缩短了计算时间。
附图说明
图1为本发明实施例1中J1点RUN-XGBoost模型训练结果;
图2为本发明实施例1中HL2点RUN-XGBoost模型训练结果;
图3为本发明实施例1中F8点RUN-XGBoost模型训练结果;
图4为本发明实施例1中J1、HL2、F8点RUN-XGBoost模型预测图;
图5为本发明实施例1中各测点不同监控模型预测图;
图6为本发明实施例1中J1测点监控模型评价指标雷达图;
图7为本发明实施例1中HL2测点监控模型评价指标雷达图;
图8为本发明实施例1中F8测点监控模型评价指标雷达图;
图9是本发明实施例1中RUN、SSA算法适应度变化过程对比。
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。
本发明公开一种基于RUN-XGBoost的大坝渗流预测方法,具体包括以下步骤:
步骤1、通过大坝安全监测系统获取大坝渗压数据及对应环境量数据,构成数据集,并对数据集进行剔除粗差处理;
步骤2、将步骤1处理后的数据集分为训练集和测试集两部分,训练集和测试集的比例为8:2;将训练集按测点数分成S组训练数据集,S组中任意一组训练数据集的训练集的表达式为其中Xn为输入数据,每组输入数据均由a个因子组成,即Xn={Xn1,Xn2,...,Xna},Yn为输出数据;采用线性函数法对输入数据Xn进行归一化处理;
步骤3、在XGBoost算法参数调参部分引入RUN算法,初步构建RUN-XGBoost模型;
步骤4、选择输入因子,并将S组训练集数据分别放入土石坝渗流监控统计模型进行分析,得到每组的土石坝渗流监控统计模型回归系数;设置步骤3得到的RUN-XGBoost模型中XGBoost算法和RUN优化算法分别所需要的初始参数;用S组训练集数据分别对设置了初始参数的RUN-XGBoost模型进行训练,指挥RUN-XGBoost模型参数更新。
步骤4.1、由于影响土石坝渗流的因子很多,对渗流贡献不大的因子会使得统计模型不够精确,且增大模型计算量。为了提高预测精度和计算速度,依据土石坝渗流监控统计模型构建输入因子,土石坝渗流主要受到上下游水位、降雨以及时效影响,每个影响因子由若干向量组成。本发明选用的土石坝渗流监控统计模型如式(1)所示:
式中:h为渗流压力水位;Ht为当天水位;Rt为当天雨量;fH、fR、fθ为分别为水位因子、降水因子和时间因子;为观测日前的第i日到第j日的平均水位;/>为观测日前第i日到第j日的平均雨量;θ为观测日至始测日的累加日数除以100;a0、ak、b0、bk、c0、c1为回归系数;
将S组训练数据集分别放入土石坝渗流监控统计模型进行分析,得到每组的土石坝渗流监控统计模型回归系数;
步骤4.2、设置步骤3中得到的RUN-XGBoost模型中XGBoost算法和RUN优化算法分别所需要的初始参数,具体为:设置RUN算法初始梯度解数量、最大迭代次数,XGBoost算法的迭代次数、树的深度、学习率。
步骤4.3、根据步骤4.1得到的回归系数,将S组训练数据集放入土石坝渗流监控统计模型得到输出值f(xi);结合渗流监测数据特征以及RUN-XGBoost模型原理,训练步骤4.2得到的设置了初始参数的RUN-XGBoost模型;本发明以均方误差最小作为目标函数,其函数表达如式(2)所示:
当RUN-XGBoost模型在训练集内的测试误差达到最小时,此迭代步的参数设置结果为最优参数得到最优参数(RUN-XGBoost)模型;
式中:n为样本个数;i为当前迭代次数;yi为第i个样本的真实值;xi为第i个样本的输入值;f(xi)为第i个样本的渗流监控模型输出值。
步骤5、使用步骤4训练好的最优参数(RUN-XGBoost)模型对测试集进行预测。
模型评价:结合评价指标全面评估基于RUN-XGBoost模型的预测性能和适应度。采用相同结构和参数设定的标准XGBoost模型、统计回归模型对相同的数据样本进行训练并进行仿真预测,对比三种模型的预测效果。评价指标包括均方根误差(RMSE)、平均绝对误差(MAE)、相关系数(R2)。RMSE能直接反应预测模型的整体误差,其值越小表明预测结果与真实值结果更接近;MAE不受数据尺度的影响,其值越小表明模型的极值预测精度越高,效果越好;R2越接近1表明预测结果越好,以此检验模型的泛化性能。
实施例1
采用本发明的基于RUN-XGBoost的大坝渗流预测方法对某壤土心墙土石坝的渗流监测数据进行预测,具体包括以下步骤:
步骤1、选取上游处渗流监测点J1、心墙处测点HL2、以及下游处测点F8点,选择2010年1月25日到2010年8月13日的环境量与渗流监测数据构成数据集并进行剔除粗差处理,以数据集为研究对象;
步骤2、将步骤1处理后的数据集分为训练集和测试集两部分,训练集和测试集的比例为8:2。对于J1点选择198个样本用于训练模型,35个样本作为测试集;HL2点选择196个样本用于训练模型,34个样本作为测试集;F8点选择172个样本用于训练模型,34个样本作为测试集。采用线性函数法对三个数据集进行归一化处理;
步骤3、在XGBoost算法参数调参部分引入RUN算法对参数进行寻优,初步构建RUN-XGBoost模型;
步骤4、对输入因子的选取如下:①由于土石坝渗流大部分时间处于不稳定渗流状态,测压管水位的变化总是滞后于库水位的变化,因此本发明取Hupt、Hup1-5、Hup10-20、Hup20-30、Hup30-605个因子作为上游库水位影响因子。其中Hupt为监测当日上游水位;Hup1-5、Hup10-20、Hup20-30、Hup30-60分别对应监测日前1~5d、10~20d、20~30d、30~60d的上游平均水位。下游库水位变化较小,因此仅选择观测日当天水位Hdt作为影响因子。②在降雨过程中,入渗引起的测压管水位变化存在一定的滞后效应,因此降雨因子取R1-10、R10-20、R20-30、R30-60这4个因子,分别对应监测日前1~10d、10~20d、20~30d、30~60d的平均降雨量。③土石坝竣工蓄水后引起土体结构颗粒的变化,这种变化对测压管水位的影响有一个时效过程,因此本发明时效因子取为θ、lnθ。模型输入层共12个因子,输出层为仅测压管水位一个因子。
根据选好的输入因子,将3组训练数据集分别在土石坝渗流监控统计模型分析,得到3组回归系数,分别得到土石坝渗流监控统计方程;设置步骤3得到的RUN-XGBoost模型中RUN算法初始梯度解数量、最大迭代次数,XGBoost算法的迭代次数、树的深度、学习率;根据土石坝渗流监控统计方程,3组训练集数据分别对初始参数设置后的RUN-XGBoost模型进行训练。
J1、HL2、F8点RUN-XGBoost模型训练结果如图1、图2、图3所示,由散点图的离散程度可以明显看出越靠近下游,预测结果越差。
步骤5、将三个测试数据集放入相对应的训练好的RUN-XGBoost模型对渗流数据进行预测,预测结果如图4所示,预测效果较好。
模型评价:采用相同结构和参数设定的标准XGBoost模型、统计回归模型对相同的数据样本进行训练并进行仿真预测,J1、HL2、F8测点的预测结果如图5所示,RUN-XGBoost模型明显优于统计回归模型以及XGBoost模型,在三个测点处的预测结果都与实际值最为接近。采用麻雀搜索优化算法优化XGBoost模型,验证RUN优化算法的有效性。经过改进的RUN-XGBoost模型对土石坝测压管水位预测的平均绝对误差和均方根误差都比SSA-XGBoost模型小。各测点监控模型评价指标雷达图如图6、图7、图8所示,RUN-XGBoost模型对于三个测点的各项评价指标都最佳,模型拟合的效果最好,预测精度明显提高,对XGBoost模型的改进是成功的。RUN-XGBoost模型和SSA-XGBoost模型的适应度变化过程如图9所示,RUN模型仅迭代17次即可寻得最优参数,而SSA模型需要迭代38次,在实际运行过程中RUN-XGBoost算法的计算速度更快。
实施例2
基于RUN-XGBoost的大坝渗流预测方法,其特征在于,具体包括以下步骤:
步骤1、通过大坝安全监测系统获取大坝渗压数据及对应环境量数据,构成数据集,并对数据集进行剔除粗差处理;
步骤2、将步骤1处理后的数据集分为训练集和测试集两部分,将训练集按测点数分成S组训练数据集,采用线性函数法对训练数据集的输入数据进行归一化处理;
步骤3、在XGBoost算法参数调参部分引入RUN算法,初步构建RUN-XGBoost模型;
步骤4、对步骤3得到的RUN-XGBoost模型进行初始参数的设置然后进行训练,获得训练好的最优参数模型;
步骤5、使用步骤4训练好的最优参数模型对测试集进行预测。
实施例3
基于RUN-XGBoost的大坝渗流预测方法,其特征在于,具体包括以下步骤:
步骤1、通过大坝安全监测系统获取大坝渗压数据及对应环境量数据,构成数据集,并对数据集进行剔除粗差处理;
步骤2、将步骤1处理后的数据集分为训练集和测试集两部分,将训练集按测点数分成S组训练数据集,采用线性函数法对训练数据集的输入数据进行归一化处理;步骤2中:训练集和测试集的比例为8:2;
步骤3、在XGBoost算法参数调参部分引入RUN算法,初步构建RUN-XGBoost模型;
步骤4、对步骤3得到的RUN-XGBoost模型进行初始参数的设置然后进行训练,获得训练好的最优参数模型;
步骤5、使用步骤4训练好的最优参数模型对测试集进行预测。
Claims (3)
1.基于RUN-XGBoost的大坝渗流预测方法,其特征在于,具体包括以下步骤:
步骤1、通过大坝安全监测系统获取大坝渗压数据及对应环境量数据,构成数据集,并对数据集进行剔除粗差处理;
步骤2、将步骤1处理后的数据集分为训练集和测试集两部分,将训练集按测点数分成S组训练数据集,采用线性函数法对训练数据集的输入数据进行归一化处理;
步骤2具体为:
步骤2、将步骤1处理后的数据集分为训练集和测试集两部分;将训练集按测点数分成S组训练数据集,S组中任意一组训练数据集的训练集的表达式为,其中X n为输入数据,每组输入数据均由a个因子组成,即/>,/>为输出数据;采用线性函数法对输入数据/>进行归一化处理;
步骤3、在XGBoost算法参数调参部分引入RUN算法,初步构建RUN-XGBoost模型;
步骤4、对步骤3得到的RUN-XGBoost模型进行初始参数的设置然后进行训练,获得训练好的最优参数模型;
步骤4具体为:
步骤4.1、依据土石坝渗流监控统计模型构建输入因子;其中,选用的土石坝渗流监控统计模型如式(1)所示:
(1)
式中:h为渗流压力水位;为当天水位;/>为当天雨量;/>、/>、/>为分别为水位因子、降水因子和时间因子;/>为观测日前的第i日到第j日的平均水位;/>为观测日前第i日到第j日的平均雨量;/>为观测日至始测日的累加日数除以100;/>、/>、/>、/>、/>、/>为回归系数;
将S组训练数据集分别放入土石坝渗流监控统计模型进行分析,得到每组的土石坝渗流监控统计模型回归系数;
步骤4.2、设置步骤3中得到的RUN-XGBoost模型中XGBoost算法和RUN优化算法分别所需要的初始参数,具体为:设置RUN算法初始梯度解数量和最大迭代次数,XGBoost算法的迭代次数、树的深度和学习率;
步骤4.3、根据步骤4.1得到的回归系数,将S组训练数据集放入土石坝渗流监控统计模型得到输出值;训练步骤4.2得到的设置了初始参数的RUN-XGBoost模型;
步骤5、使用步骤4训练好的最优参数模型对测试集进行预测。
2.根据权利要求1所述的基于RUN-XGBoost的大坝渗流预测方法,其特征在于,步骤2中:训练集和测试集的比例为8:2。
3.根据权利要求1所述的基于RUN-XGBoost的大坝渗流预测方法,其特征在于,步骤4.3中:
以均方误差最小作为目标函数,其函数表达如式(2)所示:
(2)
式中:n为样本个数;i为当前迭代次数;y i为第i个样本的真实值;x i为第i个样本的输入值;为第i个样本的渗流监控模型输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311775177.4A CN117709488B (zh) | 2023-12-21 | 2023-12-21 | 基于RUN-XGBoost的大坝渗流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311775177.4A CN117709488B (zh) | 2023-12-21 | 2023-12-21 | 基于RUN-XGBoost的大坝渗流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117709488A CN117709488A (zh) | 2024-03-15 |
CN117709488B true CN117709488B (zh) | 2024-05-07 |
Family
ID=90145901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311775177.4A Active CN117709488B (zh) | 2023-12-21 | 2023-12-21 | 基于RUN-XGBoost的大坝渗流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709488B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283183A (zh) * | 2021-07-08 | 2021-08-20 | 国网新源控股有限公司 | 基于dpso-anfis的弃渣坝变形预测方法 |
CN113312845A (zh) * | 2021-05-31 | 2021-08-27 | 中国水利水电科学研究院 | 一种基于pso-svr的土石坝浸润线的测压管水位预测方法 |
CN114912359A (zh) * | 2022-05-19 | 2022-08-16 | 安徽金海迪尔信息技术有限责任公司 | 一种基于XGBoost机器学习模型的水位动态预测方法 |
CN115130658A (zh) * | 2022-06-27 | 2022-09-30 | 武汉大学 | 基于非线性组合模型的水库滑坡位移预测方法及装置 |
-
2023
- 2023-12-21 CN CN202311775177.4A patent/CN117709488B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312845A (zh) * | 2021-05-31 | 2021-08-27 | 中国水利水电科学研究院 | 一种基于pso-svr的土石坝浸润线的测压管水位预测方法 |
CN113283183A (zh) * | 2021-07-08 | 2021-08-20 | 国网新源控股有限公司 | 基于dpso-anfis的弃渣坝变形预测方法 |
CN114912359A (zh) * | 2022-05-19 | 2022-08-16 | 安徽金海迪尔信息技术有限责任公司 | 一种基于XGBoost机器学习模型的水位动态预测方法 |
CN115130658A (zh) * | 2022-06-27 | 2022-09-30 | 武汉大学 | 基于非线性组合模型的水库滑坡位移预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117709488A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112733443B (zh) | 一种基于虚拟监测点的供水管网模型参数优化校核方法 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN114662414B (zh) | 一种基于图小波神经网络模型的油藏生产预测方法 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN114707754A (zh) | 一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统 | |
CN112434890A (zh) | 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 | |
CN114219131A (zh) | 一种基于lstm的流域径流预测方法 | |
CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
CN115271186A (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN116796799A (zh) | 无水文资料地区中小流域洪水降雨量阈值模型创建方法 | |
CN110889207A (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
CN117709488B (zh) | 基于RUN-XGBoost的大坝渗流预测方法 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
CN116108745A (zh) | 水环境模型多参数率定方法、终端设备及存储介质 | |
CN116911148A (zh) | 一种沉积盆地建筑群震害评估方法及评估系统 | |
CN115860165A (zh) | 一种考虑初损的神经网络流域降雨径流预报方法及系统 | |
Tang et al. | Displacement prediction of rainfall induced landslide based on AdaBoost BP neural network | |
CN115271154A (zh) | 一种多项式与偏最小二乘耦合的非线性回归洪水要素预测方法 | |
CN114971022A (zh) | 基于D-value-LSTM神经网络模型的风电功率预测方法 |
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 |