基于工程历史数据的高拱坝施工仿真参数动态更新方法

1.本发明涉及高拱坝施工进度仿真领域，特别涉及一种基于工程实际历史数据的高拱坝施工仿真参数动态更新方法。


背景技术：

2.高拱坝施工常面临水文气候条件复杂、作业空间狭小和施工约束等问题，为高拱坝施工进度的有效控制带来了极大的挑战。施工仿真技术为高拱坝施工过程分析及施工进度管控提供了有效的途径。随着工程的推进，高拱坝施工作业空间、施工约束等不断发生变化，这导致施工仿真参数发生动态变化。如何有效地动态更新施工仿真参数是确保建设期施工进度仿真准确性的关键。然而传统仿真方法需要根据经验选取仿真参数，忽略了参数随施工过程的变化。少数采用贝叶斯更新的研究需要假定参数分布形式且难以反映短期内施工参数的波动性和非线性变化，因而并不适用于具有分布形式难以固定、参数序列非线性和噪声强特点的施工参数预测问题。


技术实现要素：

3.针对上述现有技术的缺陷，本发明提出了一种基于工程历史数据的高拱坝施工仿真参数动态更新方法，实现了高拱坝施工仿真参数emd-p-ilstm动态更新模型，采用先分解、再预测后融合的建模思路实现对建设期施工仿真参数的高精度预测与更新，进而实现对仿真模型的动态修正。
4.本发明利用以下技术方案实现：
5.步骤1、对获取的施工参数历史数据进行预处理，具体包括：进行经验模态分解，将施工参数时间序列分解为一系列的施工参数子序列，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小，根据预测时间窗口大小构建各施工参数子序列的数据集，对数据集进行划分得到训练集和测试集；
6.步骤2、进行lstm预测模型的构建与优化，具体包括：对各施工参数子序列分别构建lstm预测模型，采用自适应步长因子改进的天牛须算法对各lstm预测模型的超参数进行寻优，得到最优参数，将最优参数作为各子lstm预测模型的超参数，经训练后获得各最优子lstm预测模型。
7.与已有技术相比，本发明能够反映施工参数局部非线性和波动性变化以及有效挖掘施工参数序列潜在信息。
附图说明
8.图1为本发明的基于工程历史数据的高拱坝施工仿真参数动态更新方法整体流程图。
9.图2为步骤1中的经验模态分解的实现流程图。
10.图3为为步骤1中的利用偏自相关函数方法计算各施工参数子序列的预测时间窗
口大小的实现流程图。
11.图4为天牛须算法的自适应步长实现流程图
12.图5为步骤2的采用自适应步长因子改进的天牛须算法对各lstm预测模型的lstm单元数n1、n2、批量大小b和学习率lr超参数进行寻优的实现流程图。
具体实施方式
13.下面结合附图和具体实施例对本发明技术方案作进一步详细描述。
14.本发明的基于工程历史数据的高拱坝施工仿真参数动态更新方法，首先，对数据进行预处理并利用经验模态分解法(emd)与偏自相关函数方法构建各子序列预测的数据集；其次，利用数据集进行划分得到的训练集和测试集构建lstm预测模型，采用自适应步长因子改进的天牛须算法对各模型的lstm单元数n1、n2、批大小b和学习率lr超参数进行寻优；最后，将最优参数作为各子模型的超参数对训练集进行训练，获得各最优子预测模型。
15.如图1所示，为本发明的基于工程历史数据的高拱坝施工仿真参数动态更新方法整体流程图。该流程具体包括以下步骤：
16.步骤1、对获取的施工参数历史数据进行预处理，具体包括：利用经验模态分解法(emd)将具有强烈非线性、波动性的施工参数时间序列分解为一系列依照时间顺序的平稳的施工参数子序列，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小，根据预测时间窗口大小构建各施工参数子序列的数据集，对数据集进行划分得到训练集和测试集；
17.步骤2、进行lstm预测模型的构建与优化，具体包括：对各施工参数子序列分别构建lstm预测模型，采用自适应步长因子改进的天牛须算法对各lstm预测模型的lstm单元数n1、n2、批量大小b和学习率lr超参数进行寻优，在每次迭代过程利用训练集训练由天牛个体的参数组成的lstm预测模型(利用每个天牛个体中的lstm单元数n1、n2、批量大小b和学习率lr超参数等参数，对训练集进行计算，得到输出值)，将输出值与实际值的平均误差作为改进天牛须算法的适应度函数，以达到设定的迭代次数作为寻优结束的依据，得到最优参数；将最优参数作为各子lstm预测模型的超参数，对训练集进行训练，获得各最优子lstm预测模型。
18.以下为本发明整体流程中的相关算法的具体描述：
19.一、经验模态分解法(emd)
20.经验模态分解法(emd)的基本原理是对信号所有的极值点进行插值得到上、下包络和均值包络。将原信号减去均值包络得到新信号，若新信号仍存在局部极值点，则可以进一步分解，直到原信号被分解成若干本征模态分量和残差信号。
21.本发明利用经验模态分解法(emd)对施工参数时间序列进行分解，得到多个本征模态分量(imfs)；对每一个imfs分量进行预测，再与各imfs分量预测值叠加后的结果作为最终的预测结果。
22.将原始信号x(t)分解为若干且有限个不同特征尺度的本征模态函数imfi和一个残差序列res，表达式如下所示：
[0023][0024]
其中，i表示本征模态函数的编号，n表示本征模态函数总个数；
[0025]
所述本征模态函数imfi需满足以下条件：
[0026]
1)在整个数据集上，极值点个数和过零点个数需相等或最多只相差1；
[0027]
2)在任意点处，由局部极小值点定义的下包络线和局部极大值点定义的上包络线的均值为0。
[0028]
如图1所示，为经验模态分解的实现流程图。具体步骤如下：
[0029]
步骤1-1、获得原始信号x(t)所有的局部极小值点和局部极大值点；
[0030]
步骤1-2、根据x(t)的局部极值点，采用三次样条插值法构建上包络线max(t)和下包络线min(t)；
[0031]
步骤1-3、计算上包络线和下包络线的均值m(t)＝(max(t)+min(t))/2；
[0032]
步骤1-4、计算原始信号x(t)与均值m(t)之间的差值h1(t)＝x(t)-m(t)；
[0033]
步骤1-5、判断分解出的子信号r1(t)是否满足两个基本条件，即
①
在整个数据集上，极值点个数和过零点个数需相等或最多只相差1；
②
在任意点处，由局部极小值点定义的下包络线和局部极大值点定义的上包络线的均值为0；,若满足，则h1(t)为x(t)的第一个imf分量imf1，令x(t)＝r1(t)＝x(t)-h1(t)，重复步骤1-1至步骤1-4；若不满足，则令x(t)＝h1(t)，重复步骤1-1至步骤1-4，直至满足以下停止准则之一：
[0034]
停止准则一、残余序列为单调函数，
[0035]
停止准则二、标准差sd位于界限值0.2～0.3之间。
[0036]
标准差sd的表达式如下所示：
[0037][0038]
其中，t为时间序列的长度。
[0039]
二、自相关函数算法(pacf)
[0040]
偏自相关函数(pacf)用于自动提取经过emd分解后各个imfs量的时间窗口大小，有效计算时序序列数据之间的相关性，避免了人工选择的主观性，提高预测精度。在本发明中对各子序列预测的时间窗口大小进行计算，以减少针对每个子序列的时间窗口进行人工调试的工作量。
[0041]
时间序列单步预测是根据当前预测时刻的参数值x
t
及前k-1个时刻参数值x
t-(k-1),x
t-(k-2)
…
x
t-1
预测下一预测时刻的参数值x
t+1
。其中，k为时间窗口大小，{x
t-(n-1),x
t-(n-2)
…
x
t
}为时间窗口。
[0042]
假设当前预测时刻t的参数值为x
t
，x
t+1
为下一时刻的参数预测值。若与下一预测时刻相比滞后k个时刻的偏自相函数值超出了95％的置信区间(n为施工参数序列的长度)，则取{x
t-k+1
,x
t-k+2
,
…
,x
t
}为输入变量；若所有滞后时刻的偏自相关函数都位于95％置信区间内，则取当前时刻参数值x
t
为输入变量。
[0043]
如图3所示，为步骤1中的利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小的流程图。具体步骤如下：：
[0044]
步骤1-6、对于分解后的施工参数时序序列x＝{x1,x2,
…
,xn}，得到时间滞后k处的协方差表达式如下所示：
[0045]
[0046]
其中，为施工参数时序数据的平均值，k＝0,1,...,m，且m∈n+为最大的时间滞后；
[0047]
得到时间滞后k处的自相关函数(autocorrelationfunction，acf)表达式如下所示：
[0048][0049]
其中，为施工参数时序数据的方差。
[0050]
步骤1-7、基于协方差和自相关函数得到时间滞后k处的偏自相关函数值表达式如下所示：
[0051][0052]
其中，j＝1,2,
…
,k，k＝1,2,
…
,m。
[0053]
三、长短期记忆网络(lstm)
[0054]
长短期记忆网络(lstm)用于解决了循环神经网络(rnn)的梯度爆炸或梯度消失的问题。相比于其他浅层机器学习算法如svm等，lstm学习长期依赖信息，因此更加适合对时间序列进行预测。为获得最优子预测模型，本发明中的lstm预测模型采用自适应步长因子改进的天牛须算法对各模型的lstm单元数n1，n2、批大小b和学习率lr超参数进行寻优。
[0055]
四、天牛须算法(bas)
[0056]
天牛须算法(bas)实现高效寻优。算法复杂度和计算量相较于一般的多参数群智能算法如粒子群算法、鸟群算法等有所减少，更易于实现，适用于工程应用。但天牛须算法的全局搜索能力和收敛速度受步长影响较大，为此引入自适应步长因子对bas算法中固定步长进行改进。
[0057]
如图4所示，为天牛须算法的自适应步长实现流程图。具体步骤如下：
[0058]
步骤4-1、建立天牛左右两个触角朝向的随机变量，并作归一化处理；
[0059]
步骤4-2、计算天牛左右触角的空间坐标；
[0060]
步骤4-3、根据设定的适应度函数来确定左右触角气味的强度；
[0061]
步骤4-4、通过对步骤2-3中左右触角气味强度的比较，确定下一次迭代更新后天牛的位置；
[0062]
步骤4-5、判断是否满足终止条件，如果满足，则终止迭代；若没有，则继续进行下一次迭代循环。
[0063]
引入自适应步长因子来动态改变步长，以提高算法的搜索能力。其主要思想是在搜索前期扩大搜索范围。若当前迭代次数适应度低于历史最低适应度，增大步长以跳出当前区域，以加快寻优过程。在寻优后期搜索趋于稳定后，减小步长因子，以获得更高精度，步长因子表达式如下所示：
[0064][0065]
其中，fi为第i次迭代适应度值，f
min
为历史最优适应度值，n为总迭代次数，α为初始步长因子，β为当前步长因子；
[0066]
得到更新后步长，表达式如下所示：
[0067]
stepupsate＝step*β
ꢀꢀꢀꢀꢀ…
(6)
[0068]
其中，step为初始步长，β为当前步长因子。
[0069]
如图5所示，为采用自适应步长因子改进的天牛须算法对各lstm预测模型的lstm单元数n1、n2、批量大小b和学习率lr超参数进行寻优的实现流程图。具体步骤如下：
[0070]
步骤2-1、设置超参数取值范围和迭代终止条件；
[0071]
步骤2-2、利用随机函数确定天牛个体初始位置x，进行天牛参数初始化；
[0072]
步骤2-3、计算天牛个体左、右须坐标x
left
和y
right
；
[0073]
步骤2-4、根据左、右须坐标值构建长短期记忆网络模型，对预测问题训练集进行训练，根据目标函数计算天牛个体左、右须适应度值y
left
和x
right
；
[0074]
步骤2-5、根据左、右须适应度值计算天牛下一位置x及其对应的适应度y；
[0075]
步骤2-6、比较最优适应度值y
best
与适应度y的大小；
[0076]
步骤2-7、若y大于最优适应度值y
best
，则更新最优个体x
best
＝x和最优适应度值y
best
＝y；
[0077]
步骤2-8、若y小于最劣适应度值y
worst
，则更新最劣适应度值y
worst
＝y；
[0078]
步骤2-9、对天牛须算法步长进行更新；
[0079]
步骤2-10、重复步骤2-2至步骤2-9，直到满足设定的迭代次数，认为算法已生成最优解，更新最优解x
best
；
[0080]
步骤2-11、利用最优解x
best
所对应的超参数构建长短期记忆网络模型。
[0081]
以上所述仅为为展示本发明技术思想和特点的较为优选的实施方式，目的在于能够使本领域内的技术人员理解发明内容并据此实施，并不用以限制本发明，即在本发明精神和原则之内所做的修饰、替代、同等变化等，均应在本发明保护范围之内。