本发明涉及安全工程，具体涉及一种大坝效应量预测方法、系统及介质。
背景技术：
1、大坝效应量预测是指对大坝在不同条件下的安全性能进行评估和预测的过程。这个过程旨在确定大坝在设计寿命内是否能够安全地承受预期的水压、地震、温度变化等外部作用力，并保持其结构完整性和功能性。
2、现有技术提供了通过构建大坝效应量的影响因素，结合机器学习算法，实现对大坝效应量的预测和分析。
3、但是，机器学习算法对于工程问题，特别是涉及到工程领域的物理机制和实际应用的情况下存在一些缺点，比如，一些机器学习算法的模型结构较为复杂，如深度神经网络，其内部的决策过程难以解释。这种黑盒模型可能难以为工程实践提供必要的解释和理解；大坝效应量受到多种因素的影响，这些因素可能具有不确定性，机器学习算法难以有效处理这种不确定性，从而导致模型的稳定性和可靠性受到影响。
技术实现思路
1、本发明提供一种大坝效应量预测方法、系统及介质，有助于提高大坝效应量预测的精度。
2、本发明提供的大坝效应量预测方法，包括以下步骤：
3、对大坝历史数据进行处理，获得大坝效应量的影响分量，分别为水压分量、时效分量和温度分量，
4、获取待预测大坝的实体参数，构建大坝的有限元模型，获取大坝在不同水位条件下的效应量结果，并进行拟合，获得水压分量；
5、获取待预测的大坝效应量的时效分量和温度分量；
6、结合粒子群算法和极限学习机，建立大坝效应量预测混合模型，将水压分量、时效分量和温度分量作为所述大坝效应量预测混合模型的输入变量，同时将大坝效应量作为所述大坝效应量预测混合模型的输出变量，对所述大坝效应量预测混合模型进行训练，获得训练后的大坝效应量预测混合模型；
7、将待预测的大坝的水压分量、时效分量和温度分量输入到训练后的大坝效应量预测混合模型，获得大坝效应量的预测结果。
8、优选的，所述时效分量反映坝体结构老化过程，时效分量表示为θ、lnθ，其中，t表示监测日至始测日累计天数。
9、优选的，所述温度分量用谐波因子描述，温度分量表示为coss、sins、sin2s、cosssins，其中，t表示监测日至始测日累计天数，i表示周期，i＝1为年周期，i＝2为半年周期。
10、优选的，所述获取待预测的大坝的实体参数包括大坝的材料属性、荷载工况、边界条件；
11、其中，材料属性包括：弹性模量、泊松比、容重；
12、所述荷载工况包括：正常蓄水位、设计洪水位、校核洪水位、防洪限制水位、死水位；
13、所述边界条件包括：确定边界范围，在坝基上下游施加水流方向约束，坝基底部施加水流方向、平行于坝轴线方向、竖直方向约束，坝体纵向施加平行于坝轴线方向约束。
14、优选的，所述建立大坝效应量预测混合模型，包括：
15、随机初始化粒子的位置和速度，每个粒子代表一组极限学习机的参数；
16、使用每个粒子对应的极限学习机参数来训练极限学习机模型，根据极限学习机计算的均方误差作为粒子适应度，根据适应度值更新每个粒子的最佳位置pbest，根据所有粒子的适应度值更新全局最佳位置gbest；
17、更新粒子的速度和位置，在最大迭代次数内获取最优极限学习机参数组合，所述最优极限学习机参数组合包括权值和阈值；
18、根据粒子群算法确定的权值和阈值，输入极限学习机模型，获得大坝效应量预测混合模型。
19、优选的，所述粒子群算法参数设置包括：粒子群初始种群规模、惯性权重起始值、终止值、随机非负数c1和c2大小、误差阈值、最大迭代次数。
20、优选的，所述极限学习机参数设置包括：
21、隐含层激活函数sigmoid函数，效应量的隐含层节点个数。
22、本发明同时提供一种大坝效应量预测系统，用于实现如上文任一所述的大坝效应量预测方法，所述大坝效应量预测系统包括：
23、获取影响因子模块，用于获取待预测的大坝的时效分量和温度分量；
24、有限元分析模块，用于获取待预测的大坝的实体参数，构建大坝的有限元模型，获取大坝在不同水位条件下的效应量计算结果，对其进行拟合，获得水压分量表达式；
25、建立混合模型模块，用于结合粒子群算法和极限学习机，建立大坝效应量预测混合模型，将水压分量、时效分量和温度分量作为效应量预测混合模型的输入变量，将大坝效应量作为预测混合模型的输出变量，训练大坝效应量预测混合模型；
26、效应量预测模块，用于将待预测的大坝的水压分量、时效分量和温度分量输入到训练后的大坝效应量预测混合模型，获得大坝效应量预测结果。
27、本发明同时提供一种计算机可读存储介质，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行时实现如上文中任一项所述的大坝效应量预测方法的步骤。
28、与现有技术相比，本发明针对极限学习机模型随机生成权值和阈值可能造成预测精度不稳定的局限性，加入粒子群算法对其权值和阈值寻优，大大地提高了极限学习机模型的精度，同时，在效应量影响因子的选择上，考虑荷载对效应量的影响，采用有限元分析获取水位与水压分量的关系，利用得到的水压分量代替极限学习机模型中的水压分量，通过赋予水位与效应量之间关系的物理意义，进一步提高大坝效应量预测模型的精度和泛化能力。
1.一种大坝效应量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的大坝效应量预测方法，其特征在于，所述时效分量反映坝体结构老化过程，时效因素表示为θ和lnθ，其中，t表示监测日至始测日累计天数。
3.根据权利要求1所述的大坝效应量预测方法，其特征在于，所述温度分量用谐波因子描述，温度分量表示为coss、sins、sin2s、cosssins，其中，t表示监测日至始测日累计天数，i表示周期。
4.根据权利要求1所述的大坝效应量预测方法，其特征在于，所述获取待预测的大坝的实体参数包括大坝的材料属性、荷载工况、边界条件；
5.根据权利要求1所述的大坝效应量预测方法，其特征在于，所述建立大坝效应量预测混合模型，包括：
6.根据权利要求5所述的大坝效应量预测方法，其特征在于，所述粒子群算法参数设置包括：粒子群初始种群规模、惯性权重起始值、终止值、随机非负数c1和c2大小、误差阈值、最大迭代次数。
7.根据权利要求5所述的大坝效应量预测方法，其特征在于，所述极限学习机参数设置包括：
8.一种大坝效应量预测系统，其特征在于，用于实现如权利要求1-7任一所述的大坝效应量预测方法，所述大坝效应量预测系统包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行时实现如权利要求1至7中任一项所述的大坝效应量预测方法的步骤。
