【技术实现步骤摘要】
本专利技术涉及一种导墙时空振动趋势预测方法，属于时间序列预测。
技术介绍
1、泄水建筑物是水利枢纽工程的重要组成部分，承担着排放多余水量、确保大坝等关键水工建筑安全的关键职责。导墙作为泄水建筑物的重要组成，用于分隔下泄水流与坝后电站的出水水流，以减少高速泄流过程中挑射水流和尾水波动对电站的影响。然而，轻型薄壁的导墙结构承受着瞬交变的水流荷载作用，当振幅超过导墙结构规定的允许值时，持续强烈的振动极有可能导致结构发生疲劳破坏，从而对工程和人民生命财产安全产生巨大威胁。因此，准确预测导墙振动响应对评估导墙安全及有效进行振动控制至关重要。
2、现有水工领域的振动预测方法存在一系列缺陷，例如基于有限元方法的导墙振动预测方法人工假设多、计算成本高、效率低；基于机器学习的水工结构振动研究方法多数未考虑不同部位之间的时空耦合特征和演化趋势；现有水工结构振动智能预测模型往往表现出结构复杂、可解释性差以及无法完全捕捉振动序列特征中固有的复杂非线性关系，以至于导墙振动时空振动趋势预测精度不准确。
3、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
技术实现思路
1、本专利技术所要解决的技术问题是：如何解决导墙振动时空振动趋势预测精度不准确的问题。
2、为解决上述技术问题，本专利技术是采用下述技术方案实现的。
3、本专利技术公开一种导墙时空振动趋势预测方
4、采集泄洪期间导墙及导墙邻近区域的时空振动数据；
5、获取时空振动数据中的导墙横河向振动响应特征；
6、确定与导墙横河向振动响应特征的相关性超过设定阈值的时空振动数据，并依次将所确定的时空振动数据输入预先训练好的cnn-bilstm-cbam模型；
7、利用所述cnn-bilstm-cbam模型的卷积神经网络cnn，对所输入的时空振动数据进行卷积和池化，得到时空特征；
8、利用所述cnn-bilstm-cbam模型的卷积块注意力模块cbam，关注所述时空特征的通道和空间维度得到数据特征，将所述数据特征进行重新组装拟合，得到第一预测值；
9、利用所述cnn-bilstm-cbam模型的双向长短期记忆bilstm网络，捕捉与所输入的时空振动数据具有双向长期依赖关系的输出结果，得到第二预测值；
10、利用所述cnn-bilstm-cbam模型的拼接层拼接所述第一预测值和所述第二预测值，得到多个导墙横河向振动模态分量预测值；
11、将所述多个导墙横河向振动模态分量预测值相加，得到导墙横河向预测振动信号；
12、基于导墙横河向预测振动信号预测导墙时空振动趋势。
13、进一步地，还包括，将对应的时空振动数据依次输入预先训练好的cnn-bilstm-cbam模型进行预测之前，基于滑移窗口迭代预测模式将所述对应的时空振动数据转换为连续子时间序列数据。
14、进一步地，所述采集泄洪期间导墙及导墙邻近区域的时空振动数据，包括：
15、分别采集导墙及导墙邻近区域八个不同部位的竖向、顺河向、横河向加速度时程曲线；
16、根据导墙及导墙邻近区域八个不同部位的竖向、顺河向、横河向加速度时程曲线，获取时空振动数据；
17、其中，所述导墙及导墙邻近区域八个不同部位包括：右导墙、左导墙、灌浆廊道右侧、灌浆廊道左侧、右导墙廊道与地面交界处、右导墙廊道下延至100米深处、左导墙廊道与地面交界处、左导墙廊道下延至100米深处。
18、进一步地，所述导墙横河向振动响应特征包括导墙横河向加速度振动响应；
19、所述确定与导墙横河向振动响应特征的相关性超过设定阈值的时空振动数据，包括：
20、将时空振动数据中的导墙横河向加速度振动响应序列作为第二特征，其余加速度振动响应序列作为第一特征；
21、将第一特征与第二特征组成有序对集合，使每个有序对包含一个第一特征值和一个对应的第二特征值；其中，第一特征值指第一特征的最大互信息系数值；第二特征值指第二特征的最大互信息系数值；
22、在二维平面上，以第一特征为轴，第二特征为轴，构建特征空间；
23、沿轴方向将特征空间分割成个等宽的区间，沿轴方向将特征空间分割成个等高的区间，形成的网格；
24、根据有序对集合中的点落在网格的每个网格内的数量，得到第一特征和第二特征的互信息估计值；
25、根据第一特征和第二特征的互信息估计值，利用最大互信息系数算法，计算每一对第一特征和第二特征的最大互信息系数值，用于表征所述相关性；
26、将与第二特征的最大互信息系数值超过设定阈值的第一特征，作为与导墙横河向振动响应特征相关性超过设定阈值的时空振动数据。
27、进一步地，当第一特征与第二特征最大互信息系数值越大，第一特征与第二特征之间的相关性越强，反之最大互信息系数值越小，则第一特征与第二特征之间的相关性越小。
28、进一步地，根据有序对集合中的点落在网格的每个网格内的数量，得到第一特征和第二特征的互信息估计值的计算公式表示为：
29、 （1）；
30、式中，表示第一特征与第二特征组成有序对集合在单元格数为的网格中的最大互信息估计值，表示集合中的点落在网格上的概率分布，表示取网格分布下的数据最大值，为第一特征与第二特征组成有序对集合在单元格数为的网格中的互信息估计值。
31、进一步地，所述最大互信息系数的计算公式表示为：
32、 （2）；
33、式中，表示第一特征与第二特征的最大互信息系数值，取值范围为[0, 1]；表示第一特征与第二特征的样本总数n的指数函数，；表示网格内的单元格数，表示以2为底的对数函数，表示取和的最小值，表示最大值函数，表示第一特征x与第二特征y组成有序对集合在单元格数为的网格中的最大互信息估计值。
34、进一步地，所述cnn-bilstm-cbam模型利用与导墙横河向振动响应特征的相关性超过设定阈值的时空振动数据作为输入、对应的导墙横河向振动模态分量作为输出训练获取；
35、其中，所述导墙横河向振动模态分量通过利用变分模态分解算法对导墙横河向振动响应特征分解为复杂度不同的本征模态函数后获取。
36、进一步地，所述变分模态分解算法的表达式为：
37、 （3）；
38、式中，表示由变分模态分解算法分解得到的第个模态分量，表示由变分模态分解算法分解得到的第个中心频率，，表示变分模态分解算法分解得到的模态分量总数，表示虚数单位，表示时刻的dirac函数，表示时刻的偏导数运算，表示卷积运算，表示时刻导墙横河向振动响应数据，表示约束条件；表示求最小值运算，表示时刻由变分模态分解算法分解得到的第个模态分量。<本文档来自技高网...
【技术保护点】
1.一种导墙时空振动趋势预测方法，其特征在于，包括：
2.根据权利要求1所述的导墙时空振动趋势预测方法，其特征在于，还包括，将对应的时空振动数据依次输入预先训练好的CNN-BiLSTM-CBAM模型进行预测之前，基于滑移窗口迭代预测模式将所述对应的时空振动数据转换为连续子时间序列数据。
3.根据权利要求1所述的导墙时空振动趋势预测方法，其特征在于，所述采集泄洪期间导墙及导墙邻近区域的时空振动数据，包括：
4.根据权利要求3所述的导墙时空振动趋势预测方法，其特征在于，所述导墙横河向振动响应特征包括导墙横河向加速度振动响应；
5.根据权利要求4所述的导墙时空振动趋势预测方法，其特征在于，当第一特征与第二特征最大互信息系数值越大，第一特征与第二特征之间的相关性越强，反之最大互信息系数值越小，则第一特征与第二特征之间的相关性越小。
6.根据权利要求4所述的导墙时空振动趋势预测方法，其特征在于，根据有序对集合中的点落在网格的每个网格内的数量，得到第一特征和第二特征的互信息估计值的计算公式表示为：
7.根据权利要求4所述
8.根据权利要求1所述的导墙时空振动趋势预测方法，其特征在于，所述CNN-BiLSTM-CBAM模型利用与导墙横河向振动响应特征的相关性超过设定阈值的时空振动数据作为输入、对应的导墙横河向振动模态分量作为输出训练获取；
9.根据权利要求8所述的导墙时空振动趋势预测方法，其特征在于，所述变分模态分解算法的表达式为：
10.根据权利要求1所述的导墙时空振动趋势预测方法，其特征在于，所述卷积神经网络CNN包括依次连接的卷积层、激活函数和池化层；
...【技术特征摘要】
1.一种导墙时空振动趋势预测方法，其特征在于，包括：
2.根据权利要求1所述的导墙时空振动趋势预测方法，其特征在于，还包括，将对应的时空振动数据依次输入预先训练好的cnn-bilstm-cbam模型进行预测之前，基于滑移窗口迭代预测模式将所述对应的时空振动数据转换为连续子时间序列数据。
3.根据权利要求1所述的导墙时空振动趋势预测方法，其特征在于，所述采集泄洪期间导墙及导墙邻近区域的时空振动数据，包括：
4.根据权利要求3所述的导墙时空振动趋势预测方法，其特征在于，所述导墙横河向振动响应特征包括导墙横河向加速度振动响应；
5.根据权利要求4所述的导墙时空振动趋势预测方法，其特征在于，当第一特征与第二特征最大互信息系数值越大，第一特征与第二特征之间的相关性越强，反之最大互信息系数值越小，则第一特征与第二特征之间的相关性越...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。