Page 16 - 2023年第54卷第10期

某种特定形式的分布。少数学者提出基于 Ｄｉｒｉｃｈｌｅｔ混合模型的建模方法 ［１０］ ，也有学者创新性地采用贝
叶斯场理论进行自适应建模 ［１１］ ，但这些建模方法的计算过程相对复杂，并且未能综合考虑天气、施工
机械等多种影响因素间的定量影响，对仿真参数长期预测的准确性造成了影响。
随着人工智能的发展，众多学者开始探索采用机器学习方法对仿真参数进行动态预测。肖尧等 ［１２］
提出了自适应混沌差分进化支持向量机方法，实现引水隧洞施工仿真参数动态更新；王国浩等 ［１３］ 采用
改进的长短期记忆神经网络预测了高拱坝施工仿真模型中缆机运行时间参数；张君等 ［１３］ 提出了粒子群
优化的多层感知机模型，对坝区气温进行时序预测并嵌入仓面精细化仿真模型中。以上研究均采用时
序方法对仿真参数预测，缺乏考虑天气、施工机械等多种因素的动态影响。针对这一问题，Ｌｖ等 ［２］ 考
虑车辆类型、气象条件等因素的影响，采用改进灰狼算法优化的 ＸＧＢｏｏｓｔ模型预测土方运输施工仿真模
型中的行车速度。宋文帅等 ［４］ 考虑气象因素的影响建立了拱坝施工仿真参数概率预测模型。然而，这些
研究均将全部历史数据作为同一数据库构建预测模型，并未考虑新工况与历史工况间存在的差异性。
在高心墙堆石坝施工过程中，仓面填筑方式为多分区平起上升，即分层分仓由低到高填筑，层与
层间的施工存在差异，历史填筑层难以完全代表新一层的施工情况。采用已填筑完高程的数据来预测
后续填筑层的施工参数，将影响到预测精度。迁移学习利用数据或模型的相似性建立源域和目标域，
可以将历史工况（源域）学习到的知识迁移到新工况（目标域），能够很好地解决新工况与历史工况间
训练数据和预测模型的不一致性问题。迁移学习在跨领域或跨工况预测中已有较为广泛的应用，例
如，Ｋｉｍｕｒａ等 ［１４］ 建立了基于迁移学习的深度神经网络模型，预测水库地表水温度；Ｈａｓａｎ等 ［１５］ 提出
基于卷积神经网络———迁移学习的轴承故障诊断方法，使得在一组工况下获得的特征知识能够诊断其
他工况下发生的故障；殷仕明等 ［１６］ 通过建立迁移学习的长短期记忆模型，实现了同流域和跨流域水文
模型的迁移。因此，迁移学习具有可以把旧领域学习的模型应用于新的领域的特点，有利于本研究中
无?少监控数据的仓块施工参数预测建模。
迁移学习与神经网络模型结合是解决跨领域或跨工况预测问题的有效手段。多层神经网络模型已
广泛应用 于 多 种 预 测 研 究 中 ［１７ － ２０］ 。其 中，具 有 前 馈 多 层 神 经 网 络 结 构 的 多 层 感 知 机 （Ｍｕｌｔｉ － Ｌａｙｅｒ
Ｐｅｒｃｅｐｔｒｏｎ ，ＭＬＰ）也已经被成功应用于工程领域中坝区温度预测 ［１３］ 、位移预测 ［２１］ 和盾构速度预测 ［２２］
等研究。具有多个隐藏层的 ＭＬＰ模型能够定量地构建天气、施工机械等多种影响因素与仿真参数间
的映射关系，且能够快速有效处理心墙堆石坝施工过程中碾压监控获取的海量数据，因此本研究采用
ＭＬＰ模型作为仿真参数预测的基础模型。由于 ＭＬＰ模型中神经元数量、学习率等参数是影响预测准
确性的关键且手动调参存在效率低和难以保证最优的问题，故本文采用改进蝗虫优化算法（ Ｉｍｐｒｏｖｅｄ
ＧｒａｓｓｈｏｐｐｅｒＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ，ＩＧＯＡ）的高效全局最优搜索能力来优化 ＭＬＰ的超参数。
综上所述，针对高心墙堆石坝施工仿真参数在不同工况下存在差异，新工况下样本不足，且仿真
参数受到机械类型、天气状况等因素影响动态变化这一特点，本文利用具有多个隐藏层的 ＭＬＰ模型
构建多种影响因素与仿真参数间的回归预测模型，并利用 ＩＧＯＡ的全局高效最优搜索能力来优化 ＭＬＰ
的超参数，建立 ＩＧＯＡ － ＭＬＰ模型；进一步引入迁移学习策略，在 ＭＬＰ模型中增加自适应层以表征源
域数据与目标域数据的差异性，将源域的知识（历史工况下的仿真参数）迁移到目标域（新工况下的仿
真参数）；最终提出了迁移学习框架下改进蝗虫算法优化多层感知机模型（ ＴＬ － ＩＧＯＡ － ＭＬＰ）的高心墙堆
石坝施工仿真参数预测方法，解决新工况下缺少数据和多因素影响下仿真参数动态变化的问题，为仿
真模型提供更准确的输入。

２ 研究框架

本文研究框架如图 １所示，主要包括三个部分：
（ １）数据采集及分析。基于智能碾压监控系统 ［６］ 和坝区气象监测站同步采集碾压数据和气象信息，
剔除异常值和缺失值，并确定仿真参数影响因素，形成最终数据库。
（ ２）迁移学习框架下仿真参数预测 ＩＧＯＡ － ＭＬＰ模型的建立。首先，建立综合考虑气象条件、机械

５
— １ １ ２ —