Page 24 - 2023年第54卷第10期

以看出，迁移学习后的各项评价指标均小于迁移前，说明
模型预测性能和可信度均较之前有所提升，而 ＰＣＣ值大于
迁移前的模型，说明迁移学习后真实值与预测值的相关性
更高，预测结果更准确，预测精度更高。总体来讲，本文
提出的迁移学习策略通过构建目标域与源域之间的相似性，
将知识 从 源 域 迁 移 到 目 标 域，进 一 步 提 高 了 模 型 的 预 测
性能。
基于迁移学习框架下的 ＩＧＯＡ － ＭＬＰ模型的最终预测结
果及迁移前的预测结果对比如图 １２所示。对比结果表明，
相较于未迁移的 ＩＧＯＡ － ＭＬＰ模型，ＴＬ － ＩＧＯＡ － ＭＬＰ预测结
果最为准确，真实值与预测值的拟合效果最好。说明本文
所提出的 ＴＬ － ＩＧＯＡ － ＭＬＰ模型通过建立源域和目标域之间
图 １１ 迁移学习和未迁移学习评价指标雷达图
的相关关系，进行知识迁移，解决了新工况下缺少数据的
问题，提升了模型的预测性能。总体来讲，本文所提出的预测模型在模型优化、预测精度、和对非线
性变化的模拟方面均具有更大的优越性。

图 １２ 迁移学习框架下碾压效率预测结果对比

５ 结论

施工仿真参数的准确预测是确保施工进度仿真准确性的关键。针对新工况下缺少数据和受天气、
设备类型等多因素动态影响的问题，本文采用迁移学习融合多层感知机的建模新思路，构建了基于迁
移学习的高心墙堆石坝施工仿真参数 ＩＧＯＡ － ＭＬＰ动态预测模型，取得了如下成果：
（１）考虑天气、机械特性等多种因素对碾压机械施工效率的定量影响，基于智能碾压监控系统和
气象监测站实时采集的监控数据构建了 ＩＧＯＡ － ＭＬＰ模型，将多种因素作为模型输入，建立了因素与碾
压机械效率间的定量映射关系，并利用非线性缩减因子和柯西 － 高斯混合变异模式改进的蝗虫优化算
法（ ＩＧＯＡ）来优化 ＭＬＰ的超参数，进一步提高了模型的运算效率和预测精度。
（ ２）采用迁移学习构建源域（历史工况数据）和目标域（新工况数据），通过增加表征源域数据与目
标域数据差异性的 ＭＭＤ＿ｌｏｓｓ自适应层，进而构建了迁移学习框架下的高心墙堆石坝施工仿真参数预
测模型，实现不同高程间仿真参数的知识迁移，解决了新旧工况间存在差异且新工况下数据量少的问
题。由此提出了基于 ＴＬ － ＩＧＯＡ － ＭＬＰ模型的高心墙堆石坝施工仿真参数预测方法，从而为仿真模型提
供更准确的输入。
（ ３） 将上述方法应用于我国西南某高心墙堆石坝工程实例中，实现了对高心墙堆石坝施工仿真参
数的高精度预测分析（ ＭＡＥ ＝ ２９．９８９ 、ＲＭＳＥ ＝ ７１．０５０ 、ＭＡＰＥ ＝ ０．０９２ 、ＭＳＥ ＝ ５０４８．０５２和 ＰＣＣ ＝ ０．８８１ ）。
此外，从 ＭＬＰ模型与其他机器模型对比、ＩＧＯＡ与其他优化算法对比、模型迁移前后对比等方面开展
对比分析，证明了所选择的 ＭＬＰ模型、改进蝗虫优化算法和迁移学习的优越性。多方面结果表明，

— １ １ ０ —
６