Page 108 - 2025年第56卷第6期

的输入层；其次，在隐藏层通过 ＭＨＡ、ＧＲＵ、ＴＰＡ三层结构的逐级处理，挖掘灌浆功率的特征信息；
最后，在输出层整合信息，获得灌浆功率的预测值。

图 ５ 灌浆功率时序预测的 ＥＧＲＮ模型结构示意

２
为了评价模型的性能，使 用 ＭＡＥ、ＲＭＳＥ、ＭＡＰＥ、Ｒ 来 衡量，计 算 公 式如 式 （１７）—（２０）所示。
２
其中，ＭＡＥ、ＲＭＥＳ、ＭＡＰＥ越低、Ｒ越趋近于 １，则说明该模型的预测精度越高。
１ ｎ
ＭＡＥ＝ ∑ ｙ－ ＾ｙ ｔ （１７）
ｔ
ｎ ｔ ＝１
ｎ
１
ＲＭＳＥ＝ ∑ （ｙ－ ＾ｙ ） ２ （１８）
槡
ｔ
ｔ
ｎ ｔ ＝１
１ ｎ ｙ－ ＾ｙ
ｔ
ｔ
ＭＡＰＥ＝ ∑ × １００％ （１９）
ｎ ｔ ＝１ ｙ
ｔ
ｎ
∑ （ｙ－ ＾ｙ ） ２
ｔ
ｔ
２
Ｒ ＝１－ ｔ ＝１ （２０）
ｎ
∑ （ｙ－ 珋 ２
ｙ）
ｔ
ｔ
ｔ ＝１
式中：ｎ为灌浆功率数据样本数量；ｙ为灌浆功率真实值； ＾ｙ为灌浆功率预测值。
ｔ ｔ
４ 工程实例
＃
４．１ 数据收集及预处理 选取西南某大 Ｉ型碾压混凝土重力坝 １２坝段某帷幕灌浆孔段作为研究对象，
基于智能灌浆实时监控与分析系统，实时采集灌浆过程数据，每间隔 １０ｓ采集一次并将其上传至后端
数据库。采集的实时数据包括：灌浆压力 Ｐ、进浆流量 Ｑ、回浆流量 Ｑ 等。依据采集的数据获取灌
１ ２
浆功率序列值如图 ６所示。为提高模型在训练过程中的收敛速度，利用最大 － 最小归一化算法将原始
数据线性缩放至［ ０，１］区间 ［２９］ 。随后采用 ＣＥＥＭＤＡＮ方法将归一化数据分解为 ＩＭＦｓ，如图 ７所示。
从图中可以观察到，ＩＭＦ到 ＩＭＦ的波动频率逐渐降低，无明显的周期性模式；ＩＭＦ的频率最低，接
１ ８ ８
近平滑的线性趋势。

图 ６ 基于智能灌浆实时监控与分析系统的灌浆功率监测值

— ７ ９ —
６