深度学习提取时空特征的堆石坝变形预测模型

当前堆石坝变形智能预测模型较少关注多测点变形时间序列在时空特征上的不均衡性，因此限制了变形预测精度的进一步提高。为了解决该问题，本文提出了一种结合卷积神经网络、注意力机制和长短期记忆神经网络的堆石坝变形预测模型（CTSA-Conv LSTM），该模型可以提取变形时空特征，对不同时刻和不同位置的测点赋予不同的权重系数，实现对堆石坝整体变形规律的自适应学习。以水布垭面板堆石坝为例，采用该模型和最大断面所有测点的变形监测数据，验证了模型的有效性。模型预测效果优于Holt-Winters等常规时序预测模型，预测精度也优于笔者提出的基于LSTM的变形预测模型。通过深度学习提取监测数据时空特征，进一步提高了大坝变形预测精度，为大坝安全监控模型提供了新的思路。