(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111489499.3 (22)申请日 2021.12.08 (71)申请人 中国华能集团有限公司江西分公司 地址 330038 江西省南昌市红谷滩新区庐 山南大道369 号铜锣湾广场写字楼38- 39层 (72)发明人 王鑫　周奕　许英坚　田禾　 卢怀钿　温志华　钟勇　赵振锐　 彭岳星　张迎冰　 (74)专利代理 机构 北京睿博行远知识产权代理 有限公司 1 1297 代理人 李晓波 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种坝体安全监测方法和系统 (57)摘要 本发明公开了一种坝体安全监测方法和系 统， 基于知识驱动与数据驱动融合的深度学习方 式， 建立坝体材料强度参数到坝体安全监测指标 集的双向映射模 型， 实现安全监测指标数据的预 测以及坝体材料强度参数的校准与预测， 从而可 依据坝体安全监测指标集和材料强度参数进行 坝体安全风险量化预警， 进而可更加准确的对坝 体进行安全监测， 提高了坝体的安全性。 权利要求书2页 说明书8页 附图3页 CN 114417650 A 2022.04.29 CN 114417650 A 1.一种坝体安全监测方法， 其特 征在于， 所述方法包括： 根据坝体的结构设计模型和材料强度参数的历史数据， 建立基于有限元模型或有限差 分模型的初步本构模型， 并以坝体安全监测指标集的关联指标的历史数据作为外界激励， 以安全监测指标集的历史数据作为响应对所述初步本构模型进行修正后生成目标本构模 型； 向所述目标本构模型随机加载输入激励并记录所述目标本构模型的输出响应， 根据 所 述输入激励和所述输出响应建立模拟数据集， 并根据所述目标本构模型和所述模拟数据集 构建并训练出对安全监测指标集预测的目标深度学习模型； 基于所述目标深度学习 模型构建多层感知器模型， 并基于所述目标深度 学习模型和材 料强度参数的历史数据训练所述多层感知器模 型， 以生成从安全监测指标集到材料强度参 数的目标逆映射模型； 基于监测到的材料强度参数的实际数据和安全监测指标集的实际数据对所述目标逆 映射模型进行校准并预测出材料强度参数的最新数据， 并基于材料强度参数的最新数据更 新所述目标本构模型后获取新的目标本构模型； 将监测到的所述关联指标的实际数据输入所述目标深度 学习模型， 并根据所述目标深 度学习模型输出的与安全监测指标集对应的第一数值确定坝体安全监测指标集的风险度； 将所述第一数值输入与所述新的目标本构模型对应的新的目标逆映射模型， 并根据 所 述新的目标逆映射模型输出的与材料强度参数对应的第二数值确定坝体材料强度参数的 风险度； 其中， 所述多层感知器模型的输入层与输出层的参数和所述目标深度 学习模型的输入 层与输出层的参数相同。 2.如权利要求1所述的方法， 其特征在于， 根据所述目标本构模型和所述模拟数据集构 建并训练出进行安全监测指标集预测的目标深度学习模型， 具体为： 根据所述目标本构模型确定深度学习的输入层与输出层的节点数及属性、 网络类型和 隐藏层参数， 以构建出深度学习模型； 基于所述模拟数据集训练所述深度 学习模型， 并根据训练结果生成所述目标深度 学习 模型。 3.如权利要求2所述的方法， 其特征在于， 在根据训练结果生成所述目标深度 学习模型 之后， 所述方法还 包括： 基于与所述模拟数据集对应的实际监测数据对所述深度学习模型进行精细调整。 4.如权利要求1所述的方法， 其特征在于， 基于所述目标深度学习 模型和材料强度参数 的历史数据训练所述多层感知器模型， 以生成从安全监测指标集到材料强度参数的目标逆 映射模型， 具体为： 将所述目标深度 学习模型的外界激励和材料强度参数的历史数据作为输入数据， 将所 述目标深度学习模型的预测值作为样本标注值训练所述多层感知器模型， 以生成多层感知 器逆映射模型； 基于所述多层感知器逆映射模型生成所述目标逆映射模型。 5.如权利要求4所述的方法， 其特征在于， 基于所述多层感知器逆映射模型生成所述目 标逆映射模型， 具体为：权　利　要　求　书 1/2 页 2 CN 114417650 A 2基于LRP算法对所述多层感知器逆映射模型进行处 理； 根据处理结果生成所述目标逆映射模型。 6.一种坝体安全监测系统， 其特 征在于， 所述系统包括： 第一建模单元， 用于根据坝体的结构设计模型和材料强度参数的历史数据建立基于有 限元模型或有限差 分模型的初步本构模型， 并以坝体安全监测指标集的关联指标的历史数 据作为外界激励， 以安全监测指标集的历史数据作为响应对所述初步本构模型进 行修正后 生成目标本构模型； 第二建模单元， 用于向所述目标本构模型随机加载输入激励并记录所述目标本构模型 的输出响应， 根据所述输入激励和所述输出响应建立模拟数据集， 并根据所述目标本构模 型和所述模拟数据集构建并训练出对安全监测指标集预测的目标深度学习模型； 第三建模单元， 用于基于所述目标深度学习模型构建多层感知器模型， 并基于所述目 标深度学习模型和材料强度参数的历史数据训练所述多层感知器模型， 以生成从安全监测 指标集到材 料强度参数的目标逆映射模型； 更新单元， 用于基于监测到的材料强度参数的实际数据和安全监测指标集的实际数据 对所述目标逆映射模型进 行校准并预测出材料强度参数的最新数据， 并基于材料强度参数 的最新数据更新所述目标本构模型后获取新的目标本构模型； 第一确定单元， 用于将监测到的所述关联指标的实际数据输入所述目标深度学习模 型， 并根据所述目标深度学习模型输出的与安全监测指标集对应的第一数值确定坝体安全 监测指标集的风险度； 第二确定单元， 用于将所述第 一数值输入与所述新的目标本构模型对应的新的目标逆 映射模型， 并根据所述新的目标逆映射模型输出的与材料强度参数对应的第二数值确定坝 体材料强度参数的风险度； 其中， 所述多层感知器模型的输入层与输出层的参数和所述目标深度 学习模型的输入 层与输出层的参数相同。 7.如权利要求6所述的系统， 其特 征在于， 所述第二建模单 元， 具体用于： 根据所述目标本构模型确定深度学习的输入层与输出层的节点数及属性、 网络类型和 隐藏层参数， 以构建出深度学习模型； 基于所述模拟数据集训练所述深度 学习模型， 并根据训练结果生成所述目标深度 学习 模型。 8.如权利要求7 所述的系统， 其特 征在于， 所述第二建模单 元， 还用于： 基于与所述模拟数据集对应的实际监测数据对所述深度学习模型进行精细调整。 9.如权利要求6所述的系统， 其特 征在于， 所述第三建模单 元， 具体用于： 将所述目标深度 学习模型的外界激励和材料强度参数的历史数据作为输入数据， 将所 述目标深度学习模型的预测值作为样本标注值训练所述多层感知器模型， 以生成多层感知 器逆映射模型； 基于所述多层感知器逆映射模型生成所述目标逆映射模型。 10.如权利要求9所述的系统， 其特 征在于， 所述第三建模单 元， 还具体用于： 基于LRP算法对所述多层感知器逆映射模型进行处 理； 根据处理结果生成所述目标逆映射模型。权　利　要　求　书 2/2 页 3 CN 114417650 A 3