1.一种导墙时空振动趋势预测方法,其特征在于,包括:采集泄洪期间导墙及导墙邻近区域的时空振动数据;
获取时空振动数据中的导墙横河向振动响应特征;
确定与导墙横河向振动响应特征的相关性超过设定阈值的时空振动数据,并依次将所确定的时空振动数据输入预先训练好的CNN-BiLSTM-CBAM模型;
利用所述CNN-BiLSTM-CBAM模型的卷积神经网络CNN,对所输入的时空振动数据进行卷积和池化,得到时空特征;
利用所述CNN-BiLSTM-CBAM模型的卷积块注意力模块CBAM,关注所述时空特征的通道和空间维度得到数据特征,将所述数据特征进行重新组装拟合,得到第一预测值;
利用所述CNN-BiLSTM-CBAM模型的双向长短期记忆BiLSTM网络,捕捉与所输入的时空振动数据具有双向长期依赖关系的输出结果,得到第二预测值;
利用所述CNN-BiLSTM-CBAM模型的拼接层拼接所述第一预测值和所述第二预测值,得到多个导墙横河向振动模态分量预测值;
将所述多个导墙横河向振动模态分量预测值相加,得到导墙横河向预测振动信号;
基于导墙横河向预测振动信号预测导墙时空振动趋势。
2.根据权利要求1所述的导墙时空振动趋势预测方法,其特征在于,还包括,将对应的时空振动数据依次输入预先训练好的CNN-BiLSTM-CBAM模型进行预测之前,基于滑移窗口迭代预测模式将所述对应的时空振动数据转换为连续子时间序列数据。
3.根据权利要求1所述的导墙时空振动趋势预测方法,其特征在于,所述采集泄洪期间导墙及导墙邻近区域的时空振动数据,包括:分别采集导墙及导墙邻近区域八个不同部位的竖向、顺河向、横河向加速度时程曲线;
根据导墙及导墙邻近区域八个不同部位的竖向、顺河向、横河向加速度时程曲线,获取时空振动数据;
其中,所述导墙及导墙邻近区域八个不同部位包括:右导墙、左导墙、灌浆廊道右侧、灌浆廊道左侧、右导墙廊道与地面交界处、右导墙廊道下延至100米深处、左导墙廊道与地面交界处、左导墙廊道下延至100米深处。
4.根据权利要求3所述的导墙时空振动趋势预测方法,其特征在于,所述导墙横河向振动响应特征包括导墙横河向加速度振动响应;
所述确定与导墙横河向振动响应特征的相关性超过设定阈值的时空振动数据,包括:将时空振动数据中的导墙横河向加速度振动响应序列作为第二特征,其余加速度振动响应序列作为第一特征;
将第一特征与第二特征组成有序对集合,使每个有序对包含一个第一特征值和一个对应的第二特征值;其中,第一特征值指第一特征的最大互信息系数值;第二特征值指第二特征的最大互信息系数值;
在二维平面上,以第一特征为
沿
根据有序对集合中的点落在网格
根据第一特征和第二特征的互信息估计值,利用最大互信息系数算法,计算每一对第一特征和第二特征的最大互信息系数值,用于表征所述相关性;
将与第二特征的最大互信息系数值超过设定阈值的第一特征,作为与导墙横河向振动响应特征相关性超过设定阈值的时空振动数据。
5.根据权利要求4所述的导墙时空振动趋势预测方法,其特征在于,当第一特征
6.根据权利要求4所述的导墙时空振动趋势预测方法,其特征在于,根据有序对集合中的点落在网格式中,
7.根据权利要求4所述的导墙时空振动趋势预测方法,其特征在于,所述最大互信息系数的计算公式表示为:式中,
8.根据权利要求1所述的导墙时空振动趋势预测方法,其特征在于,所述CNN-BiLSTM-CBAM模型利用与导墙横河向振动响应特征的相关性超过设定阈值的时空振动数据作为输入、对应的导墙横河向振动模态分量作为输出训练获取;
其中,所述导墙横河向振动模态分量通过利用变分模态分解算法对导墙横河向振动响应特征分解为复杂度不同的本征模态函数后获取。
9.根据权利要求8所述的导墙时空振动趋势预测方法,其特征在于,所述变分模态分解算法的表达式为:式中,
10.根据权利要求1所述的导墙时空振动趋势预测方法,其特征在于,所述卷积神经网络CNN包括依次连接的卷积层、激活函数和池化层;
所述卷积块注意力模块CBAM包括通道注意力机制CAM和空间注意力机制SAM,用于分别关注所述时空特征的通道和空间维度得到数据特征;
所述双向长短期记忆BiLSTM网络包括前向长短期记忆LSTM网络和后向长短期记忆LSTM网络。