近日，我院水工程建设与安全运行团队在堆石坝变形预测及安全监测领域取得新成果。

1.研究简介：

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。

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。

模型总体框架

2.主要创新：

针对堆石坝变形数据漂移与含噪声的特点,同时考虑其时序依赖性和空间关联性,本文提出了时空融合的堆石坝变形预测模型。首先,采用图卷积网络对多测点特征进行自适应汇聚,再利用循环神经网络进行时空信息的融合与挖掘,最后基于线性层输出概率预测参数以提高模型对数据噪声的鲁棒性。通过全过程训练与推断方式,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。本文还探索了时序预测模型在堆石坝安全监测和健康诊断中的应用场景。

不同模型在4个典型测点上的预测结果对比

3.结论与工程科学价值：

(1)堆石坝各测点的空间相关性随着测点间距离的增加而降低,以此作为先验知识定义邻接矩阵。时空融合单元使多测点空间特征与时序依赖信息在时间轴中相互融合与层层递进,实现了多测点时空信息融合。

(2)堆石坝变形数据具有漂移性,与其他时序模型、机器学习模型以及传统多元线性回归模型相比,所提模型具有最高的单测点预测精度和较好的整体预测能力。消融实验表明,多测点融合、全过程训练、概率预测对改善模型性能均具有显著作用。

(3)所提模型具有参数少、速度快、精度高等优点,可部署到数字孪生平台,实现堆石坝变形准实时预测。此外,变形时序预测模型还可用于测点异常检测、缺损数据补全等场景,在大坝安全监测和健康诊断中能发挥重要作用。

基于时序预测模型的坝体变形预测

基于时序预测模型的测点异常检测

基于时序预测模型的缺损数据补全

该成果已在水利行业权威期刊《水利学报》发表，指导老师为我院马刚教授、杨启贵大师和周伟教授。