Page 117 - 水利学报2025年第56卷第3期

构建基于 ＣＭ－ ＡＦＳＡ － ＢＰ神经网络的预测模型；宋锦焘等 ［４］ 结合贝叶斯差分自适应 Ｍｅｔｒｏｐｏｌｉｓ集成理
论，将多个机器学习算法和统计模型进行集成以优化模型权重系数。姜宇航等 ［９］ 基于粒子群变分模态
分解、非线性自回归神经网络与门控循环单元，构建滑坡位移动态预测模型；王晓玲等 ［１０］ 为对深度学
习模型中渗压效应量各影响因子影响程度进行定量分析，在基于蚁狮优化算法的长短时记忆网络模型
中引入特征注意力机制来对模型进行影响因素解析。当前数据驱动的深度学习已经在计算机视觉、语
音识别、自然语言处理、音频识别与生物信息学等领域取得了较好效果 ［１１］ ，但在水库大坝工程及安全
监控领域还存在以下几个问题 ［１２ － １４］ ：（１）模型可解释性较差；（２）无法判断物理一致性；（３）大坝物理
力学参数、安全监测数据复杂且存在不确定性；（ ４）训练所需数据质量要求高且计算成本高。
综上，机理模型和数据驱动模型各有利弊，实际应用中常单独或联合使用，但两者尚未深度融
合。若要实现渗流准确预测，单一模型难以满足需求，将深度学习与具有物理意义的模型联合建立融
合模型是未来发展趋势 ［１３］ 。马睿等 ［１２］ 提出了适用坝工领域的融合模型串联、并联、混联的三种结构
型式、基本特征及适用性；胡健雄等 ［１５］ 在电力系统中构建了基于并联模式的机理－ 数据融合模型，通
过数据驱动模型修正了物理模型因为不确定性等因素产生的预测误差。
基于机理－ 数据融合模型建模思路，本文研究提出一种基于麻雀搜索算法（ＳｐａｒｒｏｗＳｅａｒｃｈＡｌｇｏｒｉｔｈｍ，
ＳＳＡ）、径向基函数（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ，ＲＢＦ）代理模型、变分模态分解（ＶＭＤ）和残差修正的长短时
记忆网络（ ＬＳＴＭ）模型的土石坝渗流融合预测模型，并进一步通过对统计模型、纯数据驱动 ＬＳＴＭ 模
型、ＳＳＡ － ＲＢＦ － ＬＳＴＭ三种模型精度指标进行对比，以验证本文提出模型的有效性。

２ 研究框架

本文提出的机理－ 数据融合与残差修正的土石坝渗压预测模型主要包括 ５个部分：①建模数据预
处理；②机理模型构建；③数据驱动的残差修正模型构建；④机理－ 数据融合模型构建；⑤案例分析。
研究框架如图 １所示。

图 １ 研究框架

— ３ ９ ９ —