Page 74 - 2024年第55卷第5期

图 １１ 基于时序预测模型的测点异常检测

间段内此测线受到外在干扰，数据传输发生故障。
以前后正常段的监测数据作为训练序列，推断发生数据缺损时段的实际变形趋势。可以发现，补
全后的变形随水位先降后升而呈现先回弹降低、后快速增长的规律，与该序列整体变化规律一致。在
补全段尾部，补全后数据与原始数据衔接良好。由此可见，时序预测模型可用于缺损数据补全。

图 １２ 基于时序预测模型的缺损数据补全

６ 结论

（１）堆石坝各测点的空间相关性随着测点间距离的增加而降低，以此作为先验知识定义邻接矩阵。
时空融合单元使多测点空间特征与时序依赖信息在时间轴中相互融合与层层递进，实现了多测点时空
信息融合。
（ ２）堆石坝变形数据具有漂移性，与时序模型 ＧＲＵ和 ＳＴＬ － ＬＳＴＭ、机器学习模型 ＸＧＢｏｏｓｔ和 ＭＬＰ
以及传统多元线性回归模型相比，所提模型通过全过程训练策略，提高了对影响因子与累积变形量之
间关系的挖掘能力，解决了漂移数据长期预测难题。通过图卷积考虑了多测点空间关联，所提模型具
有最高的单测点预测精度和较好的整体预测能力。消融实验表明，多测点融合、全过程训练、概率预
测对改善模型性能均具有显著作用。其中，概率预测可让模型识别输入时序数据中的噪声，给出预测
置信区间。
（ ３）所提模型具有参数少、速度快、精度高等优点，可部署到数字孪生平台，实现堆石坝变形准
实时预测。此外，变形时序预测模型还可用于测点异常检测、缺损数据补全等场景，在大坝安全监测
和健康诊断中能发挥重要作用。本模型也可应用于拱坝、重力坝、水闸等其他水工建筑物的效应量预
测和评估。
２
（ ４）本文基于空间距离计算加权邻接矩阵，但拟合测点相关性与空间距离时 Ｒ偏低，反映出堆石
坝各部位变形存在更复杂的空间关联，在建模时可考虑结合包括坝体分区在内的更多先验信息；同
时，各测点间的空间关联在堆石坝全生命期内并非恒定的，应进一步开展动态时空融合模型的研究。

— ５ ７ —
４