Page 48 - 2023年第54卷第7期

水 利 学 报

２０２３年 ７月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５４卷 第 ７期

文章编号：０５５９ － ９３５０（２０２３）０７ － ０８０６ － １２

基于 ＣＥＥＭＤＡＮ － Ｔｒａｎｓｆｏｒｍｅｒ的灌浆流量混合预测模型

李 凯，任炳昱，王佳俊，关 涛，余 佳

（天津大学 水利工程仿真与安全国家重点实验室，天津 ３０００７２）

摘要：灌浆流量是最重要的水利工程灌浆参数之一，通过对灌浆流量的有效预测，可以实现对异常工况的提前响
应，以保障施工质量与工程安全。然而由于灌浆过程面临的复杂地质情况，灌浆流量数据存在强非线性与波动性
的特点，难以获得令人满意的计算精度。现有灌浆流量预测存在的不足如下：传统神经网络模型对时间序列特征
提取和加工处理不足，导致预测精度有限；传统神经网络模型测试集进行一次计算仅能输出一个结果，进行多个
时间步预测需要繁杂的多次计算；单测点预测结果预测时间短并且无法反映灌浆流量序列变化的整体趋势，不利
于控制灌浆流量和保障施工质量。针对上述问题，本研究提出基于 ＣＥＥＭＤＡＮ － Ｔｒａｎｓｆｏｒｍｅｒ的灌浆流量混合预测模
型。基于完全自适应噪声集合经验模态分解（ ＣｏｍｐｌｅｔｅＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈＡｄａｐｔｉｖｅＮｏｉｓｅ，
ＣＥＥＭＤＡＮ）方法将灌浆流量分解为本征模函数与残差信号，解决灌浆流量数据的非线性与强波动的问题；采用多
头注意力 Ｔｒａｎｓｆｏｒｍｅｒ实现多个本征模函数（ＩｎｔｒｉｎｓｉｃＭｏｄｅＦｕｎｃｔｉｏｎ，ＩＭＦ）序列到序列的预测，采用多头注意力机
制来构建输入和输出的全局依赖关系，提升时间序列参数特征提取水平；最后，建立时序测点多输入多输出模型
实现灌浆流量预测，提升多输出序列计算效率，反映整体趋势的多输出序列能够为灌浆流量控制提供参考。工程
应用结果表明，本研究提出的基于 ＣＥＥＭＤＡＮ － Ｔｒａｎｓｆｏｒｍｅｒ的灌浆流量混合预测模型具有较好的计算精度和计算
效率。
关键词：灌浆流量预测；完全自适应噪声集合经验模态分解；Ｔｒａｎｓｆｏｒｍｅｒ算法；注意力机制；序列到序列
文献标识码：Ａ
中 图 分 类 号 ： Ｔ Ｖ ５ ４ ３ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２２０６２８

１ 研究背景

灌浆流量、压力和密度等参数的实时监控对于灌浆质量控制意义重大 ［１ － ２］ 。其中灌浆流量是进行
优化灌浆过程控制的基础。然而由于地质条件的多样性和未知性，灌浆流量、压力和密度参数存在较
大波动大的问题，同时灌浆流量、压力、密度质之间耦合关系复杂，因此，实现灌浆流量的高精度预
测难度极大。
在灌浆过程参数预测方面，相关学者进行了以下研究。李斌等 ［３］ 基于统计过程控制理论实现灌浆
压力的报警，利用灌浆压力设计线、报警线等不同控制线实现了灌浆压力信息的提前预判。李凤玲
等 ［４］ 利用当前时刻的阀门开度、浆液水灰比、地层吸浆量和灌浆压力，基于 ＢａｃｋＰｒｏｐａｇａｔｉｏｎ神经网
络（ ＢＰ神经网络）和（ＧｒｅｙＭｏｄｅｌ（１，１），ＧＭ（１，１））实现了下一时刻的灌浆压力的实时预测。郭晓
刚 ［５］ 利用支持向量机算法实现了灌浆抬动的实时预测。在灌浆功率（注入率 × 灌浆压力）预测方面，王
晓玲等 ［６］ 基于改进（ＳｕｐｐｏｒｔＶａｃｔｏｒＲｅｇｒｅｓｓｉｏｎ，ＳＶＲ）算法实现了灌浆功率阈值预测。邓韶辉等 ［７］ 基于
模糊信息粒化和灰狼算法改进的支持向量机实现了灌浆功率的时序预测。Ｘｕｅ等 ［８］ 利用小波变换对灌
浆功率数据进行了预处理并且使用改进的 Ｊａｙａ算法对支持向量机进行优化，实现了灌浆功率的时序预

收稿日期：２０２２ － ０８ － ０６；网络首发日期：２０２３ － ０５ － ３０
网络首发地址：ｈｔｔｐ：??ｋｎｓ．ｃｎｋｉ．ｎｅｔ?ｋｃｍｓ２?ｄｅｔａｉｌ?１１．１８８２．ＴＶ．２０２３０５２９．１０４３．００１．ｈｔｍｌ
基金项目：国家自然科学基金项目（５１８３９００７，５１８７９１８６）
作者简介：李凯（ １９９１ － ），博士，主要从事水利工程灌浆智能监控研究。Ｅ － ｍａｉｌ：ｌｉｋａｉｇｇ＠ｔｊｕ．ｅｄｕ．ｃｎ
通讯作者：关涛（１９８９ － ），博士，副教授，主要从事水利工程建设过程仿真与智能监控研究。Ｅ － ｍａｉｌ：ｔａｏ．ｇｕａｎ＠ｔｊｕ．ｅｄｕ．ｃｎ
— ８ ０ —
６