基于深度学习框架的长序列大坝监测缺失数据插补模型

由于系统故障、传感器老化等不利因素常会导致监测数据缺失,从时间序列角度出发,针对大坝监测量中间缺失数据构建了一种基于深度学习框架下的双向CNN-BiLSTM-Attention缺失数据插补模型。该模型结合卷积神经网络与长短期记忆神经网络的算法优势,通过提取时间特征,引入注意力机制优化插补过程,同时以时间步递减的权重融合正反向插补结果。以某混凝土重力坝为例,采用该模型对大坝监测量长序列缺失数据进行插补,结果表明,双向融合插补能有效消除长序列缺失数据插补时间步的累积误差,与其他插补模型相比,这种深度学习模型具有更高的插补精度。     

基于密度聚类的监测数据漂移动态校正算法

由于系统故障或外界环境扰动影响，工程监测数据常会出现漂移的现象。对于水工建筑物，由于结构的相似性和测点布置的相关性，其监测量往往具有显著的空间关联性，使得监测数据存在相似的变化规律，以此可为测点的漂移校正提供判别依据。依据上述原理，提出基于相似测点的密度聚类分析，并运用DBSCAN算法判定测点漂移区间和漂移量；同时为克服校正突变和类簇粘连等问题，引入滑动窗口模式建立监测量漂移的动态校正模型，其校正过程分为窗口内数据校正与窗口滑动校正两个部分。工程实例表明：该方法具有较强的适用性及较高精度，为结构中存在相似测点的数据漂移问题提供了新的自动校正思路。