本發(fā)明涉及一種導(dǎo)墻時(shí)空振動(dòng)趨勢預(yù)測方法，屬于時(shí)間序列預(yù)測。

背景技術(shù)：

1、泄水建筑物是水利樞紐工程的重要組成部分，承擔(dān)著排放多余水量、確保大壩等關(guān)鍵水工建筑安全的關(guān)鍵職責(zé)。導(dǎo)墻作為泄水建筑物的重要組成，用于分隔下泄水流與壩后電站的出水水流，以減少高速泄流過程中挑射水流和尾水波動(dòng)對電站的影響。然而，輕型薄壁的導(dǎo)墻結(jié)構(gòu)承受著瞬交變的水流荷載作用，當(dāng)振幅超過導(dǎo)墻結(jié)構(gòu)規(guī)定的允許值時(shí)，持續(xù)強(qiáng)烈的振動(dòng)極有可能導(dǎo)致結(jié)構(gòu)發(fā)生疲勞破壞，從而對工程和人民生命財(cái)產(chǎn)安全產(chǎn)生巨大威脅。因此，準(zhǔn)確預(yù)測導(dǎo)墻振動(dòng)響應(yīng)對評(píng)估導(dǎo)墻安全及有效進(jìn)行振動(dòng)控制至關(guān)重要。

2、現(xiàn)有水工領(lǐng)域的振動(dòng)預(yù)測方法存在一系列缺陷，例如基于有限元方法的導(dǎo)墻振動(dòng)預(yù)測方法人工假設(shè)多、計(jì)算成本高、效率低；基于機(jī)器學(xué)習(xí)的水工結(jié)構(gòu)振動(dòng)研究方法多數(shù)未考慮不同部位之間的時(shí)空耦合特征和演化趨勢；現(xiàn)有水工結(jié)構(gòu)振動(dòng)智能預(yù)測模型往往表現(xiàn)出結(jié)構(gòu)復(fù)雜、可解釋性差以及無法完全捕捉振動(dòng)序列特征中固有的復(fù)雜非線性關(guān)系，以至于導(dǎo)墻振動(dòng)時(shí)空振動(dòng)趨勢預(yù)測精度不準(zhǔn)確。

3、公開于該背景技術(shù)部分的信息僅僅旨在增加對本發(fā)明的總體背景的理解，而不應(yīng)當(dāng)被視為承認(rèn)或以任何形式暗示該信息構(gòu)成已為本領(lǐng)域普通技術(shù)人員所公知的現(xiàn)有技術(shù)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是：如何解決導(dǎo)墻振動(dòng)時(shí)空振動(dòng)趨勢預(yù)測精度不準(zhǔn)確的問題。

2、為解決上述技術(shù)問題，本發(fā)明是采用下述技術(shù)方案實(shí)現(xiàn)的。

3、本發(fā)明公開一種導(dǎo)墻時(shí)空振動(dòng)趨勢預(yù)測方法，包括：

4、采集泄洪期間導(dǎo)墻及導(dǎo)墻鄰近區(qū)域的時(shí)空振動(dòng)數(shù)據(jù)；

5、獲取時(shí)空振動(dòng)數(shù)據(jù)中的導(dǎo)墻橫河向振動(dòng)響應(yīng)特征；

6、確定與導(dǎo)墻橫河向振動(dòng)響應(yīng)特征的相關(guān)性超過設(shè)定閾值的時(shí)空振動(dòng)數(shù)據(jù)，并依次將所確定的時(shí)空振動(dòng)數(shù)據(jù)輸入預(yù)先訓(xùn)練好的cnn-bilstm-cbam模型；

7、利用所述cnn-bilstm-cbam模型的卷積神經(jīng)網(wǎng)絡(luò)cnn，對所輸入的時(shí)空振動(dòng)數(shù)據(jù)進(jìn)行卷積和池化，得到時(shí)空特征；

8、利用所述cnn-bilstm-cbam模型的卷積塊注意力模塊cbam，關(guān)注所述時(shí)空特征的通道和空間維度得到數(shù)據(jù)特征，將所述數(shù)據(jù)特征進(jìn)行重新組裝擬合，得到第一預(yù)測值；

9、利用所述cnn-bilstm-cbam模型的雙向長短期記憶bilstm網(wǎng)絡(luò)，捕捉與所輸入的時(shí)空振動(dòng)數(shù)據(jù)具有雙向長期依賴關(guān)系的輸出結(jié)果，得到第二預(yù)測值；

10、利用所述cnn-bilstm-cbam模型的拼接層拼接所述第一預(yù)測值和所述第二預(yù)測值，得到多個(gè)導(dǎo)墻橫河向振動(dòng)模態(tài)分量預(yù)測值；

11、將所述多個(gè)導(dǎo)墻橫河向振動(dòng)模態(tài)分量預(yù)測值相加，得到導(dǎo)墻橫河向預(yù)測振動(dòng)信號(hào)；

12、基于導(dǎo)墻橫河向預(yù)測振動(dòng)信號(hào)預(yù)測導(dǎo)墻時(shí)空振動(dòng)趨勢。

13、進(jìn)一步地，還包括，將對應(yīng)的時(shí)空振動(dòng)數(shù)據(jù)依次輸入預(yù)先訓(xùn)練好的cnn-bilstm-cbam模型進(jìn)行預(yù)測之前，基于滑移窗口迭代預(yù)測模式將所述對應(yīng)的時(shí)空振動(dòng)數(shù)據(jù)轉(zhuǎn)換為連續(xù)子時(shí)間序列數(shù)據(jù)。

14、進(jìn)一步地，所述采集泄洪期間導(dǎo)墻及導(dǎo)墻鄰近區(qū)域的時(shí)空振動(dòng)數(shù)據(jù)，包括：

15、分別采集導(dǎo)墻及導(dǎo)墻鄰近區(qū)域八個(gè)不同部位的豎向、順河向、橫河向加速度時(shí)程曲線；

16、根據(jù)導(dǎo)墻及導(dǎo)墻鄰近區(qū)域八個(gè)不同部位的豎向、順河向、橫河向加速度時(shí)程曲線，獲取時(shí)空振動(dòng)數(shù)據(jù)；

17、其中，所述導(dǎo)墻及導(dǎo)墻鄰近區(qū)域八個(gè)不同部位包括：右導(dǎo)墻、左導(dǎo)墻、灌漿廊道右側(cè)、灌漿廊道左側(cè)、右導(dǎo)墻廊道與地面交界處、右導(dǎo)墻廊道下延至100米深處、左導(dǎo)墻廊道與地面交界處、左導(dǎo)墻廊道下延至100米深處。

18、進(jìn)一步地，所述導(dǎo)墻橫河向振動(dòng)響應(yīng)特征包括導(dǎo)墻橫河向加速度振動(dòng)響應(yīng)；

19、所述確定與導(dǎo)墻橫河向振動(dòng)響應(yīng)特征的相關(guān)性超過設(shè)定閾值的時(shí)空振動(dòng)數(shù)據(jù)，包括：

20、將時(shí)空振動(dòng)數(shù)據(jù)中的導(dǎo)墻橫河向加速度振動(dòng)響應(yīng)序列作為第二特征，其余加速度振動(dòng)響應(yīng)序列作為第一特征；

21、將第一特征與第二特征組成有序?qū)?，使每個(gè)有序?qū)Π粋€(gè)第一特征值和一個(gè)對應(yīng)的第二特征值；其中，第一特征值指第一特征的最大互信息系數(shù)值；第二特征值指第二特征的最大互信息系數(shù)值；

22、在二維平面上，以第一特征為軸，第二特征為軸，構(gòu)建特征空間；

23、沿軸方向?qū)⑻卣骺臻g分割成個(gè)等寬的區(qū)間，沿軸方向?qū)⑻卣骺臻g分割成個(gè)等高的區(qū)間，形成的網(wǎng)格；

24、根據(jù)有序?qū)现械狞c(diǎn)落在網(wǎng)格的每個(gè)網(wǎng)格內(nèi)的數(shù)量，得到第一特征和第二特征的互信息估計(jì)值；

25、根據(jù)第一特征和第二特征的互信息估計(jì)值，利用最大互信息系數(shù)算法，計(jì)算每一對第一特征和第二特征的最大互信息系數(shù)值，用于表征所述相關(guān)性；

26、將與第二特征的最大互信息系數(shù)值超過設(shè)定閾值的第一特征，作為與導(dǎo)墻橫河向振動(dòng)響應(yīng)特征相關(guān)性超過設(shè)定閾值的時(shí)空振動(dòng)數(shù)據(jù)。

27、進(jìn)一步地，當(dāng)?shù)谝惶卣髋c第二特征最大互信息系數(shù)值越大，第一特征與第二特征之間的相關(guān)性越強(qiáng)，反之最大互信息系數(shù)值越小，則第一特征與第二特征之間的相關(guān)性越小。

28、進(jìn)一步地，根據(jù)有序?qū)现械狞c(diǎn)落在網(wǎng)格的每個(gè)網(wǎng)格內(nèi)的數(shù)量，得到第一特征和第二特征的互信息估計(jì)值的計(jì)算公式表示為：

29、????????????????（1）；

30、式中，表示第一特征與第二特征組成有序?qū)显趩卧駭?shù)為的網(wǎng)格中的最大互信息估計(jì)值，表示集合中的點(diǎn)落在網(wǎng)格上的概率分布，表示取網(wǎng)格分布下的數(shù)據(jù)最大值，為第一特征與第二特征組成有序?qū)显趩卧駭?shù)為的網(wǎng)格中的互信息估計(jì)值。

31、進(jìn)一步地，所述最大互信息系數(shù)的計(jì)算公式表示為：

32、?（2）；

33、式中，表示第一特征與第二特征的最大互信息系數(shù)值，取值范圍為[0,?1]；表示第一特征與第二特征的樣本總數(shù)n的指數(shù)函數(shù)，；表示網(wǎng)格內(nèi)的單元格數(shù)，表示以2為底的對數(shù)函數(shù)，表示取和的最小值，表示最大值函數(shù)，表示第一特征x與第二特征y組成有序?qū)显趩卧駭?shù)為的網(wǎng)格中的最大互信息估計(jì)值。

34、進(jìn)一步地，所述cnn-bilstm-cbam模型利用與導(dǎo)墻橫河向振動(dòng)響應(yīng)特征的相關(guān)性超過設(shè)定閾值的時(shí)空振動(dòng)數(shù)據(jù)作為輸入、對應(yīng)的導(dǎo)墻橫河向振動(dòng)模態(tài)分量作為輸出訓(xùn)練獲?。?/p>

35、其中，所述導(dǎo)墻橫河向振動(dòng)模態(tài)分量通過利用變分模態(tài)分解算法對導(dǎo)墻橫河向振動(dòng)響應(yīng)特征分解為復(fù)雜度不同的本征模態(tài)函數(shù)后獲取。

36、進(jìn)一步地，所述變分模態(tài)分解算法的表達(dá)式為：

37、??（3）；

38、式中，表示由變分模態(tài)分解算法分解得到的第個(gè)模態(tài)分量，表示由變分模態(tài)分解算法分解得到的第個(gè)中心頻率，，表示變分模態(tài)分解算法分解得到的模態(tài)分量總數(shù)，表示虛數(shù)單位，表示時(shí)刻的dirac函數(shù)，表示時(shí)刻的偏導(dǎo)數(shù)運(yùn)算，表示卷積運(yùn)算，表示時(shí)刻導(dǎo)墻橫河向振動(dòng)響應(yīng)數(shù)據(jù)，表示約束條件；表示求最小值運(yùn)算，表示時(shí)刻由變分模態(tài)分解算法分解得到的第個(gè)模態(tài)分量。

39、進(jìn)一步地，所述卷積神經(jīng)網(wǎng)絡(luò)cnn包括依次連接的卷積層、激活函數(shù)和池化層；

40、所述卷積塊注意力模塊cbam包括通道注意力機(jī)制cam和空間注意力機(jī)制sam，用于分別關(guān)注所述時(shí)空特征的通道和空間維度得到數(shù)據(jù)特征；

41、所述雙向長短期記憶bilstm網(wǎng)絡(luò)包括前向長短期記憶lstm網(wǎng)絡(luò)和后向長短期記憶lstm網(wǎng)絡(luò)。

42、與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果：

43、本發(fā)明將復(fù)雜的導(dǎo)墻橫河向振動(dòng)響應(yīng)數(shù)據(jù)分解為多個(gè)模態(tài)分量，顯著降低了導(dǎo)墻時(shí)空振動(dòng)響應(yīng)數(shù)據(jù)的復(fù)雜性。與直接預(yù)測導(dǎo)墻振動(dòng)信號(hào)相比，本發(fā)明將復(fù)雜的導(dǎo)墻橫河向振動(dòng)響應(yīng)數(shù)據(jù)分解為更簡單的模態(tài)分量，然后將與導(dǎo)墻橫河向振動(dòng)響應(yīng)特征相關(guān)性超過閾值的數(shù)據(jù)輸入cnn-bilstm-cbam模型進(jìn)行預(yù)測，得到導(dǎo)墻橫河向振動(dòng)模態(tài)分量預(yù)測值，然后整合導(dǎo)墻橫河向振動(dòng)模態(tài)分量預(yù)測值，得到導(dǎo)墻預(yù)測振動(dòng)信號(hào)，更能提高整體預(yù)測的準(zhǔn)確性和穩(wěn)定性。

44、本發(fā)明提供的cnn-bilstm-cbam模型通過集成卷積神經(jīng)網(wǎng)絡(luò)cnn，卷積塊注意力模塊cbam以及雙向長短期記憶bilstm網(wǎng)絡(luò)，克服了現(xiàn)有時(shí)間預(yù)測模型捕捉非線性和數(shù)據(jù)特征能力較弱、預(yù)測準(zhǔn)確率較低等缺點(diǎn)，為提高導(dǎo)墻振動(dòng)響應(yīng)的非線性特征捕捉能力和數(shù)據(jù)預(yù)測精度提供了技術(shù)參考，同時(shí)本發(fā)明還解決了現(xiàn)有技術(shù)中導(dǎo)墻振動(dòng)時(shí)空振動(dòng)趨勢預(yù)測精度不準(zhǔn)確的問題。