时空融合的堆石坝变形预测模型及在安全监测中的应用

作     者：吴继业 马刚 艾志涛 杨启贵 周伟 WU Jiye;MA Gang;AI Zhitao;YANG Qigui;ZHOU Wei

作者机构：武汉大学水资源工程与调度全国重点实验室湖北武汉430072 武汉大学水工程科学研究院湖北武汉430072 武汉大学水工岩石力学教育部重点实验室湖北武汉430072 长江设计集团有限公司湖北武汉430010 

基　　金：国家重点研发计划课题(2022YFC3005504) 国家自然科学基金项目(52179141,52322907) 云南省重大科技专项计划项目(202202AF080004,202203AA080009) 雅砻江流域水电开发有限公司项目(0023-20XJ0011) 

出 版 物：《水利学报》 (Journal of Hydraulic Engineering)

年 卷 期：2024年第55卷第5期

页      码：564-576页

摘      要：变形预测是堆石坝安全监测与健康诊断的重要手段,现有研究多根据堆石坝监测数据建立单测点预测模型,未充分考虑测点之间相关性进行整体建模,且现有模型难以对漂移数据进行长期精准预测。本文考虑堆石坝变形序列的时序依赖性和测点之间的协同相关性,提出了基于图卷积和循环神经网络、引入概率预测与全过程训练的时空融合变形预测模型。该模型首先采用图卷积网络对多测点特征进行自适应汇聚,然后利用循环神经网络中细胞状态与隐层记忆沿时间轴的传递性,实现对时空信息的挖掘与融合,最后通过线性层得到概率预测参数,提高了模型对监测数据噪声的鲁棒性。采用全过程训练方式,提高模型对影响因子与累积变形量内在关系的学习能力,实现对漂移数据的长期精准预测。最后以水布垭面板堆石坝为例,进行了模型对比实验与消融实验,介绍了该模型在堆石坝安全监测和健康诊断中的三种具体应用。结果表明,本文模型有效融合了时空信息,在预测精度方面显著高于现有模型,解决了现有模型对大坝整体变形规律学习能力差、漂移数据预测精度低的问题,可用于堆石坝变形长期预测、测点异常检测与缺损数据补全。

主 题 词：堆石坝 变形预测 时空融合 图卷积网络 长短期记忆网络 概率预测 

学科分类：081504[081504] 08[工学] 0818[工学-交通运输类] 0903[农学-动物生产类] 0815[工学-矿业类] 

核心收录：

D　O　I：10.13243/j.cnki.slxb.20230510

馆 藏 号：203128177...