Page 125 - 2023年第54卷第4期

＃
选取 ２１坝段 ＴＣＮ０８测点（拱冠梁坝段的坝顶位置）的变形监测数据进行分析，时段为 ２０１０年 １０
月 １６日至 ２０１９年 ８月 ２７日，总计 ３１７５组变形数据（见图 ４（ｃ））。图 ４展示了上游水位、温度（气温
和部分典型温度计数据）及大坝变形的过程线。其中，以 ２０１０年 １０月 １６日至 ２０１８年 ８月 ２６日的
２８１０组数据作为训练集（数据示于虚线以左）建立大坝变形预测模型，以 ２０１８年 ８月 ２７日至 ２０１９年 ８
月 ２７日的 ３６５组数据作为测试集（数据示于虚线以右）评估模型预测性能。

图 ４ 上游水位、温度及大坝变形过程线

４．１ 预测模型构建 基于式（２）—（４）和 ＴＣＮ０８测点变形监测数据，构建了 ＨＳＴ、ＨＴＴ及 ＨＴ Ｔ三种
Ａ
解释因子模型，表 １为各因子模型变量集。ＨＳＴ因子模型采用谐波因子作为温度分量，ＨＴＴ因子模型
＃
＃
＃
采用 １１、２１及 ３３坝段的 ４４个温度测点实测值（见图 ３）作为温度分量，ＨＴ Ｔ因子模型采用气温数
Ａ
据作为温度分量，考虑到坝体内部温度变化对气温变化存在滞后效应，参考文献［ １２］选取 １年的滞
后期。
表 １ 因子模型变量集
模型 水力分量 温度分量 时效分量
２ π ｊｔ ２ π ｊｔ
ｉ
ＨＳＴ Ｈ（ｉ ＝ １ ，２，３，４） ｓｉｎ ，ｃｏｓ （ｊ ＝ １ ，２） θ ，ｌｎ θ
３６５ ３６５
ｉ
ＨＴＴ Ｈ（ｉ ＝ １ ，２，３，４） Ｔ ｊ （ｊ ＝ １，２，…，４４） θ ，ｌｎ θ
Ｔ
Ｔ
Ｔ
Ｔ
Ｔ
Ｔ
Ｔ
Ａ ０ ，Ａ １ － ２ ，Ａ ３ － ７ ，Ａ ８ － １５ ，Ａ １６ － ３０ ，Ａ ３１ － ６０ ，Ａ ６１ － ９０ ，
ｉ
ＨＴ Ａ Ｔ Ｈ（ｉ ＝ １，２，３，４） θ ，ｌｎ θ
Ｔ Ｔ Ｔ Ｔ Ｔ
Ａ ９ １ － １２０ ，Ａ １ ２１ － １８０ ，Ａ １ ８１ － ２４０ ，Ａ ２ ４１ － ３００ ，Ａ ３ ０１ － ３６５
为保证各学习器的预测性能，参考文献［３２ － ３３］，选择随机搜索为寻参方法，并对训练集进行 ５
２
折交叉验证，寻找最优参数。同时选用决定系数（ｃｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉｎａｔｉｏｎ，Ｒ）、平均绝对误差（ｍｅａｎ
ａｂｓｏｌｕｔｅｅｒｒｏｒ ，ＭＡＥ）与均方根误差（ｒｏｏｔｍｅａｎｓｑｕａｒｅｄｅｒｒｏｒ，ＲＭＳＥ）作为衡量模型性能的评价指标。
— ５ ０ １ —