一种大坝变形预测方法、系统、介质及产品

本发明涉及大坝安全监测领域，特别是涉及一种大坝变形预测方法、系统、介质及产品。

背景技术：

1、水利工程承担着防洪排涝、引水发电、农业灌溉、城市供水等重要任务。大坝安全监测是保障水利工程安全运行的重要手段。大坝变形作为重要的监测科目能够直观反映大坝运行的安全性态。

2、利用实测数据序列预测大坝变形，是定量分析大坝安全的重要方法。当前大坝变形预测方法多为确定性预测方法，受影响因素及输入输出关系不确定性的影响，确定性预测方法预测精度难以保证。

3、近些年来，深度学习被广泛应用于大坝安全监控领域。卷积神经网络(cnn)是一种由多个处理器叠加而成的深度神经网络，包括输入层、卷积层、池化层、全连接层和输出层。cnn具有在不改变原始数据信息的前提下，自主抓取数据特征的能力，在大坝监测数据处理领域得到广泛应用，具有较强的鲁棒性。然而，大坝变形监测数据是一个复杂的非线性、非平稳的时间序列数据，仅仅依靠cnn难以充分挖掘出数据中的内在关联性。

技术实现思路

1、本发明的目的是提供一种大坝变形预测方法、系统、介质及产品，可准确预测大坝变形情况。

2、为实现上述目的，本发明提供了如下方案：

3、一种大坝变形预测方法包括：

4、构建bigru神经网络；

5、基于蜣螂优化算法对bigru神经网络进行训练，得到变形预测模型；

6、获取大坝变形数据；

7、基于预设置信度和标准正态分布表确定分位点上限和分位点下限；

8、基于所述大坝变形数据、所述分位点上限、所述分位点下限和所述变形预测模型，构建大坝变形区间预测结果。

9、可选地，基于所述大坝变形数据、所述分位点上限、所述分位点下限和所述变形预测模型，构建大坝变形区间预测结果，具体包括：

10、对大坝变形数据进行特征提取，得到提取后的大坝变形数据；

11、将提取后的大坝变形数据和分位点上限输入至所述变形预测模型中，得到大坝变形的上限；

12、将提取后的大坝变形数据和分位点下限输入至所述变形预测模型中，得到大坝变形的下限；

13、基于大坝变形的下限和大坝变形的上限构建大坝变形区间预测结果。

14、可选地，对大坝变形数据进行特征提取，得到提取后的大坝变形数据，具体包括：

15、构建卷积神经网络；

16、将所述卷积神经网络的原始阈值和原始权重作为蜣螂优化算法的初始种群位置进行寻优，得到所述卷积神经网络的最优阈值和最优权重；

17、对包含所述最优阈值和所述最优权重的所述卷积神经网络进行训练，得到特征提取模型；

18、采用所述特征提取模型对所述大坝变形数据进行特征提取，得到提取后的大坝变形数据。

19、可选地，基于蜣螂优化算法对bigru神经网络进行训练，得到变形预测模型，具体包括：

20、获取训练数据；所述训练数据包括大坝变形历史数据和大坝变形历史数据对应的标签；

21、利用种群初始化策略生成具有多个个体的初始种群；所述初始种群中的个体代表bigru神经网络的不同参数；所述参数包括阈值和权重；

22、计算初始种群中每个个体对应的bigru神经网络的误差值，将每个个体对应的bigru神经网络的误差值作为适应度值；所述误差值是基于总损失函数计算得到的；所述总损失函数是基于第一损失函数和第二损失函数相加得到的；所述第一损失函数是基于所述bigru神经网络的上限输出和大坝变形历史数据对应的标签计算得到的；所述第二损失函数是基于所述bigru神经网络的下限输出和大坝变形历史数据对应的标签计算得到的；所述bigru神经网络的下限输出是将所述训练数据中的大坝变形历史数据和分位点下限输入至bigru神经网络得到的；所述bigru神经网络的上限输出是将所述训练数据中的大坝变形历史数据和分为上限输入至bigru神经网络得到的；

23、将蜣螂的滚球、跳舞、觅食、繁殖和偷窃行为作为更新规则，对所述初始种群位置进行寻优，其中，每个蜣螂种群由四种不同的代理蜣螂组成，所述代理蜣螂包括滚球和跳舞蜣螂、繁育蜣螂、觅食蜣螂以及偷窃蜣螂，具体为：

24、滚球和跳舞蜣螂：

25、当无障碍滚球时，蜣螂在整个搜索空间内随着太阳光照强度影响而变化，位置更新公式：

26、

27、式中，xi(t+1)表示第i只蜣螂在t+1次迭代时的位置信息；xi(t)表示第t次迭代时第i只蜣螂的位置信息；α表示自然数，赋值为1或-1；k表示偏折系数常数；xi(t-1)表示第i只蜣螂在t-1次迭代时的位置信息；b表示属于(0，1)的常量；xw表示全局最差位置；δx模拟光照强度变化；

28、当有障碍物时，蜣螂会通过跳舞行为调整前进方向，利用正切函数模拟跳舞行为，位置更新公式：

29、xi(t+1)＝xi(t)+tanθ|xi(t)-xi(t-1)|；

30、式中，θ表示偏转角，θ∈[0，π]，当θ＝0、π/2或π时不更新位置；

31、繁殖蜣螂：

32、提供边界选择策略来模拟繁育蜣螂产卵的区域，边界选择策略为：

33、

34、

35、式中，lb*表示产卵区域的下限；表示当前局部最优位置；r表示第一参数，r＝1-t/tmax，tmax表示最大迭代次数；lb表示优化问题的下限；ub*表示产卵区域的上限；ub表示优化问题的上限；

36、一旦确定产卵区域后，繁育蜣螂就会选择这个产卵区的繁育球产卵，每只繁育蜣螂在每次迭代中只产一个卵，由于产卵区的边界范围是动态变化的，因此繁育球的位置在迭代过程中也是动态的，位置更新公式：

37、

38、式中，bi(t+1)表示第i个蜣螂的育雏球在第t+1次迭代时的位置；b1表示大小为1×d的第一个独立随机变量；b2表示大小为1×d的第二个独立随机变量；bi(t)表示第i个蜣螂的育雏球在第t次迭代时的位置；

39、觅食蜣螂：

40、建立最佳觅食区域引导小蜣螂寻找食物，区域定义公式为：

41、lbb＝max(xb×(1-r),lb)

42、ubb＝min(xb×(1-r),ub)；

43、其中：lbb表示最优觅食区域的下界；xb表示全局最佳位置；ubb表示最优觅食区域的上界；

44、位置更新公式为：

45、xi(t+1)＝xi(t)+c1×(xi(t)-lbb)+c2×(xi(t)-ubb)；

46、式中，c1表示服从正态分布的随机数；c2表示(0，1)内随机向量；

47、偷窃蜣螂：

48、偷窃蜣螂会和其他蜣螂竞争食物，偷取粪球；偷窃蜣螂位于最佳食物源附近时，实施偷窃行为，位置更新的计算公式为：

49、xi(t+1)＝xb+s×g(|xi(t)-x*|+|xi(t)-xb|)；

50、式中，g表示服从(0，1)之间正态分布的大小为1×d的随机向量；s为常数；

51、计算种群更新后每个个体对应的bigru神经网络的误差值，种群更新后每个个体对应的bigru神经网络的适应度值，将种群更新后每个个体对应的bigru神经网络的适应度值与初始种群比较并保留适应度值最优的个体作为全局最优解；

52、判断是否达到迭代次数，得到第一判断结果；

53、若所述第一判断结果为是，则输出全局最优解和适应度值分别作为bigru神经网络的最优阈值和最优权重，得到变形预测模型；

54、若所述第一判断结果为否，则返回将蜣螂的滚球、跳舞、觅食、繁殖和偷窃行为作为更新规则，对所述初始种群位置进行寻优，其中，每个蜣螂种群由四种不同的代理蜣螂组成，所述代理蜣螂包括滚球和跳舞蜣螂、繁育蜣螂、觅食蜣螂以及偷窃蜣螂，具体为的步骤。

55、可选地，所述损失函数的构建方法包括：

56、基于分位数回归模型构建第一损失函数。

57、可选地，所述第一损失函数为：

58、

59、式中，i表示大坝变形历史数据的数量；yi表示bigru神经网络的上限输出；β(τ)表示回归系数的向量；xi表示大坝变形历史数据对应的标签；τ表示分位点上限。

60、可选地，基于所述大坝变形数据、所述分位点上限、所述分位点下限和所述变形预测模型，得到大坝变形结果，之后还包括：

61、获取大坝变形预警阈值；

62、判断所述大坝变形结果中的大坝变形的上限是否大于大坝变形预警阈值，得到第二判断结果；

63、若所述第二判断结果为是，则进行预警处理；

64、若所述第二判断结果为否，则不进行预警处理。

65、一种计算机系统，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述任一项所述的大坝变形预测方法的步骤。

66、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述的大坝变形预测方法的步骤。

67、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一项所述的大坝变形预测方法的步骤。

68、根据本发明提供的具体实施例，本发明公开了以下技术效果：

69、本发明公开一种大坝变形预测方法、系统、介质及产品，方法包括构建bigru神经网络；基于蜣螂优化算法对bigru神经网络进行训练，得到变形预测模型；获取大坝变形数据；基于预设置信度和标准正态分布表确定分位点上限和分位点下限；基于所述大坝变形数据、所述分位点上限、所述分位点下限和所述变形预测模型，构建大坝变形区间预测结果，本发明可准确预测大坝变形情况。