Page 73 - 2024年第55卷第5期

５ 模型在堆石坝安全监测中的应用

建立时序预测模型对大坝安全监测至关重要，本文以水布垭面板堆石坝为例，分析时序预测模型
在大坝安全监测和健康诊断种的三种应用场景：坝体变形预测、测点异常检测、缺损数据补全。
５．１ 坝体变形预测 变形预测是时序预测模型最重要的应用之一，根据历史监测数据挖掘堆石坝变形内
在规律，预测未来发展趋势，评估大坝今后长时间所处状态和时变环境下的潜在风险。以 ２００７．１２．３０—
２０１５．１０．３０的监测数据作为训练集，以 ２０１５．１１．１５为预测起始对全断面测点进行为期 １ａ的长期变形
预测。
图 １０为 １３号测点的变形预测结果。１３号测点位于大坝底部靠近面板部位，其沉降变形兼具周期
性与趋势性特点。可以看出，训练段测点变形持续增加，随水库水位变化产生波动，并存在时滞效
应，滞后时长也在动态变化。因此，建模时序输入特征，对挖掘效应量与影响因子的长期依赖关系十
分重要。水库水位增加时沉降变形增加，当水库水位降低时部分变形恢复，但相当一部分为不可逆变
形，导致坝体变形持续增加。结合 ２０１５年 １１月以来为期 １ａ的预测结果表明，该处测点在库水位变
动产生循环加卸载变形的规律下，沉降变形仍会累积，达到 １０ｍｍ，变形增长幅度并未表现出明显收
敛趋势，今后仍需重点监测大坝的变形发展情况。

图 １０ 基于时序预测模型的坝体变形预测
５．２ 测点异常检测 测点异常检测对识别仪器工作状态与评估大坝运行性态十分重要。测点数据异常
原因有多种，如仪器故障下数据采集异常或测点所在区域结构响应异常。测点异常检测是采用时序预
测模型，判断训练段与测试段响应规律是否一致，以此检测异常数据测点或分析大坝健康问题。选取
２００７．１２．３０—２０１４．１０．３０监测数据为训练集，以 ２０１４．１１．１５—２０１５．１０．３０监测数据为测试集，将各测点
预测序列与实测序列进行比较，以此判断测点数据是否异常。
图 １１（ａ）为所有测点的实测值与预测值散点图，１９号和 ２６号测点的数据点明显偏离整体，ＭＡＥ
显著偏高，是整体指标的 ７．８７倍与 １６．３５倍，但同时模型的整体预测效果较好，这表明坝体结构响应
未出现显著异常，可判断由两测点仪器自身原因导致，１９号与 ２６号测点分别为测试段与训练段异常。
５．３ 缺损数据补全 监测仪器工作环境复杂或操作不当导致仪器出现短期故障，使变形监测数据出现
缺失、损坏等情况，影响了对大坝安全监测资料的分析。因此，采用时序预测模型进行缺损数据补
全，对提高监测数据质量具有重要意义。在运用本模型时，通过时序模块可考虑自身历史变化规律，
同时空间融合模块也使其能充分利用缺损段其他测点正常沉降数据，实现了时空信息的高效利用。以
同源测线上 ３２号和 ３３号测点为例（图 １２），其原位监测数据存在长达 １０个月的缺损，初步推测该时
— ５ ７ ３ —