view in publisher's site

A novel deep learning prediction model for concrete dam displacements using interpretable mixed attention mechanism

Dam displacements can effectively reflect its operational status, and thus establishing a reliable displacement prediction model is important for dam health monitoring. The majority of the existing data-driven models, however, focus on static regression relationships, which cannot capture the long-term temporal dependencies and adaptively select the most relevant influencing factors to perform predictions. Moreover, the emerging modeling tools such as machine learning (ML) and deep learning (DL) are mostly black-box models, which makes their physical interpretation challenging and greatly limits their practical engineering applications. To address these issues, this paper proposes an interpretable mixed attention mechanism long short-term memory (MAM-LSTM) model based on an encoder-decoder architecture, which is formulated in two stages. In the encoder stage, a factor attention mechanism is developed to adaptively select the highly influential factors at each time step by referring to the previous hidden state. In the decoder stage, a temporal attention mechanism is introduced to properly extract the key time segments by identifying the relevant hidden states across all the time steps. For interpretation purpose, our emphasis is placed on the quantification and visualization of factor and temporal attention weights. Finally, the effectiveness of the proposed model is verified using monitoring data collected from a real-world dam, where its accuracy is compared to a classical statistical model, conventional ML models, and homogeneous DL models. The comparison demonstrates that the MAM-LSTM model outperforms the other models in most cases. Furthermore, the interpretation of global attention weights confirms the physical rationality of our attention-based model. This work addresses the research gap in interpretable artificial intelligence for dam displacement prediction and delivers a model with both high-accuracy and interpretability.

یک مدل پیش‌بینی یادگیری عمیق جدید برای جابجایی‌های سد بتنی با استفاده از مکانیزم توجه مختلط قابل تفسیر

جابجایی‌های سد می‌تواند به طور موثر وضعیت عملیاتی آن را منعکس کند و بنابراین ایجاد یک مدل پیش‌بینی جابجایی قابل‌اطمینان برای نظارت بر سلامت سد مهم است. با این حال، اکثر مدل‌های برگرفته از داده موجود، بر روابط رگرسیون استاتیک تمرکز می‌کنند، که نمی‌تواند وابستگی‌های زمانی بلند مدت را ثبت کند و به طور تطبیقی مرتبط‌ترین عوامل موثر را برای انجام پیش‌بینی انتخاب کند. علاوه بر این، ابزارهای مدل‌سازی در حال ظهور مانند یادگیری ماشین (ML)و یادگیری عمیق (DL)اغلب مدل‌های جعبه سیاه هستند، که تفسیر فیزیکی آن‌ها را به چالش می‌کشد و تا حد زیادی کاربردهای عملی مهندسی آن‌ها را محدود می‌کند. برای پرداختن به این مسائل، این مقاله یک مدل حافظه بلند مدت کوتاه‌مدت (MAM - LSTM)را براساس معماری رمزگذار - رمزگشا پیشنهاد می‌کند که در دو مرحله فرمول‌بندی شده‌است. در مرحله کدگذار، یک مکانیزم توجه عاملی برای انتخاب تطبیقی عوامل بسیار موثر در هر مرحله زمانی با اشاره به حالت پنهان قبلی توسعه داده می‌شود. در مرحله دیکدر، یک مکانیزم توجه موقتی برای استخراج مناسب بخش‌های زمانی کلیدی با شناسایی حالت‌های پنهان مربوطه در تمام مراحل زمانی معرفی می‌شود. برای هدف تفسیر، تاکید ما بر کمی سازی و تجسم وزن‌های عامل و توجه موقتی است. در نهایت، اثربخشی مدل پیشنهادی با استفاده از نظارت داده‌های جمع‌آوری‌شده از یک سد دنیای واقعی تایید می‌شود، که در آن دقت آن با یک مدل آماری کلاسیک، مدل‌های ML مرسوم و مدل‌های DL همگن مقایسه می‌شود. این مقایسه نشان می‌دهد که مدل MAM - LSTM در بیشتر موارد از سایر مدل‌ها بهتر عمل می‌کند. علاوه بر این، تفسیر اوزان توجه جهانی، عقلانیت فیزیکی مدل مبتنی بر توجه ما را تایید می‌کند. این کار به شکاف تحقیقاتی در هوش مصنوعی قابل تفسیر برای پیش‌بینی جابجایی سد می‌پردازد و مدلی با دقت بالا و قابلیت تفسیر ارائه می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Artificial Intelligence
  • ترجمه مقاله Artificial Intelligence
  • مقاله هوش مصنوعی
  • ترجمه مقاله هوش مصنوعی
  • مقاله Information Systems
  • ترجمه مقاله Information Systems
  • مقاله سیستم‌های اطلاعاتی
  • ترجمه مقاله سیستم‌های اطلاعاتی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.