Page 18 - 2025年第56卷第1期

大坝服役性态分析与管理是大坝运维阶段最重要的任务，涵盖了大坝结构健康监测、渗流安全分
析、大坝风险评估与管理等多个方面。如基于数据驱动的机器学习和深度学习方法在大坝结构变
形 ［110］ 、应力 ［111］ 、位移 ［112］ 和结构病害 ［113］ 的预测中取得了显著成果。以聚类分析 ［114］ 为代表的无监督学
习算法能够通过识别传感器数据中的模式和异常，提升了大坝在复杂服役环境下早期预警的准确性。
在大坝渗流安全智能分析方面，余红玲等 ［115］ 提出了机器学习框架下改进的 XGBoost（eXtreme Gradient
Boosting）集成模型，用于分析大坝渗流场，并进一步提出了基于代理模型的渗流参数贝叶斯反演方
法 ［116］ ，实现了渗透系数的高效精准估算；可拓云 ［117］ 、云模型 ［118］ 和深度学习方法 ［119］ 等人工智能手段
也为大坝渗流安全评价提供了新思路。
水文与洪水预报对水资源的高效利用和防洪减灾等具有重要影响。近年来，基于数据驱动的人工
智能方法得到了长足发展。如徐炜等 ［120］ 提出了基于 Box-Cox 变换的贝叶斯概率水文预报方法，提升了
小样本数据集上的预报质量；Ding 等 ［121］ 开发了结合 LSTM（Long Short-Term Memory）和注意力机制的时
空长短期记忆模型，用于小流域洪水预报；Cui 等 ［122］ 将注意力机制和编码器-解码器结构融入长短期
记忆神经网络，实现了三峡水库区间的洪水预报；崔虎虎 ［123］ 提出了一种融合机理和数据的山区中小
河流洪水预报方法，通过联合优化构建了数据-机理的混合驱动模型。
大坝运维阶段的资源管理与优化任务主要集中于水资源调度管理与发电策略优化 ［124］ 。基于历史
水文数据和实时传感器数据建立的数据驱动模型被广泛应用于用水需求预测，以实现水资源的优化配
置。近年来，数据驱动的人工智能决策支持系统被用于改进水库调度，优化放水策略 ［125］ ，监测水库
水位，预测水位变化，为水资源调度提供最佳决策 ［126］ 。在发电策略优化研究中，Adnan 等 ［127］ 和 Ikram
等 ［128］ 基于数据驱动的时序预测模型，通过预测短期径流的变化，调整水轮机运行设置以优化水电厂
的运行效率，从而最大化能量产出，减少设备磨损。
设备性能的预测与维护是大坝运维中的关键工作，直接影响大坝的安全和经济效益。目前，设备
性能预测与维护的研究主要以数据驱动的人工智能方法 ［129］ 为主。这一方法有助于预测设备故障发生
时间，从而在故障发生前制定维护计划，而非依赖固定的时间表或被动等待故障发生 ［13］ 。

5 结论与展望

大坝智能建设 1.0 显著改变了大坝设计、建设和运维模式，实现了从大坝数字化建设向智能化建
设的突破。在智能时代，水利工程的智能化需要依托全新的人机共生理念，以及先进的感知、分析和
反馈控制技术，构建以人工智能为核心的新模式。这将满足高标准、无人化和少人化的新要求，最终
实现质量、进度、安全和环保协同控制的新目标。在此背景下，大坝智能设计、建设和运维的理论与技
术亟需进一步创新和发展，以助力大坝智能建设 2.0 的实现，为未来的大坝智能建设 3.0 奠定坚实基础。
面向大坝智能建设 3.0，此阶段将进一步发展数字大坝、大坝智能建设 1.0 和 2.0 的优质成果，通
过新一代智能技术的有机融入全面提升智能化水平。因此，大坝智能建设 3.0 将着重完成以下三方面
的任务：
（1）通用基座模型构建。目前，大坝建设和运维中的大多数智能模型都针对特定任务，通常依赖
大量人工标注数据进行训练。相比之下，大型预训练模型采用无监督或自监督学习方法，主要利用未
标记数据进行初步训练，并可通过少量标记数据进行微调，从而在多项任务中取得较好效果。这种
“预训练-微调”模式已在计算机视觉和自然语言处理中取得成功，但在大坝领域的应用效果往往不如
特定数据集的模型。因此，构建适用于大坝全生命周期的通用智能模型，具有较强的泛化能力，是实
现构建以 IDAM-AGI 为核心的大坝智能建设 3.0 的重要环节。通用基座模型的构建有两种主要途径：
一是从头构建大坝智能建设通用模型基座，此途径依赖于高质量、多样化的大坝工程数据及强大的计
算能力；二是基于现有的大型预训练模型，通过引入专业领域的知识进行定制优化。相较于前者，第
二种途径不仅更加经济，而且能够有效整合多源数据，提升模型的智能化水平。

— 13 —