基于深度学习的堤防结构沉降预测模型研究OA

针对堤防结构沉降预测中多因素耦合、非线性强等问题,本文以某市临江防洪堤工程为研究对象,采用CNN-GRU组合深度学习模型预测堤防沉降。基于自动化监测系统获取的时序数据,构建了CNN-GRU预测模型,并与门控循环单元(Gated Recurrent Unit,GRU)、长短期记忆(Long Short-Term Memory,LSTM)模型进行对比。结果表明,CNN-GRU模型在2个监测点上的RMSE分别为0.025mm和0.055mm,MAE分别为0.018mm和0.042mm,R2分别为0.958和0.951,预测精度显著优于GRU和LSTM,残差分布更集中、稳定性更高。本文研究结果为堤防结构沉降的高精度预测及工程安全预警提供了有效的模型方法与技术支撑。