K-means++和LSTM模型在大坝监测资料分析中的应用

大坝在长期服役的过程中,受到相同或相似外界因素的影响,变形监测数据之间必定在空间和时间维度上存在某种相关性.为充分挖掘大坝在空间与时间维度的相关性,本文以某碾压混凝土重力坝为例,首先应用改进初始聚类中心点的K均值聚类(K-means++)分析沉降变形的空间聚集情况,选出合适的关键测点,然后结合长短期记忆网络(Long Short-Term Memory, LSTM)模型对关键测点进行变形预测,探究测点在时间序列上的相关性,并与支持向量机(Support Vector Machines, SVM)模型的预测结果对比,检验LSTM模型的预测精度.结果表明,K-means++聚类结果可有效地表征变形测点的空间聚集状态,LSTM模型能准确地反映监测数据在时间维度上的变化趋势,且模型的预测精度较高,为更高效、快捷准确反映大坝在空间和时间的变化趋势提供新的方法,同时对大坝安全运行决策提供支撑.