Page 108 - 2022年第53卷第6期

类 ［１０ － １１］ ，其中，统计模型是通过数理方法挖掘大坝变形与其解释变量间函数关系的因果分析模型，因
具有结构 形 式 简 单、计 算 高 效 等 优 点，在 大 坝 变 形 行 为 分 析 与 预 测 中 取 得 了 广 泛 应 用 与 长 足 发
展 ［１０ － １２］ 。逐步回归（ＳｔｅｐｗｉｓｅＲｅｇｒｅｓｓｉｏｎ，ＳＲ） ［１１］ 、多元线性回归（ＭｕｌｔｉｐｌｅＬｉｎｅａｒＲｅｇｒｅｓｓｉｏｎ，ＭＬＲ） ［１３］
等是坝工领域最常用的变形行为分析与预测方法，但此类方法难以有效解决解释变量间的多重共线性
问题，易影响模型的建模精度与稳健性 ［２，１２］ 。近年来，随着人工智能技术的发展，基于机器学习算法
的应用研究已成为当前大坝变形行为分析与预测模型研究的热点，并取得了大量的有益成果。Ｋａｏ
等 ［１４］ 采用人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＡＮＮ）构建了某拱坝变形预测模型，并比选了不同
神经网络模 型 的 优 缺 点 与 适 用 性；范 千 等 ［１５ － １６］ 率 先 验 证 了 极 限 学 习 机 （ＥｘｔｒｅｍｅＬｅａｒｎｉｎｇＭａｃｈｉｎｅ，
ＥＬＭ）在大坝变形预测研究中的有效性，并针对 ＥＬＭ可能出现的过拟合问题引入结构风险最小化原则
加以改良；苏怀智等 ［５，１７］ 利用理论完备、泛化性能强的支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）分
别构建了大坝变形预测与预警模型，并在分析 ＳＶＭ 超参数选取对模型性能影响的基础上提出了可行
的优化策略；Ｄａｉ等 ［１８］ 基于随机森林回归（Ｒａｎｄｏｍ ＦｏｒｅｓｔＲｅｇｒｅｓｓｉｏｎ，ＲＦＲ）剖析了变形解释变量间的
相关性，并据此构造了优化的变形预测模型；Ｌｉｕ等 ［１９］ 应用长短期记忆网络（ＬｏｎｇＳｈｏｒｔ － ＴｅｒｍＭｅｍｏｒｙ，
ＬＳＴＭ）构建了某拱坝变形预测模型，并检验了模型的预测精度与长期预测性能；任秋兵等 ［２０］ 基于门控
循环单元（ＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔ，ＧＲＵ），提出了融合单测点时序相关性和多测点空间关联性的大坝变
形动态监控模型。此外，Ｌｉ等 ［２１］ 、Ｗｅｉ等 ［６］ 融合信号处理、时序分析与机器学习等多元分析方法，进
一步拓展了变形预测模型的建模手段。与此同时，混凝土坝变形机理研究也取得了一定的进展，如
Ｗａｎｇ等 ［２２］ 通过分析某特高拱坝在高水位稳定期坝体径向位移向下游侧持续增大现象的成因，提出了
考虑静水荷载滞后效应的变形预测模型；Ｈｕ等 ［２３］ 通过数值仿真模拟裂缝开度对大坝变形的影响，提
出了考虑裂缝开度的变形预测模型；Ｔａｔｉｎ等 ［２４］ 将坝体视为多个一维介质沿坝高方向的集成体，提出
了考虑水温分布与大坝厚度的变形预测模型。就严寒地区混凝土坝变形行为分析与预测研究而言，吴
艳等 ［２５］ 采用传统统计模型原理，定量分析了环境荷载变化对寒旱区某碾压混凝土坝变形的影响效应；
陈波等 ［２６］ 提出了考虑气温滞后与削减效应的寒区混凝土坝变形预测模型，并以某混凝土拱坝为例验证
了所提模型的预测性能。
考虑到严寒地区环境温度变幅大，而坝体混凝土温度场本质上受边界温度变化控制，本文采用实
测边界温度作为温度因子，构建了基于实测边界温度的严寒地区混凝土重力坝变形行为分析模型。同
时，为充分挖掘变形及其解释变量间复杂的非线性因果函数关系以提升模型的预测性能，引入一种在
继承 ＳＶＭ良好学习能力和泛化性能基础上兼备训练高效优点的新型机器学习算法 ＴＳＶＲ ［２７］ ，并结合
ＷＯＡ ［２８］ 对其参数优化求解，据此提出了基于优化 ＴＳＶＲ的混凝土重力坝变形预测模型。以高纬度严寒
地区某混凝土重力坝实测水平位移为例，结合所建变形行为分析模型剖析了该坝某表孔溢流坝段坝顶
变形行为不协调的成因，研究成果对深入认识寒区混凝土坝服役性态与合理诊断大坝服役安全具有一
定的理论意义和借鉴价值；同时，基于优化 ＴＳＶＲ的预测模型可有效挖掘大坝变形及其解释变量间复
杂的非线性函数关系，且具有出色的变形拟合与预测性能，为高精度预测大坝变形提供了一种新的技
术手段。

２ 基于实测边界温度的混凝土坝变形行为分析模型

混凝土坝变形是由静水荷载与温度荷载周期循环作用引发的可逆变形，和碱骨料反应、冻融循环
与节理裂隙发展等可能导致大坝安全裕度降低的时变效应造成的不可逆变形组成 ［６，１１，２９］ ，如图 １（ａ）所
示。根据温度因子的选取，混凝土坝变形行为分析模型可分为静水－ 季节－ 时间（Ｈｙｄｒｏｓｔａｔｉｃ － Ｓｅａｓｏｎａｌ －
Ｔｉｍｅ ，ＨＳＴ）和静水－ 温度－ 时间（Ｈｙｄｒｏｓｔａｔｉｃ － Ｔｈｅｒｍａｌ － Ｔｉｍｅ，ＨＴＴ）模型两大类 ［７，２９］ 。对于运行期水化热
已完全散发的混凝土坝，坝体混凝土温度随季节演变而变化，故 ＨＳＴ模型常采用谐波函数模拟热变
形。然而，ＨＳＴ模型中谐波函数仅能刻画热变形的长期变化特征，难以有效揭示环境温度年际差异与
短期动态波动引发的热变形细节特征，因此，ＨＳＴ模型对修筑于环境温度动态波动幅度大的严寒地区

４
— ７ ３ —