Page 103 - 2025年第56卷第6期

水 利 学 报

２０２５年 ６月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５６卷 第 ６期

文章编号：０５５９ － ９３５０（２０２５）０６ － ０７９１ － １４

灌浆功率时序预测的可解释门控循环网络模型

１
１
１
３
２
王晓玲 ，轩昕祺 ，余红玲 ，李 志 ，张天鸿 ，倪 磊 ３
（１．天津大学 水利工程仿真与安全国家重点实验室，天津 ３０００７２；２．中国农业大学 水利与土木工程学院，北京 １０００８３；
３．华能澜沧江水电股份有限公司，云南 昆明 ６５０２１４）
摘要：灌浆功率是灌浆施工过程控制的重要指标，精准预测灌浆功率有助于优化灌浆施工策略。现有灌浆功率
预测大多采用常规的机器学习模型，其浅层结构难以挖掘复杂地质条件、施工布置等多因素耦合影响下的非线
性时序特征，导致模型预测精度较 低，并 且 现 有 模 型 内 部 决 策 机 制 不 透 明，模 型 可 解 释 性 较 差。针 对 上 述 问
题，本文提出一种灌浆功率时序预测的可解释门控循环网络（ＥＧＲＮ）模 型。首 先，采 用 自 适 应 噪 声 完 备 集 合 经
验模态分解方法将灌浆功率时序数据分解为不同频率的本征模态分量，在门控循环单元（ＧＲＵ）前置多头自注意
力机制（ ＭＨＡ），以有效提取灌浆功率时序 数 据 的 多 维 频 率 特 征，并 引 入 时 序 注 意 力 机 制 （ＴＰＡ）捕 捉 灌 浆 功 率
数据的长期时序依赖关系，提高模型的预 测 精 度。之 后 结 合 ＭＨＡ的 权 重 分 配 与 ＴＰＡ的 滤 波 器 频 谱 分 析 结 果，
挖掘灌浆功率预测模型中关键的频率特征与时序依赖特征，增强模型的可解释性。案例分析结果表明，相较于
其它对比模型，本文所提模 型 具 有 更 高 的 预 测 精 度，其 ＭＡＥ、ＲＭＳＥ和 ＭＡＰＥ平 均 值 降 低 了 ２４．７８％、２７．２９％
２
和 ２４．９９％，Ｒ系数平均提高 ７．７４％，相较传统机器学习 算 法，本 文 所 提 模 型 可 解 释 性 更 强，具 有 更 高 的 透 明
度与可信度。
关键词：灌浆功率；门控循环单元；注意力机制；可解释性；自适应噪声完备集合经验模态分解
文献标识码：Ａ
中 图 分 类 号 ： Ｔ Ｖ ５ ４ ３ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２４０２７０
１ 研究背景

确保灌浆过程中的各项参数，如压力、流量、水灰比等处在适宜的阈值内是保证灌浆施工质量的
关键 ［１］ 。部分研究基于数值模拟 ［２ － ５］ 与机器学习 ［６ － ８］ 技术探索浆液在地层介质扩散过程中的压力、流
量等参数的变化规律，然而，这种仅针对灌浆压力或流量的预测方法，难以真实反映灌浆工程的整体
状况。针对上述问题，有学者提出将压力与流量的乘积———灌浆功率作为灌浆施工过程的联合调控指
标 ［９］ ，这弥补了单独关注灌浆压力、流量的信息缺失问题 ［１０］ 。因此，准确可靠的灌浆功率预测模型，
对于协助施工人员调整灌浆策略、保证灌浆过程稳定具有重要的理论与现实意义。
现有研究大多基于机器学习方法建立灌浆功率预测模型。邓韶辉等 ［１１］ 构建了基于模糊信息粒化与
灰狼优化支持向量机（ ＳｕｐｐｏｒｔＶｅｃｔｏｒＲｅｇｒｅｓｓｉｏｎ，ＳＶＲ）的灌浆功率时序预测模型，实现了灌浆功率的
快速预测；Ｘｕｅ等 ［１２］ 通过叠加各灌浆功率子序列的预测结果，提高了灌浆功率的预测效果；王晓玲
等 ［１３］ 通过模拟裂隙参数生成了精细三维裂隙网络模型，并基于改进蝗虫算法优化的 ＳＶＲ模型对灌浆
功率阈值进行预测；Ｚｈｕ等 ［１４］ 将混合分解技术和改进的极限学习机应用于灌浆功率区间预测，量化了
灌浆功率过程的不确定性。由于灌浆工程具有隐蔽性和复杂性，灌浆过程受到地质作用的影响显著，
灌浆功率序列随地质结构和施工条件的动态变化，呈现出非线性的波动特征。而上述模型的浅层结构

收稿日期：２０２４ － ０５ － ０９；网络首发日期：２０２５ － ０５ － １９
网络首发地址：ｈｔｔｐｓ：??ｌｉｎｋ．ｃｎｋｉ．ｎｅｔ?ｕｒｌｉｄ?１１．１８８２．ＴＶ．２０２５０５１９．０９４１．００１
基金项目：国家自然科学基金项目（５２３７９１３１）；华能集团总部科技项目（ＨＮＫＪ２０ － Ｈ２１ＴＢ）
作者简介：王晓玲（ １９６８ － ），博士，教授，主要从事水利工程智能建设与管理研究。Ｅ － ｍａｉｌ：ｗａｎｇｘｌ＠ｔｊｕ．ｅｄｕ．ｃｎ
通信作者：余红玲（１９９４ － ），博士，主要从事水利工程智能建设与管理研究。Ｅ － ｍａｉｌ：ｙｕｈｏｎｇｌｉｎｇ＠ｃａｕ．ｅｄｕ．ｃｎ
— ７ ９ １ —