摘要：随着堆石坝高度从200 m级向300 m级迈进,大坝变形协调控制变得尤为重要,基于参数反演的堆石坝有限元模拟是进行变形性态评估的常用手段之一。为探讨不同参数反演策略在高心墙堆石坝中的适用性,本文进行了参数联合反演与解耦反演策略对比研究。采用神经网络构建有限元正算的代理模型,采用群体智能优化算法进行迭代寻优,反演得到静力、流变和湿化模型参数。相较于人工干预少、效率高的参数联合反演方法,参数解耦反演方法通过分阶段、分区域的材料参数反演,能够更合理地反映填筑蓄水过程对堆石坝变形的影响。基于解耦反演参数计算的坝体变形与实测值吻合良好,更有效地揭示了坝体在填筑、蓄水及长期运行过程中的变形空间分布和演变规律。

摘要：土石坝变形协调控制对保证其全生命期安全至关重要,准确可靠的变形监测是评估大坝变形性态、进行变形控制的基础。我国土石坝设计水平与建造技术已达到世界领先水平,其建设高度已迈入300 m级,安全监测技术也得到显著提升。本文总结了土石坝变形监测技术的发展与实践,介绍了分布式光纤传感、管道监测系统、GNSS/北斗、InSAR等新型内外观变形监测技术的工作原理、应用情况、技术优势和局限性,并简述了监测资料整编工作的相关进展。最近建成和在建的几座高土石坝已初步呈现了多技术协同、测点密集化等新态势,可全方位感知土石坝变形,为大坝安全评估提供了良好的数据基础。未来需进一步提升监测仪器可靠性与寿命,研发适用于超深厚覆盖层巨型土石坝的监测技术和仪器,研究海量多源异构监测数据治理理论与方法,全面提升复杂条件下的土石坝安全监测能力和数据治理水平。

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。