创刊于1987年, 双月刊
主管:

江西理工大学

主办:

江西理工大学
江西省有色金属学会

ISSN:1674-9669
CN:36-1311/TF
CODEN YJKYA9

基于Bi-LSTMSA融合模型的多台阶高陡边坡变形预测

曾森华, 赵宇, 叶腾飞, 贺平, 郝文拯

曾森华, 赵宇, 叶腾飞, 贺平, 郝文拯. 基于Bi-LSTMSA融合模型的多台阶高陡边坡变形预测[J]. 有色金属科学与工程, 2025, 16(1): 125-134. DOI: 10.13264/j.cnki.ysjskx.2025.01.014
引用本文: 曾森华, 赵宇, 叶腾飞, 贺平, 郝文拯. 基于Bi-LSTMSA融合模型的多台阶高陡边坡变形预测[J]. 有色金属科学与工程, 2025, 16(1): 125-134. DOI: 10.13264/j.cnki.ysjskx.2025.01.014
ZENG Senhua, ZHAO Yu, YE Tengfei, HE Ping, HAO Wenzheng. Deformation prediction of multi-step high and steep slope based on Bi-LSTM and SA fusion model[J]. Nonferrous Metals Science and Engineering, 2025, 16(1): 125-134. DOI: 10.13264/j.cnki.ysjskx.2025.01.014
Citation: ZENG Senhua, ZHAO Yu, YE Tengfei, HE Ping, HAO Wenzheng. Deformation prediction of multi-step high and steep slope based on Bi-LSTM and SA fusion model[J]. Nonferrous Metals Science and Engineering, 2025, 16(1): 125-134. DOI: 10.13264/j.cnki.ysjskx.2025.01.014

基于Bi-LSTMSA融合模型的多台阶高陡边坡变形预测

基金项目: 

江西省教育厅科研资助项目 GJJ210859

详细信息
    通讯作者:

    叶腾飞(2000— ),工程师,主要从事露天矿边坡监测方向的研究。E-mail: tengfeiye2024@163.com

Deformation prediction of multi-step high and steep slope based on Bi-LSTM and SA fusion model

  • 摘要:

    露天矿边坡变形易受岩石类型、岩体结构特征、水文地质、自然环境与采矿活动等因素影响,进而造成边坡变形监测数据具有高度的时序关联性、时变性、高维性及非线性等特点。针对传统边坡变形预测模型无法挖掘监测数据序列前后依赖性的问题,提出了一种双向长短期记忆网络(Bi-LSTM)与自注意力机制(SA)融合算法的多台阶高陡边坡变形预测模型,实现对多台阶高陡边坡变形的有效预测。结果表明:在相同的输入条件下,相较于BP神经网络、LSTM模型与Bi-LSTM模型预测结果,Bi-LSTM-SA融合模型对多台阶高边坡在3个监测方向的变形预测结果整体预测误差更小,Bi-LSTM-SA融合模型的预测结果与实测结果更为接近;Bi-LSTM-SA融合模型预测性能更强,而且还表现出了更好的稳定性与鲁棒性。

    Abstract:

    Factors such as rock type, structural characteristics of the rock body, hydrogeology, natural environment, and mining activities easily affect the deformation of open pit slopes, resulting in a high degree of temporal correlation, time-varying, high-dimensional, and non-linear characteristics of the slope deformation monitoring data. Aiming at the problem of traditional slope deformation prediction models being unable to exploit the back-and-forth dependence of monitoring data series, a multi-step high steep slope deformation prediction model with a fusion network of bi-directional long and short-term memory network (Bi-LSTM) and self-attention mechanism (SA) was proposed, which takes the advantages of Bi-LSTM network mining the pre and post dependence of monitoring data and SA network analyzing the correlation between monitoring data. The effective prediction of multi-step high and steep slope deformation was realized. The results show that, under the same input conditions, compared with the prediction results of the BP neural network, LSTM model and Bi-LSTM model, the overall prediction error of the Bi-LSTM-SA fusion model for the deformation prediction results of multi-step high slope in three monitoring directions is smaller. The prediction results of Bi-LSTM-SA fusion model are closer to the measured results. The Bi-LSTM-SA fusion model has better prediction performance, stability and robustness.

  • 输电线路是电网的重要物理载体,作为输电线路的直接支撑结构,输电铁塔的结构健康状态关系整个线路的安全。在役输电铁塔受运行环境复杂等多因素影响,其构件易发生腐蚀,导致其承载性能降低[1-2]。常规金属构件的力学承载性能主要由化学成分和加工工艺决定[3-5],在服役过程中,腐蚀是降低其承载力的主要因素。钢构件的腐蚀影响整个结构的受力安全性能,尤其是台风、龙卷风、覆冰等灾害的频发,往往会引起杆塔整体倒塌的现象[6-7]。另一方面,架空输电线路杆塔一旦出现腐蚀耐久性失效问题,不仅工程寿命大为缩短,而且其维修费用甚至会高于建设投资费用。据国网设备部统计分析,国网设备在运维检修阶段防腐处理成本高昂,2017—2019年,输变电设备直接防腐费用23.3亿元;2020年,输变电设备直接防腐费用7.4亿元[8-11]

    为有效评估腐蚀对长期服役的架空输电线路杆塔承载力特性造成的影响,需研究不同腐蚀程度对杆塔构件腐蚀后剩余厚度、屈服强度、抗拉强度、断后延伸率和承载力计算方法的影响规律,提出腐蚀后的杆塔承载力特性关键参数,便于后续架空输电线路杆塔健康状态评估[12-16]。在腐蚀对输电杆塔影响的研究方面,默增禄等[17]对输电塔腐蚀及其防治对策进行了研究;黄士君[18]结合实际工程,建立了不同腐蚀厚度的输电铁塔节点模型,并对其蚀余强度、蚀余刚度进行了计算分析;汪延寿[19]研究了输电铁塔的半弹-塑性单元失效模型和构件失稳后结构内力分配方法;杨风利等[20-21]研究了螺栓连接振动的自松弛机理、螺栓滑移对结构承载力的影响、螺栓脱落的诊断方法等;张春涛等[22-23]在腐蚀构件材料拉伸试验基础上,构建了计算角钢剩余承载力的材料退化模型,提出了构件分级和维护方法;李杰等[24]运用有限元分析方法对在役腐蚀钢结构输电塔结构性能进行分析,提出了在役腐蚀钢结构输电铁塔的安全评定方法。

    中国电力科学研究院对架空输电线路系统及其部件的机械失效机理、失效模式和影响因素等进行了深入调查分析,提出了基于劣化指数和层次分析的模糊综合安全评估方法以及基于概率极限状态以可靠性指标进行表达的安全性评估方法,为在役输电铁塔结构健康状态评估奠定了良好的实践基础。截至2019年底,针对砼杆和角钢塔发现健康问题杆塔共28 388基,其中存在开裂、拉线腐蚀电杆数量为17 142基,腐蚀铁塔数量为11 246基。通过对1 542条输电线路调研发现,共有330条线路存在铁塔腐蚀问题,其中黑龙江、湖北、辽宁、吉林、四川等地腐蚀线路较多,统计发现,腐蚀铁塔的数量为11 240基,占总数(145 425基)的7.7%;腐蚀铁塔线路中运行超过40年的线路为221条,占腐蚀线路总条数的67%;腐蚀较严重的杆塔线路为157条,占腐蚀线路总数的48%,其中腐蚀严重的线路中运行超过40年的线路为117条,占腐蚀线路总数的75%,可见,线路的运行年限对杆塔的腐蚀影响较大。本文从长期服役的杆塔中进行构件取样,采用不同试验方法,研究腐蚀对杆塔构件腐蚀后剩余厚度、屈服强度、抗拉强度、断后延伸率的影响,结合仿真分析的结果,提出腐蚀后杆塔承载力计算方法,为架空输电线路杆塔的健康状态评估提供基础数据支撑。

    通过对不同地区的线路铁塔进行了实地调查,线路类型为110 kV双回线路,运行时长为25~40年。不同线路腐蚀情况有所差异,其中塔脚处腐蚀最严重的斜材净厚度只有2.18 mm(材料的标称厚度为5 mm),腐蚀最严重的主材净厚度为6.41 mm(材料标称厚度为8 mm),腐蚀最严重的塔脚板为4.12 mm(标称厚度为8 mm)。有的线路由于期间经过线路改造,塔身材料几乎完好。根据不同运行年限对输电线路中的塔材进行取样,取样的塔材规格及线路情况见表1所列。取样的位置均为铁塔的斜材和辅助材。

    表  1  材料性能试验塔材取样信息
    Table  1.  Sampling information of tower materials for material property test
    材料规格腐蚀等级塔材位置
    L75 mm×8 mmA、B、C、D斜材、辅助材
    L63 mm×6 mmA、B、C、D斜材、辅助材
    L50 mm×5 mmA、B、C、D斜材、辅助材
    L40 mm×4 mmA、B、C、D斜材、辅助材
    L63 mm×5 mmB、D斜材、辅助材
    L50 mm×6 mmB、C斜材、辅助材
    L60 mm×5 mmB、C斜材、辅助材
    L60 mm×6 mmB、C斜材、辅助材
    L63 mm×7 mmB、C斜材、辅助材
    注:A类为几乎无腐蚀构件,B类为轻度腐蚀构件,C类为较严重腐蚀构件,D类为严重腐蚀构件。
    下载: 导出CSV 
    | 显示表格

    根据腐蚀程度将构件分为A、B、C、D 4个等级,A类为几乎无腐蚀构件,B类为轻度腐蚀构件,C类为较严重腐蚀构件,D类为严重腐蚀构件。每种腐蚀程度取4根试样进行试验,共有64根构件,取样试件的腐蚀情况如图1所示。

    图  1  规格为L75 mm×8 mm的试件表面腐蚀情况:(a)腐蚀程度A ;(b)腐蚀程度B; (c)腐蚀程度C;(d)腐蚀程度D
    Figure  1.  Corrosion on the surface of tested piece with specification L75 mm×8 mm: (a) corrosion degree A; (b) corrosion degree B; (c) corrosion degree C; (d) corrosion degree D注:A类为几乎无腐蚀构件,B类为轻度腐蚀构件,C类为较严重腐蚀构件,D类为严重腐蚀构件。

    拉伸试验:试验加荷装置采用CTM-8000万能试验机,试验两端通过夹头夹紧。试验过程按照《金属材料 拉伸试验 第1部分:室温试验方法》(GB/T 228.1—2021)进行试验。试验将得到整个拉伸过程的载荷拉伸曲线,并通过试验机读出材料的屈服载荷和极限载荷。加工的拉伸试样为A50的标准试样,在试件中部50 mm试件段安装一个位移计,通过位移计的读数,可以得到载荷变形图。为得到材料的屈服强度、抗拉强度和弹性模量,需要知道材料截面积,用载荷和截面积进行计算便可得到应力。试件宽度用游标卡尺测量。材料厚度方向有腐蚀层,导致材料不平,无法用游标卡尺测量,所以材料厚度为去除腐蚀层后,用20倍显微镜读数测量。

    在国网公司特高压杆塔试验基地部件实验室3 000 kN试验液压加载系统上进行轴压承载力试验:按每种规格每种腐蚀程度取3根试件进行试验,轴压构件的试样长度统一为1 500 mm。实验过程采用一次性加载。试验前预压构件,然后逐级(按25%、50%、70%、100%,以后按5%增加)增加荷载,直至达到构件弯曲破坏后的两级荷载。试验通过对角钢试件的压缩试验,研究4种规格角钢材料腐蚀程度对构件受压承载能力的影响,结果如图2所示。由试验结果可知,腐蚀角钢构件基本均发生弯曲破坏,主要为中间最小轴方向弯曲。

    图  2  轴压试验构件中间最小轴方向弯曲破坏
    Figure  2.  Bending failure of axial compression test member in the middle of the minimum axial direction

    腐蚀除改变构件几何特性外,还会造成钢材力学性能参数的改变,力学性能参数主要包括弹性模型、屈服强度、抗拉强度和断后伸长率。力学性能参数的改变与腐蚀率有关,因此,要选择合适的参数表征腐蚀率,目前的研究常用失重率来表征腐蚀率(ηs),腐蚀率表达式如式(1)所示[4]

    ηs=W0-WW0×100% (1)

    式(1)中:ηs为钢材的失重率;W0为腐蚀前的质量;W为腐蚀后的质量。

    衡量角钢腐蚀时,通常忽略肢宽方向的腐蚀,仅考虑肢厚方向的腐蚀,因此,腐蚀率又可以用角钢的厚度表达,考虑到镀锌角钢主要为局部腐蚀,本文中腐蚀率主要采用式(2)计算:

    ηs=1-tst0 (2)

    式(2)中:ts为腐蚀试件厚度最小处的净厚度;t0为该组无腐蚀试件的净厚度。

    图3所示为不同规格角钢构件的截面厚度腐蚀率统计分析,由图3可知,随着角钢规格厚度增加,其截面腐蚀率逐渐降低,因此可知,在同一腐蚀环境条件下,腐蚀对辅助材或薄规格的角钢破坏程度高于主材或厚规格角钢。

    图  3  不同厚度角钢腐蚀率统计分析
    Figure  3.  Statistical analysis of corrosion rate of angle steel with different thickness

    图4所示为规格为L75 mm×8 mm的试件腐蚀不同程度的微观形貌,由图4可知,随着腐蚀程度的加深,其腐蚀产物的颗粒逐渐细化,细化颗粒的周边均存在一定程度的团块,团块之间均存在不同程度的孔洞。腐蚀产物颗粒的细化,使得颗粒堆积更致密,孔洞数量明显减少,能在一定程度上阻止腐蚀介质的传输及扩散,减缓钢的腐蚀速率。

    图  4  规格为L75 mm×8 mm的试件腐蚀微观形貌:(a)腐蚀程度A ;(b)腐蚀程度B; (c)腐蚀程度C;(d)腐蚀程度D
    Figure  4.  Corrosion Micromorphology of Specimen with Specification L75 mm×8 mm:(a) corrosion degree A; (b) corrosion degree B; (c) corrosion degree C; (d) corrosion degree D

    通过对材料性能试样的伸长率数据进行统计分析,并对伸长率的变化进行数据拟合,得到试件的伸长率与截面损失率的关系如图5所示。

    图  5  断后延伸率损失率与截面损失率的关系
    Figure  5.  Relationship between elongation loss rate after fracture and section loss rate

    图5可知,铁塔腐蚀构件随着截面腐蚀率的增大,延伸率减小,截面的腐蚀率最大值为13.20%,一般而言,铁塔的塔脚腐蚀最为严重,塔腿主材与保护帽接触处不应有渗水现象,同时污染严重地区塔腿主材应采取防腐措施,结合实际调研的结果,只有年久未维护的铁塔,其腐蚀才会较为严重,一般而言,供电公司运维部门均会对出现腐蚀痕迹的铁塔进行防腐运维,因此,设定实际杆塔构件截面损失率的最大值为20%。假设伸长率(δt)与腐蚀率(ηs)两者之间为线性比例关系,用最小二乘法拟合如式(3)所示:

    δtδ0=1-0.886ηs0ηs20%) (3)

    式(3)中:δ0为未腐蚀构件断后伸长率的平均值,数值为40.08%。经拟合后的R2为7.22×10-27,拟合后的精度较高。

    根据腐蚀构件材性试验结果,腐蚀构件的屈服强度(fy)、剩余屈服强度(fynomt)与腐蚀率(ηs)的关系如图6所示,其中剩余屈服强度指锈蚀构件因截面积减少而导致屈服强度降低,考虑锈层影响测量的实际屈服强度。由图6可知,随着腐蚀率的增加,试件的屈服强度未见明显改变,钢材的剩余屈服强度随之降低。钢材的剩余屈服强度与腐蚀率拟合曲线为一次线性函数,且拟合程度较好,经拟合后的R2为4.34×10-24,钢材剩余屈服强度随着腐蚀率的增加而降低。拟合后的关系式如式(4)所示:

    图  6  铁塔腐蚀构件剩余屈服强度与腐蚀率拟合曲线
    Figure  6.  Fitting curve of residual yield strength and rust rate of corroded iron tower components
    fynomtfy=1-0.482ηs0ηs20%) (4)

    剩余屈服强度显然小于试件未腐蚀时的屈服强度,从宏观上看,剩余屈服强度下降的原因主要有2个,一是角钢锈损后有效截面积变小,从而使其所能抵抗的拉力减小;二是腐蚀角钢的表面凹凸不平,受力后应力集中效应使其所抗拉力进一步减小。

    根据腐蚀构件材性试验结果可知,腐蚀构件的抗拉强度与腐蚀率的关系如图7所示,随着腐蚀率的增加,构件的抗拉强度未见明显改变,构件的剩余抗拉强度随之降低,剩余抗拉强度与腐蚀率拟合曲线为一次函数,且拟合程度较好,拟合后的R2为2.47×10-24,拟合后的关系式如式(5)所示。

    图  7  腐蚀对抗拉强度和剩余抗拉强度影响
    Figure  7.  Effect of corrosion on tensile strength and residual tensile strength
    fpnomtfp=1-1.456ηs (5)

    定义腐蚀试件的弹性模量为Et,无腐蚀构件的极限强度为E。根据腐蚀构件材性试验结果,绘制腐蚀构件的弹性模量与腐蚀率的关系曲线如图8所示。从图8中可以看出,随着截面腐蚀率的增加,弹性模量有所波动,但变化并不明显,可以认为腐蚀构件的弹性模量相对于无腐蚀构件近似不变。

    图  8  弹性模量随腐蚀率的变化
    Figure  8.  Change of elastic modulus with corrosion rate

    腐蚀根据腐蚀范围可分为均匀腐蚀和局部腐蚀,均匀腐蚀的特征是腐蚀分布均匀且腐蚀深度一致,局部腐蚀的特征是腐蚀分布不均匀且腐蚀深度也不一致。为了研究构件腐蚀对其承载性能的影响,选取在役线路的腐蚀构件开展了轴压承载力试验,并结合有限元开展了仿真分析[5]。通过对4种规格角钢的4种不同腐蚀程度的轴压试验,得到轴压试件的荷载与弯曲变形的关系如图9所示。图9中,A、B、C、D代表不同腐蚀程度的构件,其中标号1、2、3、4指平行试样的编号。

    图  9  腐蚀不同程度的L75 mm×8 mm构件轴压承载力变化:(a)腐蚀程度A;(b)腐蚀程度B;(c)腐蚀程度C;(d)腐蚀程度D
    Figure  9.  Changes in axial compressive bearing capacity of L75 mm×8 mm components with different corrosion degrees of: (a) corrosion degree A; (b) corrosion degree B; (c) corrosion degree C; (d) corrosion degree D

    利用通用有限元ANSYS程序,建立有限元模型,研究腐蚀对角钢构件承载性能的影响。

    1)均匀腐蚀。均匀腐蚀时认为角钢整体腐蚀厚度一致,考虑5种计划腐蚀率(0、10%、20%、30%、40%),分析角钢的规格为L125 mm×10 mm,长细比为60,两端铰支,轴心受压,对不同腐蚀率的角钢构件开展非线性屈曲分析,得到不同腐蚀率时角钢构件的荷载挠度曲线如图10所示。

    图  10  不同腐蚀率角钢构件荷载挠度曲线
    Figure  10.  Load deflection curve of angle steel between corrosion members with different corrosion rates and bearing capacity

    根据ANSYS有限元软件分析得到的均匀腐蚀构件极限承载力与截面损失率的关系曲线如图11所示。可见,随着截面损失率的增大,角钢构件的极限承载力逐渐降低。

    图  11  腐蚀率与承载力关系曲线
    Figure  11.  Relationship curve between corrosion rate and bearing capacity

    2)局部腐蚀。局部腐蚀位置如图12所示,各局部腐蚀试件腐蚀面积一致,腐蚀宽度与肢宽同宽,腐蚀厚度为角钢厚度的一半,腐蚀长度均为1/9Lz,并将此面积定义为Az,共有5种腐蚀位置,分别对应为P1、P2、P3、P4和P5,黑色部分代表腐蚀位置。分析得到局部腐蚀角钢的极限承载力与不同腐蚀位置的关系如图12所示。

    图  12  腐蚀位置对角钢构件承载力影响:(a)不同局部腐蚀位置示意;(b)角钢腐蚀位置示意
    Figure  12.  Effect of corrosion location on bearing capacity of diagonal steel members:(a) schematic diagram of different local corrosion locations; (b) schematic diagram of angle steel corrosion locations

    当局部腐蚀位置由连接肢端部(P1)逐渐靠近跨中(P5)时,角钢构件极限承载力逐渐降低。这是由于在轴压过程中,角钢的变形会存在二次弯矩效应,二次弯矩效应在跨中形成的偏心弯矩最大,而在加载端形成的偏心弯矩最小,因此局部腐蚀角钢构件极限承载力随腐蚀位置由端部靠近跨中而逐渐降低。

    综上所述,腐蚀位置、腐蚀面积、截面损失率以及构件的破坏形态均对腐蚀角钢单边连接受压构件极限承载力有影响。根据研究结果,统计各截面损失率(0、10%、20%、30%、40%、50%)情况下构件极限承载力,并结合试验数据和有限元分析结果进行数据拟合,结果如图13所示,拟合后的R2=0.002 7,可得到腐蚀角钢构件承载力降低与腐蚀率之间的拟合关系如式(6)所示:

    NN0=1-1.69ηs (6)
    图  13  承载力与腐蚀率关系模拟曲线
    Figure  13.  Simulation curve of relationship between bearing capacity and corrosion rate

    根据图13中的统计分析结果可知,当截面损失率低于7.1%时,构件承载力变化不明显,而超过此值,构件承载力几乎呈线性下降趋势。结合《架空输电线路杆塔结构设计技术规定》(DL/T 5154-2012)规定和腐蚀构件受压承载力与腐蚀率的拟合公式,可推导出腐蚀角钢构件的实际承载力:

    N0=mNfϕA (7)

    式(7)中: ϕ为轴心受压构件稳定系数。

    2)依据铁塔所在地区、运行年限等信息计算角钢构件的剩余厚度或通过运检现场测量获得角钢的剩余厚度,计算出角钢构件的腐蚀率ηs。根据式(6),由ηsN0可得到腐蚀角钢构件的轴压承载力,如式(8)所示。

    N=1-1.69ηsN0 (8)

    1)基于腐蚀构件的力学试验,提出了腐蚀对屈服强度、抗拉强度、断后延伸率和弹性模量的影响规律,分别为:δtδ0=1-0.886ηs(0ηs20%),fynomtfy=1-0.482ηs(0ηs20%),fpnomtfp=1-1.456ηs,弹性模量基本不受腐蚀的影响。

    2)基于仿真分析结果,提出了腐蚀率和腐蚀位置对角钢构件承载力的影响规律,腐蚀率越大,构件承载力越低,中间位置的腐蚀对构件的影响大于边部位置。

    3)基于腐蚀构件的承载力试验,结合仿真分析,提出了腐蚀构件承载力计算方法:N=1-1.69ηsN0

    王庆龙
  • 图  1   Bi-LSTM算法流程

    Fig  1.   Flowchart of Bi-LSTM algorithm

    图  2   自注意力机制算法流程

    Fig  2.   Flow chart of self-attention mechanism algorithm

    图  5   监测点位移监测数据: (a)各方向监测数据;(b)监测总位移量数据

    Fig  5.   Displacement monitoring data of monitoring points: (a) monitoring data in all directions; (b) monitoring of total displacement data

    图  6   监测期间月降雨量统计

    Fig  6.   Monthly rainfall statistics during the monitoring period

    图  7   x轴方向不同模型预测结果:(a) BP神经网络;(b) LSTM模型;(c) Bi-LSTM模型;(d) Bi-LSTM-SA融合模型

    Fig  7.   Prediction results of different models in x-axis direction: (a) BP neural network; (b) LSTM model ; (c) Bi-LSTM model; (d) Bi-LSTM-SA fusion model

    图  8   y轴方向不同模型预测误差:(a) BP神经网络;(b) LSTM模型;(c) Bi-LSTM模型;(d) Bi-LSTM-SA融合模型

    Fig  8.   Prediction errors of models with different y-axis directions:(a) BP neural network;(b) LSTM model;(c) Bi-LSTM model;(d) Bi-LSTM-SA model

    图  9   z轴方向不同模型预测误差:(a) BP神经网络;(b) LSTM模型;(c) Bi-LSTM模型;(d) Bi-LSTM-SA融合模型

    Fig  9.   Prediction errors of models with different z-axis directions:(a) BP neural network ;(b) LSTM model;(c) Bi-LSTM model;(d) Bi-LSTM-SA model

    表  1   不同模型在x轴方向变形预测性能评价

    Table  1   Evaluation of deformation prediction performance of different models in x-axis direction

    参数BP神经网络LSTM模型Bi-LSTM模型Bi-LSTM-SA融合模型
    RMSE0.377 70.297 50.250 00.148 4
    MAE0.300 50.242 80.206 40.120 5
    R20.836 80.895 00.912 90.959 4
    下载: 导出CSV

    表  2   不同模型在y轴方向变形预测性能评价

    Table  2   Evaluation of deformation prediction performance of different models in y-axis direction

    参数BP神经网络LSTM模型Bi-LSTM模型Bi-LSTM-SA融合模型
    RMSE0.420 10.291 50.263 10.167 5
    MAE0.327 80.235 20.214 10.137 8
    R20.810 40.908 70.915 70.959 9
    下载: 导出CSV

    表  3   不同模型在z轴方向变形预测性能评价

    Table  3   Evaluation of deformation prediction performance of different models in z-axis direction

    参数BP神经网络LSTM模型Bi-LSTM模型Bi-LSTM-SA融合模型
    RMSE0.391 20.325 70.254 20.168 2
    MAE0.317 90.261 40.202 70.135 4
    R20.835 60.886 00.916 40.946 9
    下载: 导出CSV
  • [1] 刘泉.极端条件下高陡边坡多台阶安全性分析[J].矿业研究与开发,2015,35(9):73-76.
    [2] 张志辉,康景宇,庞鑫,等. 露天矿高陡边坡岩体参数获取与稳定性评价方法研究[J]. 科学技术与工程,2024,24 (12):4916-4924.
    [3] 王丽丽,虞列沛.顾及指标权重变化的露天矿边坡稳定性评价系统的设计与实现[J].有色金属科学与工程,2022,13(5):101-107.
    [4] 颜红迪,费汉强,李佳盛.降雨对露天矿山高陡边坡稳定性的弱化效应研究[J].采矿技术,2023,23(4):120-125.
    [5] 巫辅宇,饶运章,石亮,等.强降雨条件下离子型稀土矿山边坡稳定性分析[J].有色金属科学与工程,2022,13(5):148-154.
    [6] 王嘉,王敬翔,张慧,等.南芬露天铁矿排土场高陡边坡稳定性分析及监测设计[J].金属矿山,2022(12):226-232.
    [7] 李海鸿,郭延辉,付小兵,等.某高陡危险边坡变形的BP神经网络预测[J].中国水运(下半月),2021,21(3):28-29.
    [8] 李维娜. 三峡库区动水压力型堆积层滑坡动态变形响应及渗透性研究[D]. 武汉:中国地质大学, 2023.
    [9] 门妮.汶川地震背后山滑坡稳定性与动力响应分析[D].哈尔滨:中国地震局工程力学研究所,2015.
    [10] 孙世国,董彦飞,郭佩,等.高陡边坡三维实体变形预测的研究[J].工业安全与环保,2016,42(1):53-55,60.
    [11] 汪超,付晓东,万道春,等. 高陡边坡多源数据融合模型构建方法及稳定性分析[J]. 矿业研究与开发,2024,44 (3):57-64.
    [12] 吴永博,高谦,王明.矿山边坡变形动态综合监测技术及稳定性预测[J].金属矿山,2008(6):119-122.
    [13] 吴永博,高谦,王龚明.露天转地下开采高边坡变形监测与稳定性预测[J].矿业研究与开发,2009,29(1):52-54,74.
    [14] 刘光伟,郭直清,刘威.基于GJO-MLP的露天矿边坡变形预测模型[J].工矿自动化,2023,49(9):155-166.
    [15] 魏恋欢,封秋月,毛亚纯,等. 基于多轨道SBAS方法的露天矿高陡边坡形变监测[J]. 东北大学学报(自然科学版),2020,41 (10):1445-1451.
    [16] 谢琳,刘文连,王修峰,等.基于分级分析法评价结构面对岩质高边坡稳定性的影响[J].有色金属科学与工程,2019,10(1):77-86.
    [17] 陈兰兰,杨雨云,肖海平,等.基于GA-BP神经网络的露天矿边坡变形预测分析[J].有色金属科学与工程,2022,13(6):106-112.
    [18] 肖海平,杨旺生,肖岚,等.基于组合预测模型的露天矿高陡边坡滑坡变形研究[J].金属矿山,2014(4):169-171.
    [19] 夏艺峰,贾泽庆,周春梅.强降雨作用下风化混合花岗岩边坡稳定性分析[J].科技和产业,2024,24(1):267-272.
    [20] 张国胜,董鑫,陈彦亭,等.深凹露天矿顺层边坡稳定性及灾变防控技术研究[J].金属矿山,2023(11):253-260.
    [21] 张耀,刘艳君,刘磊. 基于Inception模块的CNN-BiLSTM房颤检测与心拍分类算法[J]. 中国生物医学工程学报,2024,43 (4):447-454.
    [22] 朱国庆,刘显成,田从祥. 基于长短期记忆网络的公共建筑短期能耗预测模型[J]. 吉林大学学报(工学版),2024,54 (7):2009-2014.
    [23] 杨蓦,王静.基于时空注意力机制的双向长短期记忆神经网络的股指预测研究[J].运筹与管理,2023,32(8):174-180.
    [24]

    THOMAS R,JEBA J R.A novel framework for an intelligent deep learning based product recommendation system using sentiment analysis (SA)[J].Automatika,2024,65(2):410-424.

  • 期刊类型引用(1)

    1. 张鹏,叶健诚,韩霖,黄体斌,李想. 基于国际标准的输电线路铁塔生产企业温室气体排放量化及减排对策研究. 中国资源综合利用. 2025(01): 253-258 . 百度学术

    其他类型引用(0)

图(11)  /  表(3)
计量
  • 文章访问数:  7
  • HTML全文浏览量:  0
  • PDF下载量:  2
  • 被引次数: 1
出版历程
  • 收稿日期:  2024-06-16
  • 修回日期:  2024-09-01
  • 刊出日期:  2025-02-27

目录

/

返回文章
返回
x 关闭 永久关闭

敬  告

为进一步规范期刊查阅、引用、统计等,现对我部编辑出版的《有色金属科学与工程》英文刊名全称和英文刊名缩写公告如下:

英文刊名全称为:Nonferrous Metals Science and Engineering

英文刊名缩写为:Nonferr.Met.Sci.Eng.