Page 64 - 2024年第55卷第5期

水 利 学 报

２０２４年 ５月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５５卷 第 ５期

文章编号：０５５９ － ９３５０（２０２４）０５ － ０５６４ － １３

时空融合的堆石坝变形预测模型及在安全监测中的应用

２
１
吴继业 ，马 刚 １，２，３ ，艾志涛 ，杨启贵 １，２，４ ，周 伟 １，２，３
（１．武汉大学 水资源工程与调度全国重点实验室，湖北 武汉 ４３００７２；２．武汉大学 水工程科学研究院，湖北 武汉 ４３００７２；
３．武汉大学 水工岩石力学教育部重点实验室，湖北 武汉 ４３００７２；４．长江设计集团有限公司，湖北 武汉 ４３００１０）

摘要：变形预测是堆石坝安全监测与健康诊断的重要手段，现有研究多根据堆石坝监测数据建立单测点预测模
型，未充分考虑测点之间相关性进行整体建模，且现有模型难以对漂移数据进行长期精准预测。本文考虑堆石坝
变形序列的时序依赖性和测点之间的协同相关性，提出了基于图卷积和循环神经网络、引入概率预测与全过程训
练的时空融合变形预测模型。该模型首先采用图卷积网络对多测点特征进行自适应汇聚，然后利用循环神经网络
中细胞状态与隐层记忆沿时间轴的传递性，实现对时空信息的挖掘与融合，最后通过线性层得到概率预测参数，
提高了模型对监测数据噪声的鲁棒性。采用全过程训练方式，提高模型对影响因子与累积变形量内在关系的学习
能力，实现对漂移数据的长期精准预测。最后以水布垭面板堆石坝为例，进行了模型对比实验与消融实验，介绍
了该模型在堆石坝安全监测和健康诊断中的三种具体应用。结果表明，本文模型有效融合了时空信息，在预测精
度方面显著高于现有模型，解决了现有模型对大坝整体变形规律学习能力差、漂移数据预测精度低的问题，可用
于堆石坝变形长期预测、测点异常检测与缺损数据补全。
关键词：堆石坝；变形预测；时空融合；图卷积网络；长短期记忆网络；概率预测
中图分类号：ＴＶ６９８．１
文献标识码：Ａ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２３０５１０
１ 研究背景

堆石坝是水利水电建设的主力坝型之一，其变形控制面临重大挑战 ［１ － ２］ 。基于原位监测资料进行
大坝变形预测，对保障工程全生命期安全至关重要。传统变形监控模型建立了单时步环境因子与变形
之间的回归关系 ［３ － ５］ ，其虽可将历史信息作为因子输入 ［６］ ，但仍无法全面考虑时序数据的历史依赖性。
随着深度学习的发展，长短期记忆网络 ［７］ 、门控循环单元 ［８］ 和时间卷积网络 ［９］ 等具有历史依赖挖掘能
力的时序模型已应用于大坝变形预测中。但是，堆石坝变形时空分布演化的复杂性给现有时序模型带
来三大挑战，即单测点建模无法挖掘整体变形规律、传统时序模型无法处理数据漂移问题、非概率预
测方式无法克服噪声影响。
受筑坝料流变特性及水位升降的运行方式影响，堆石坝的变形具有持续发展的趋势性 ［１０ － １１］ ，同时
复杂的服役环境也使监测序列包含噪声，因此其变形统计特性是时变的。上述样本特征或标签的统计
特性随时间推移而发生变化的现象在机器学习领域被称为数据漂移 ［１２］ ，表现为训练阶段与预测阶段的
数据分布存在差异，这降低了模型在生产部署时的预测性能 ［１３］ 。当不考虑环境因子作为输入，采用时
序预测模型对漂移数据进行滚动预测时，会出现趋势平坦单一、推断 “台阶”、推断间规律相似等问
题。针对漂移性数据的预测难题，学者们做出了诸多探索，如变换输入样本 ［１４］ 、在模型中添加特殊模

收稿日期：２０２３ － ０８ － ２６；网络首发日期：２０２４ － ０３ － ２１
网络首发地址：ｈｔｔｐｓ：??ｋｎｓ．ｃｎｋｉ．ｎｅｔ?ｋｃｍｓ?ｄｅｔａｉｌ?１１．１８８２．ＴＶ．２０２４０３１９．１０５８．００１．ｈｔｍｌ
基金项目：国家重点研发计划课题（２０２２ＹＦＣ３００５５０４）；国家自然科学基金项目（５２１７９１４１，５２３２２９０７）；云南省重大科技专项计划
项目（ ２０２２０２ＡＦ０８０００４，２０２２０３ＡＡ０８０００９）；雅砻江流域水电开发有限公司项目（００２３ － ２０ＸＪ００１１）
作者简介：吴继业（ １９９９ － ），博士生，主要从事堆石坝变形预测研究。Ｅ － ｍａｉｌ：２０２１２０２０６００６６＠ｗｈｕ．ｅｄｕ．ｃｎ
通信作者：马刚（１９８５ － ），教授，博士生导师，主要从事高坝结构数值仿真研究。Ｅ － ｍａｉｌ：ｍａｇａｎｇ６３０＠ｗｈｕ．ｅｄｕ．ｃｎ

— ５ ６ —
４