基于Inception-GRU模型的混凝土重力坝变形预测方法及应用

摘要

因为混凝土坝是复杂的动态系统，现有的预测方法多基于统计模型或机器学习模型，难以捕捉位移与多个特征因子之间的复杂耦合关系。为此，提出一种基于Inception和门控循环神经网络（gated recurrent unit,GRU）的混凝土重力坝变形预测模型，其中，Inception模块用于提取监测数据中的复杂特征，GRU模块则用于学习变形监测数据中的长期时间依赖性，两者结合能够获得更丰富的数据特征表示，有效提升预测性能。以某混凝土重力坝的长期监测数据为例，Inception-GRU模型在3个变形测点上的均方根误差(root mean square error,E_RMS)、平均绝对误差(mean absolute error,E_MA)和决定系数（coefficient of determination,R²）的平均值分别为0.100、0.074和0.995；与卷积神经网络-门控循环单元（convolutional neural network-gated recurrent unit,CNN-GRU）、GRU以及支持向量回归（support vector regression,SVR）3种模型相比，所提模型在预测精度和泛化能力上均表现出一定的优势，为大坝安全监控提供新的方法和手段。

关键词

混凝土重力坝 / 变形预测 / 深度学习 / Inception / GRU