Открытый доступ
Платный доступ или доступ для подписчиков
Система раннего предупреждения о прорыве плотины на основе искусственного интеллекта с использованием гидрометеорологических данных
Аннотация
В работе предложена архитектура глубокого обучения CNN-BiLSTM для прогнозирования риска разрушения плотины, использующая только гидрометеорологические временные ряды. Предлагаемый подход объединяет одномерные свёрточные нейронные сети (CNN), выделяющие локальные временные признаки, и двунаправленные сети долгой краткосрочной памяти (BiLSTM), моделирующие двунаправленные зависимости в последовательных данных. Модель оценивалась на реальном гидрометеорологическом наборе данных, содержащем 29 304 наблюдения с выраженным дисбалансом классов (на долю событий, связанных с риском прорыва, приходится около 10 % выборки). Качество модели оценивалось с помощью метрик, подходящих для несбалансированной классификации: точности (precision), полноты (recall), F1-меры, площади под ROC-кривой (ROC AUC) и площади под precision-recall кривой (PR AUC). Представленная CNN-BiLSTM-архитектура может служить основой для создания систем оперативного мониторинга и раннего предупреждения о риске прорыва плотин.
Ключевые слова
Литература
Guidelines for dam safety risk analysis / American Society of Civil Engineers. — Reston: ASCE, 2015.
Beven K. J. Rainfall-runoff modelling: the primer. — 2nd ed. — Chichester: Wiley-Blackwell, 2012. — 457 p.
Chen X., Chau K. W. A hybrid double feedforward neural network for dam displacement prediction // Engineering Applications of Artificial Intelligence. — 2019. — Vol. 83. — P. 184 – 195; doi:10.1016/j.engappai.2019.05.005
Alegre A., Oliveira S., Proença J., et al. A finite element formulation for true coupled modal analysis and nonlinear seismic modeling of dam — reservoir — foundation systems: application to an arch dam and validation // Infrastructures. — 2025. — Vol. 10, iss. 8. — Article 193; doi: 10.3390/infrastructures 10080193
Silva-Cancino N., Irazábal J., Salazar F., Mata J. Adaptive warning thresholds for dam safety: a KDE-based approach // Infrastructures. — 2025. — Vol. 10, iss. 7. — Article 158; doi: 10.3390/infrastructures10070158
Kratzert F., Klotz D., Brenner C., et al. Rainfall-runoff modelling using Long Short-Term Memory (LSTM) networks // Hydrology and Earth System Sciences. — 2018. — Vol. 22, iss. 11. — P. 6005 – 6022; doi: 10.5194/hess-22-6005-2018
Song J., Jin Z., Liu Y., et al. A monitoring data-driven approach for dam risk rate assessment consider uncertain combinations of loads // Engineering Failure Analysis. — 2025. — Vol. 181. — Article 109936. doi: 10.1016/j.engfailanal.2025. 109936
Mosavi A., Ozturk P., Chau K. W. Flood prediction using machine learning models: literature review // Water. — 2018. — Vol. 10, iss. 11. — Article 1536; doi: 10.3390/w10111536
Shen C. A transdisciplinary review of deep learning research in hydrology // Water Resources Research. — 2018. — Vol. 54. — P. 8558 – 8593; doi: 10.1029/2018WR022643
Little R. J. A., Rubin D. B. Statistical analysis with missing data. — 3rd ed. — Hoboken: Wiley, 2019. — 462 p.
Pedregosa F., Varoquaux G., Gramfort A., et al. Scikit-learn: machine learning in Python // Journal of Machine Learning Research. — 2012. — Vol. 12. — P. 2825 – 2830. — URL: https: // www.jmlr.org/papers/v12/pedregosa11a.html (accessed: 03.12.2025).
Hyndman R. J., Athanasopoulos G. Forecasting: principles and practice. — 3rd ed. — Melbourne: OTexts, 2021. — 442 p. — URL: https: // otexts.com / fpp3 (accessed: 03.12.2025).
LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition // Proceedings of the IEEE. — 1998. — Vol. 86, iss. 11. — P. 2278 – 2324. — URL: https: // hal.science/hal-03926082/document (accessed: 03.12.2025).
Kiranyaz S., Avci O., Abdeljaber O., et al. 1D convolutional neural networks and applications: a survey // Mechanical Systems and Signal Processing. — 2021. — Vol. 151. — Article 107398; doi: 10.1016/j.ymssp. 2020.107398
LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. — 2015. — Vol. 521, iss. 7553. — P. 436 – 444; doi: 10.1038/nature14539
Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. — 1997. — Vol. 9, iss. 8. — P. 1735 – 1780; doi: 10.1162/neco.1997.9.8.1735
Graves A., Schmidhuber J. Framewise phoneme classification with bidirectional LSTM and other neural network architecture // Neural Networks. — 2005. — Vol. 18, iss. 5 – 6. — P. 602 – 610; doi: 10.1016/j.neunet.2005.06.042
Focal loss for dense object detection / T.-Y. Lin, P. Goyal R. Girshick, et al. // 2017 IEEE International Conference on Computer Vision (ICCV). — 2017. — P. 2999 – 3007; doi: 10.1109/ ICCV. 2017.324
Kingma D. P., Ba J. Adam: a method for stochastic optimization // 3rd International Conference on Learning Representations (ICLR), San Diego, 2015. — URL: https: // arxiv.org/abs/ 1412.6980 (accessed: 03.12.2025).
Srivastava N., Hinton G., Krizhevsky A., et al. Dropout: a simple way to prevent neural networks from overfitting // Journal of Machine Learning Research. — 2014. — Vol. 15. — P. 1929 – 1958. — URL: https: // www.jmlr.org/papers/v15/srivastava14a.html (accessed: 03.12.2025).
Goodfellow I., Bengio Y., Courville A. Deep learning. — Cambridge: MIT Press, 2016. — 800 p.
DOI: http://dx.doi.org/10.71917/EP.2026.07.30.15.001
Ссылки
- На текущий момент ссылки отсутствуют.
© 1998 — 2025 НТФ «Энергопрогресс»
Контакты:
Адрес: (почтовый): 129090, г. Москва, ул. Щепкина, д. 8, этаж 1, пом. III, ком.1-6, АО НТФ «Энергопрогресс»
Тел.: + 7 495 911-26-96
E-mail: gts1930@yandex.ru
Наши партнеры:
