基于RIME-CNN-SVM模型的大坝变形预测OA

针对传统大坝变形预测单一模型在准确性和稳定性上的不足,提出了一种基于霜冰优化算法(rime optimization algorithm,RIME)与卷积神经网络(convolutional neural networks,CNN)及支持向量机(support vector machines,SVM)的大坝变形预测模型(RIME-CNN-SVM),旨在提升预测的准确性与稳定性.该模型首先利用RIME对CNN和SVM的参数进行优化,进而结合CNN的特征提取能力与SVM的分类回归优势进行大坝变形预测.以江西省某水电站大坝的坝基沉降监测数据为例,将该模型的预测结果与CNN,SVM及CNN-SVM模型的预测结果进行对比分析.结果表明:RIME-CNN-SVM模型在拟合优度(R^(2))、均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)方面的表现分别为0.9821,0.1605 mm,0.1341 mm和4.348%,均优于CNN,SVM及CNN-SVM模型.说明RIME-CNN-SVM模型在大坝变形监测中具有显著优势与工程实用价值.