申请/专利权人：扬州大学

申请日：2023-12-22

公开（公告）日：2024-03-01

公开（公告）号：CN117636065A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06F17/18;G06N3/0464;G06N3/0442;G06N3/08;G06Q10/04

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.19#实质审查的生效;2024.03.01#公开

摘要：本发明公开了考虑裂缝影响的混凝土坝位移深度学习预测方法及系统，包括：获取混凝土坝的监测数据，得到初始的建模因子集，将裂缝开合度作为位移的影响因素，建立考虑裂缝影响的位移监控模型HSCT；将考虑裂缝的影响因子集与观测位移值匹配后得到初选因子集；采用变量选择方法mRMR和Lasso对位移的影响因子进行筛选并剔除不满足阈值要求的建模因子；根据最优的CNN‑LSTM模型对因子筛选后的数据集进行预测分析，并根据预测精度比选出较优的变量选择方法。相较于传统HST模型，精度提升较大，降低了不必要的复杂性，且可以捕捉位移数据的长期依赖和短期特征，模型更加稳定和可靠。

主权项：1.考虑裂缝影响的混凝土坝位移深度学习预测方法，其特征在于，包括：获取混凝土坝的监测数据，得到初始的建模因子集，将裂缝开合度作为位移的影响因子，建立考虑裂缝影响的位移监控模型HSCT；基于HSCT回归模型，得到考虑裂缝的影响因子集，将这些因子与观测位移值匹配后得到初选因子集；采用变量选择方法mRMR和Lasso对位移的影响因子进行筛选，剔除不满足阈值要求的建模因子，将剩余的建模因子组建成筛选过后的因子集；构建以均方误差MSE为损失函数的深度学习模型CNN-LSTM，利用Adam算法对其进行优化，在MSE最小时，得到最优的参数组合，从而构建最优的CNN-LSTM模型，对筛选过后的因子集进行预测分析。

全文数据：

权利要求：

百度查询： 扬州大学 考虑裂缝影响的混凝土坝位移深度学习预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD