Page 83 - 水利学报2021年第52卷第1期

［ 8 ］ SHAO C F，GU C S，YANG M，et al . A novel model of dam displacement based on panel data［J］. Structural
Control and Health Monitoring，2018 . doi：10.1002/stc.2037.
［ 9 ］ SU H Z，LI X，YANG B B，et al . Wavelet support vector machine-based prediction model of dam deformation
［J］. Mechanical Systems and Signal Processing，2018，110：412-427 .
［ 10］ LI M C，SHEN Y，REN Q B，et al . A new distributed time series evolution prediction model for dam deformation
based on constituent elements［J］. Advanced Engineering Informatics，2019，39：41-52 .
［ 11］ KANG F，LI J J，DAI J H . Prediction of long-term temperature effect in structural health monitoring of concrete
dams using support vector machines with Jaya optimizer and salp swarm algorithms［J］. Advances in Engineering
Software，2019，131：60-76 .
［ 12］ WANG S W，XU Y L，GU C S，et al . Hysteretic effect considered monitoring model for interpreting abnormal de⁃
formation behavior of arch dams：A case study［J］ . Structural Control and Health Monitoring，2019 . doi：
10.1002/stc.2417.
［ 13］ WEI B，CHEN L，LI H，et al . Optimized prediction model for concrete dam displacement based on signal residu⁃
al amendment［J］. Applied Mathematical Modelling，2020，78：20-36 .
［ 14］ 李明超，任秋兵，沈扬 . 贝叶斯框架下的大坝变形交互式时变预测模型及其验证［J］. 水利学报，2018，49
（11）：1328-1338 .
［ 15］ 李明超，任秋兵，孔锐，等 . 多维复杂关联因素下的大坝变形动态建模与预测分析［J］. 水利学报，2019，
50（6）：687-698 .
［ 16］ 钟登华，王飞，吴斌平，等 . 从数字大坝到智慧大坝［J］. 水力发电学报，2015，34（10）：1-13 .
［ 17］ 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（1）：38-52，61 .
［ 18］ 李庆斌，林鹏 . 论智能大坝［J］. 水力发电学报，2014，33（1）：139-146 .
［ 19］ 李庆斌，石杰 . 大坝建设 4.0［J］. 水力发电学报，2015，34（8）：1-6 .
［ 20］ 任秋兵，李明超，杜胜利，等 . 筑坝堆石料抗剪强度间接测定模型与实用计算公式研究［J］. 水利学报，
2019，50（10）：1200-1213 .
［ 21］ HINTON G E，SALAKHUTDINOV R R . Reducing the dimensionality of data with neural networks［J］. Science，
2006，313（5786）：504-507 .
［ 22］ LECUN Y，BENGIO Y，HINTON G . Deep learning［J］. Nature，2015，521（7553）：436-444 .
［ 23］ HOCHREITER S，SCHMIDHUBER J . Long short-term memory［J］ . Neural Computation，1997，9（8）：

1735-1780 .
［ 24］ 杨背背，殷坤龙，杜娟 . 基于时间序列与长短时记忆网络的滑坡位移动态预测模型［J］. 岩石力学与工程学
报，2018，37（10）：131-140 .
［ 25］ ZHANG J F，ZHU Y，ZHANG X P，et al . Developing a Long Short-Term Memory（LSTM）based model for pre⁃
dicting water table depth in agricultural areas［J］. Journal of Hydrology，2018，561：918-929 .
［ 26］ RIBEIRO L S，WILHELM V E，FARIA É F，et al . A comparative analysis of long-term concrete deformation
models of a buttress dam［J］. Engineering Structures，2019，193：301-307 .
［ 27］ ZHANG J，CAO X Y，XIE J M，et al . An improved long short-term memory model for dam displacement predic⁃
tion［J］. Mathematical Problems in Engineering，2019 . doi：10.1155/2019/6792189.
［ 28］ QU X D，YANG J，CHANG M . A deep learning model for concrete dam deformation prediction based on
RS-LSTM［J］. Journal of Sensors，2019 . doi：10.1155/2019/4581672.
［ 29］ 胡安玉，包腾飞，杨晨蕾，等 . 基于 LSTM-Arima 的大坝变形组合预测模型及其应用［J］. 长江科学院院报，
2020，37（10）：64-68，75 .
［ 30］ 陈闽韬 . 浅析大数据特征［J］. 电脑知识与技术，2017，13（36）：237-239 .
［ 31］ GÉRON A . Hands-on machine learning with Scikit-Learn and TensorFlow：Concepts，tools，and techniques to
build intelligent systems［M］. Cambridge，Massachusetts：O’Reilly Media，Inc .，2017 .
［ 32］ MA X L，TAO Z M，WANG Y S，et al . Long short-term memory neural network for traffic speed prediction using
remote microwave sensor data［J］. Transportation Research Part C：Emerging Technologies，2015，54：187-197 .
［ 33］ 许宁，徐昌荣 . 改进型 LSTM 变形预测模型研究［J］. 江西理工大学学报，2018，39（5）：48-54 .
［ 34］ 徐兰玉，刘仲秋，张维科，等 . 大坝安全监测系统数据预处理方法研究［C］/中国水力发电工程学会大坝安
/

— 79 —