针对大坝变形监测数据呈现无规律特性和传统分解方法的不足,本文基于混合模型的思想提出了基于LMD-LSTM的大坝变形混合预测模型.首先利用局域均值分解(LMD)方法将原始数据进行分解,提取出不同频率的分量,再用长短期记忆人工神经网络(LSTM)预测模型对各个分量分别进行建模,最终将各个分量的预测值叠加重构以获得大坝变形预测值.工程实例表明,LMD-LSTM模型预测结果与实际观测值拟合较好,其精度指标MAE、MAPE和RMSE分别是1.2 mm、4.12×10-5％和2 mm.相较于LSTM和EMD-LSTM模型的精度指标,该文提出的混合模型预测精度更高,为大坝变形预测提供了一种新方法.

针对大坝变形预测模型精度不高、特征提取能力差等问题,构建基于深度置信网络(DBN)的预测模型,以官地水电站2012～2016年的变形数据为例,实现大坝变形后10期的准确预测.结果表明,DBN模型三项评价指标分别为0.23 mm、0.30 mm、7.09％,显著优于其他比较模型,能够更加准确预测大坝变形,为大坝变形预测提供一种新的方法.

综合考虑变形监测数据降噪方法及降噪质量评定指标选取对实际应用具有重要指导意义,而区分不同降噪方法的原理是正确应用的基础.变形监测数据影响因素多且随机性大,从变形监测数据中剥离噪声的方法主要有小波变换、经验模态分解和变分模态分解.此文阐述了上述方法的降噪原理,同时阐述了常用的降噪质量评定指标RMSE、SNR、R、r、T、dnSNR的计算方法.

洪灾数据类型多样、结构复杂、数据量巨大,随着时间累积给传统平台带来巨大压力.针对这个问题,通过结合大数据处理技术,将洪灾数据存储到云平台中,提高洪灾数据查询效率.根据洪灾数据的特征,将类型和种类进行分类,并通过HBase与HDFS相结合对洪灾数据存储进行设计.最终实现了洪灾数据的分布式存储、查询与管理,通过设计索引,提高了洪灾数据的查询效率和速度.应用结果表明,随着数据增长,研究设计的存储方案查询时间逐渐接近并小于传统平台的查询时间,能够提高洪灾数据利用效率.