基于自适应分解与时序特征融合的大坝变形智能预测模型

摘要

为确保大坝安全稳定运行，提高大坝位移预测精度并降低运算成本，针对大坝监测数据波动性、噪声显著且单一模型处理能力不足等问题，提出一种基于自适应噪声完备集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）、双向长短期记忆神经网络（bi-directional long-short term memory,BiLSTM）以及Transformer编码器的组合模型。该模型通过CEEMDAN分解有效缓解数据噪声干扰，利用Transformer捕捉全局时序依赖关系，并结合BiLSTM提取双向长短期特征，显著提升了复杂位移数据的预测能力。以某混凝土双曲拱坝的PL_11-1、PL_11-2、PL_13-1和PL_13-2测点水平位移数据为例进行验证，结果表明：CEEMDAN-Transformer-BiLSTM模型的预测性能优于LSTM、Transformer及Transformer-BiLSTM模型，其相关系数R²分别达0.994、0.992、0.994和0.995,E_MS、E_RMS和E_MA均显著低于对比模型。该模型通过多尺度特征融合有效削弱了噪声干扰，且在捕捉长周期趋势与短期波动的协同建模中表现优异，为大坝安全监测提供了高精度、高可靠性的技术支撑。

关键词

深度学习 / 大坝位移预测 / 数据分解 / 双向长短时记忆神经网络 / Transformer编码器