科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对堤坝渗压值的动态变化特征与静态神经网络模型的不足,建立了基于时序数据的循环神经网络模型(recurrent neural network, RNN)。该模型考虑水位、降雨与温度在孔隙水压力变化中的滞后作用并将其纳入模型的训练过程,实现了渗压值的动态预测。以面板堆石坝渗流监测数据为例进行验证分析,通过灰色关联法可确定影响渗压值的主要因素,并进行了RNN模型与遗传算法优化的支持向量机模型(GA-SVM)的对比分析。结果表明:两种模型的预测精度均在允许范围内,表明渗压值数据之间具备可预测性;RNN模型的平均相对误差仅为11.343%,相比于GA-SVM模型,RNN模型预测精度更高,由此表明渗压值的动态变化特征对渗压值预测影响较大,在建立预测模型时需协同考虑。
- 单位
