来源：期刊VIP网 时间：
作者：张伟;仇建春;夏国春;姚兆仁;吴昊;刘占午;王昱锦;朱新宇;
单位：江苏省水利建设工程有限公司;扬州大学水利科学与工程学院;河海大学水资源高效利用与工程安全国家工程研究中心;
摘要：针对水闸深基坑变形监测数据具有非稳定性的特点，提出了基于VMD-Self-attention-LSTM的水闸深基坑变形预测方法。该方法分为三个主要模块，第一模块采用VMD算法自适应调整变形分解模数，将原始变形数据分解为若干具有明显周期规律的分量，有效解决变形数据的非稳定性，为提升变形预测精度奠定初步基础；第二模块，在传统LSTM算法基础上进一步发展Self-attention-LSTM方法，提升模型对基坑变形样本的时序关系挖掘能力，进而提升基坑变形预测精度；第三模块，将各分量对应的变形预测结果重构得到最终预测值。实例分析可知，所提方法有效解决了非稳定特性给变形预测精度带来的不利影响，与VMD-LSTM、Self-attention-LSTM、LSTM等深度学习方法相比，VMD-Self-attention-LSTM的预测精度最大提升41.49%,与BP、ELM等传统机器学习算法相比，预测精度最大提升50.43%,为水闸深基坑安全监控模型的构建提供了新思路。
关键词：水闸深基坑;;变形预测;;VMD;;Self-attention-LSTM
基金资助：扬州市自然科学基金项目(YZ2024166);; 国家自然科学基金项目(52179128,52079120,51579085);; 扬州市“绿扬金凤”优秀博士人才项目(137012705)
