摘要：针对大坝变形序列中非线性特征对预测精度的影响,提出了一种基于变分自编码器(VAE)、双向门控循环单元(GRU)和残差注意力机制(RA)的深度学习模型。首先,利用VAE对大坝位移数据进行特征提取,将复杂的高维环境数据映射到低维潜在空间。然后,采用GRU捕捉时间依赖性,并引入残差注意力机制增强模型对关键特征的关注能力。最后,结合北方苍鹰优化算法(NGO)对模型的超参数进行优化,以进一步提高预测精度。工程实例分析结果表明,VAE-RAGRU模型在大坝位移预测中表现优异,显著优于其他机器学习模型,为大坝安全监控提供了一个高效、准确的新方法。
