基于TCN和迁移学习的混凝土坝变形预测方法

混凝土坝变形测点数据丢失或者新增测点测量时间太短都会导致这部分测点的数据量不足，使得变形预测精度受到影响。为了提高这些小数据量测点的变形预测精度，提出了将时域卷积网络(TCN)与迁移学习相结合的变形预测方法。以数据量充足的测点为源域，以缺少数据的测点为目标域，将在源域上训练好的TCN模型的结构和参数迁移到目标域模型中，固定其中的冻结层参数，利用目标域中的数据对目标域模型可调层参数进行调整。同时，采用动态时间规整选择与目标域数据序列相似度最高的监测数据作为最佳源域数据，提升迁移学习效果。工程实例分析表明：迁移学习后的目标域模型的均方根误差和平均绝对误差与利用足量数据训练的TCN模型的预测误差相比，差异仅分别为1.73%和8.09%,小数据量情况下TCN预测模型的精度得到了提高。