Page 127 - 水利学报2025年第56卷第3期

５ 结论

本文有机融合麻雀搜索算法、ＲＢＦ代理模型、变分模态分解、ＬＳＴＭ 神经网络 ４种方法，构建了
ＳＳＡ － ＲＢＦ － ＶＭＤ － ＬＳＴＭ渗压预测融合模型，实现了土石坝渗流压力的准确预测。
（ １）通过有限元模型渗透系数敏感性分析，筛选关键渗透系数，以简化反演模型并提高反演精度；
通过构建 ＳＳＡ － ＲＢＦ反演代理模型，反演得到有限元模型所需的渗透系数值，并基于此构建 测点的
ＳＳＡ － ＲＢＦ渗压预测机理模型，该模型可较好地预测出测点渗流压力变化趋势。
（ ２）ＶＭＤ变分模态分解过程引入能量法获得分解效果最优 ｋ值，本文案例最优值为 ９，基于此构
建的 ＶＭＤ － ＳＳＡ － ＬＳＴＭ残差修正模型能更好地提取残差数据的内在特征，能较好地拟合残差变化。
（３）将物理意义更明确、可靠性与可解释性更高的机理模型结果作为主要预测值，将对非线性数
据拟合精度更高的 ＶＭＤ － ＳＳＡ － ＬＳＴＭ模型结果作为残差修正值，以此构建 ＳＳＡ － ＲＢＦ － ＶＭＤ － ＬＳＴＭ渗压
预测融合模型。该模型相比于单一机理模型既大幅度提高了预测精度，同时也避免了深度学习模型在
应用过程中存在的解释性差、可靠性存疑、外推能力差等问题，尤其是在过程线出现突变时，该模型
仍能够及时给出准确的预测值。案例分析结果表明，本文所提出的模型相较于统计模型、纯数据驱动
ＬＳＴＭ模型和 ＳＳＡ － ＲＢＦ － ＬＳＴＭ模型，预测精度显著提高。

参 考 文 献：

［ １］ 张建云，杨正华，蒋金平．我 国 水 库 大 坝 病 险 及 溃 决 规 律 分 析 ［Ｊ］．中 国 科 学 （技 术 科 学 ），２０１７，４７
（１２）：１３１３ － １３２０．
［ ２］ 王宁．土石坝渗流影响因素及坝坡稳定性研究［Ｄ］．成都：西华大学，２０１８．
［ ３］ 吕小龙，黄丹，姜冬菊．基于 ＰＯＤ － ＲＢＦ代 理 模 型 的 迭 代 更 新 反 演 方 法 ［Ｊ］．计 算 力 学 学 报，２０２２，３９
（４）：５０６ － ５１１．
［ ４］ 宋锦焘，袁帅，刘云贺，等．土石坝渗 流 安 全 监 控 的 集 成 学 习 融 合 模 型 ［Ｊ］．水 力 发 电 学 报，２０２３，４２
（５）：１０７ － １１９．
［ ５］ 谷宇，苏怀智，张帅，等．基于自适应时序分解筛选的大坝变形预测模型［Ｊ］．水利学报，２０２４，５５（９）：
１０４５ － １０５７，１０７０．
［ ６］ 朱赵辉，刘健，李新，等．基于稳健估计的大坝变形监测统计模型分析［Ｊ］．中国水利水电科学研究院学
报，２０１８，１６（２）：１０５ － １１２．
［ ７］ 赵明哲，樊牧，沈立锋，等．基于 ＧＡＭＬＳＳ － ＧＬＯ及随机森林算法的土石坝渗流监测模型［Ｊ］．水资源与水
工程学报，２０２３，３４（５）：１９８ － ２０６，２１４．
［ ８］ 缪长健，施斌，郑 兴，等．基 于 ＣＭ－ ＡＦＳＡ － ＢＰ神 经 网 络 的 土 石 坝 渗 流 压 力 预 测 ［Ｊ］．水 电 能 源 科 学，
２０１９，３７（２）：８２ － ８５．
［ ９］ 姜宇航，王伟，邹丽芳，等．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的滑坡
位移动态预测模型研究［ Ｊ］．岩土力学，２０２２，４３（Ｓ１）：６０１ － ６１２．
［１０］ 王晓玲，李克，张宗亮，等．耦合 ＡＬＯ － ＬＳＴＭ 和特征注意力机制的土石坝渗压预测模型 ［Ｊ］．水利学报，
２０２２，５３（４）：４０３ － ４１２．
［１１］ ＬＥＣＵＮＹ，ＢＥＮＧＩＯＹ，ＨＩＮＴＯＮＧ．Ｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．Ｎａｔｕｒｅ，２０１５，５２１（７５５３）：４３６．
［１２］ 马睿，尹韬，李浩欣，等．大坝机理－ 数据融合模型的基本结构与特征［Ｊ］．水力发电学报，２０２２，４１（５）：
５９ － ７４．
［１３］ ＲＥＩＣＨＳＴＥＩＮＭ，ＣＡＭＰＳ － ＶＡＬＬＳＧ，ＳＴＥＶＥＮＳＢ，ｅｔａｌ．Ｄｅｅｐｌｅａｒｎｉｎｇａｎｄｐｒｏｃｅｓｓｕｎｄｅｒｓｔａｎｄｉｎｇｆｏｒｄａｔａ －
ｄｒｉｖｅｎＥａｒｔｈｓｙｓｔｅｍ ｓｃｉｅｎｃｅ ［Ｊ］．Ｎａｔｕｒｅ，２０１９，５６６（７７４３）：１９５．
［１４］ ＫＡＲＮＩＡＤＡＫＩＳＧＥ，ＫＥＶＲＥＫＩＤＩＳＩＧ，ＬＵＬ，ｅｔａｌ．Ｐｈｙｓｉｃｓ － ｉｎｆｏｒｍｅｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇ［Ｊ］．ＮａｔｕｒｅＲｅｖｉｅｗｓ
Ｐｈｙｓｉｃｓ，２０２１，３（６）：４２２ － ４４０．
［１５］ 胡健雄，汤奕，李峰，等．电力 系 统 中 数 据 － 物 理 融 合 模 型 的 并 联 模 式 性 能 分 析 ［Ｊ］．电 力 系 统 自 动 化，

— ４ ０ ９ —