Page 105 - 2025年第56卷第6期

率特征的权重，结合皮尔逊相关系数探索灌浆功率时序预测的关键频率特征；利用 ＴＰＡ提取时序数据
各时间步长的依赖关系，并结合频谱分析灌浆功率的时序依赖信息，增强模型的可解释性。
（３）案例研究。将所提模型应用于我国西南某大 Ｉ型碾压混凝土重力坝工程的灌浆功率预测研究
中，并将其与 ＧＲＵ － ＴＰＡ、ＭＨＡ － ＧＲＵ、ＧＲＵ、一维卷积神经网络（１ＤＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，１Ｄ
ＣＮＮ ）和反向传播神经网络 （Ｂａｃｋ － ＰｒｏｐａｇａｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ，ＢＰＮＮ）等模型的预测结果进行对比分
析，验证所提模型的有效性和优越性。

图 １ 研究框架

３ 灌浆功率时序预测的可解释门控循环网络模型（ＥＧＲＮ）

３．１ 自适应噪声完备集合经验模态分解 自适应噪声完备集合经验模态分解（ＣＥＥＭＤＡＮ）通过向各阶
段加入自适应白噪声，消除了人为添加白噪声影响原始序列数据完整性的弊端。首先，对原始序列施
加自适应的正、负高斯白噪声，随后进行经验模态分解（ ＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）。在每
次提取一 个 ＩＭＦ分 量 后，向 剩 余 信 号 残 差 中 重 新 添 加 白 噪 声，并 重 复 这 一 过 程，逐 步 迭 代 进 行。

— ７ ９ ３ —