CN119443986A 一种基于增量学习的大坝进度仿真参数动态更新方法 （中国电建集团北京勘测设计研究院有限公司）

一种基于增量学习的大坝进度仿真参数动本发明公开了一种基于增量学习的大坝进混合分布对插值填补后的时序数据列进行仿真堆石坝施工仿真模型随着施工仿真参数的动态变化而变化，输出产生符合现场实际的动态变2S2、采用孤立森林算法进行施工感知数据流的异常S3、采用三次样条插值法对步骤S2得到的施工感知数据流中的空缺值进行插值填补，si()=a(q-p)3+b:(q-p)2+c:(q-)+d,其中，ai,bi,ci,di是多顶式的系数；连续性条件：函数值连续:si(p)=wi和一阶导数连续:si(on)=二阶导数连续:si(pxn)=s⃞(1):根据上述连续性条件和边界条件，建立一个线性方程组来解出ii；3_c)构建样条函数:使用步骤3_b)求得的系数构造每个区间的三次样条函数si(p),从U,E2)(2)z为第z个多元高斯成分的均值向3S5、使用在线核密度估计方法对经过步骤S4高斯2.根据权利要求1所述的大坝进度仿真参数动态更新方法，其特征在于，所述步骤S1使用机载监控终端通过差分基站获取所用施工机械的定位差分信息与观测定位卫星2_a)构建孤立树：对于包括各类施工机械的速度5_a)在经过步骤S4的高斯混合分布建模后，针5_b)针对于步骤5_a)自动调整后的参数，对与新输入的经过步骤S3处理后的施工感知数据流数据相关的高斯混合分布部分进行动5_c)针对新输入的经过步骤S3处理后的施工感知数据流数据与之前已输入的施工感4工仿真模型输出的仿真结果依托于现场的实际情况，使用施工期间产生的施工感知数据5仿真参数分布更新是指对大坝施工建设过程中所感知关键数据指标的整合、处理和分析。根据监控数据拟合成某种分布并在仿真中随机抽样，难以动态及时地反映仿真参数的变且实时的感知数据流也对堆石坝施工仿真模型的动态更新提输施工仿真模型中的行车速度。宋文帅等[10]考虑气象因素的影响建立了拱坝施工仿真参6法存在需要依据经验设置超参数、计算效率低导致难以满足仿真计算实时性需求等问题。现有的堆石坝施工仿真研究多是基于堆石坝施工仿真全过程运行的结果进行分析和处理，[0009][1]钟登华,时梦楠,崔博,等.大坝智能建设研究进展[J].水利学报,2019,50[0012][4]HUW,ZHONGD,WUB,etal.Constructionphaseorienteddynamicsimulation:takingRCCdamplacementprocessasanexample[J].Journalengineeringandmanagement,2019,25(7):654_672.[0013][5]余佳.考虑风险影响的复杂长距离引水隧洞施工仿真与优化研究[0017][9]LVF,WANGJ,CUIB,etal.Animprovedextremegradientboostingapproachtovehiclespeedpredictionforcon[J].Automationinconstruction,2020,119:103[0019]针对上述堆石坝施工感知数据中存在的质量问题和堆石坝施工仿真参数分布更7[0024]3_a)区间划分：给定一组数据点将x轴上相邻的数据点之间的部分视为一个区间，从而将整个范围划分为a个区间其中，i＝0,si(oxn)=sixr(r1):二阶导数连续:si(pxn)=s⃞(1):i；[0030]3_c)构建样条函数:使用步骤3_b)求得的系数构造每个区间的三次样条函数si(),从而得到整个定义域上的样条插值函数；[0032]S4、使用高斯混合分布对空缺值插值填补后的时序数据列进行仿真参数分布建;8经过步骤S3插值填补处理后的施工感知数据流数据进行学习，并更新出新的高斯混合分基站获取所用施工机械的定位差分信息与观测定位卫星获取的卫星定位信息得到所述施仅针对与新输入的经过步骤S3处理后的施工感知数据流数据相关的高斯混合分布部分进[0053]5_c)针对新输入的经过步骤S3处理后的施工感知数据流数据与之前已输入的施[0054]进一步地，将步骤S5输出的动态更新的仿真参数输入到9[0058](2)本发明方法中涉及到了堆石坝施工仿真参数分布建模及动态更新增量学习方[0060]图2是本发明方法中堆石坝施工仿真参数分布建模及动态更新增量学习方法[0062]本发明提出的一种基于增量学习的大坝进度仿真参数动态更新方法的设计构思真感知数据异常检测及处理部分研究框架如图1所示。首先使用原生集成式无人碾机多模参数分布建模及动态更新方法研究框架如图2所示。针对经过异常值检测与处理的碾压速碾压速度和自卸汽车的坝料运输速度)数据流；其次先使用孤立森林(IsolationForest)法GMM的基础上引入了增量学习的概念，采用在线核密度估计法(OnlineKernelDensity[0070]使用机载监控终端通过差分基站获取所用施工机械的定位差分信息与观测定位[0071]当前堆石坝施工动态仿真模型的输入仿真参数主要包括仓面碾压仿真参数和坝面几步：[0080]采用三次样条插值法对步骤S2得到的施工感知数据流中[0082]3_a)区间划分：给定一组数据点将x轴上相邻的数据点之间的部分视为一个区间，从而将整个范围划分为a个区间其中，i＝0,[0085]边界条件的确定：选择合适的边界条件，本发明中，选用自然边界条件，即：si(n)-0和当然，也可以选用其他特定的边界条件。[0087]3_c)构建样条函数：使用步骤3_b)求得的系数构造每个区间的三次样条函数si(p),从而得到整个定义域上的样条插值函数。[0089]步骤四、使用本发明OKDE_GMM中高斯混合模型(GMM)模块对空缺值插值填补后的[0090]GMM是一种典型的应用于对样本数据进行聚类或者密度估计的概率模型。一个高参数独立地高斯分布则可估计更为复杂的概率密度函数，拟合更加真实情况下的数据样;[0096]pw(x)=-1az要利用最优化算法或手动多次实验选取最优值或较优值。μz为第z个多元高斯成分的均值z为z个多元高斯成分的协方差矩阵；αz为第z个多元[0098]对于上面所提及高斯混合模型的参数，通常是通过最大其中一个常用的工具就是期望最大(ExpectationMaximization,EM)算法。EM算法是一个然后再将估计的参数分布在最大似然条件下获对全局最优解的追求，因此，在本发明中引入了在线核密度估计法(OnlineKernelDensityEstimationOKDE)来进行仿真参[0102]核密度估计(KernelDensityEstimation,简称KDE)是一种用于估计概率密度函数的非参数统计方法。其基本思想是通过在每个仅针对与新输入的经过步骤S3处理后的施工感知数据流数据相关的高斯混合分布部分进