基于智能組合模型的大壩變形預(yù)測(cè)預(yù)報(bào)研究

Studies on dam deformation prediction and warning based on an intelligent combination model

李雙平，劉祖強(qiáng)，張斌，鄭俊星，王華為，李永華蘇森南

（1.長(zhǎng)江空間信息技術(shù)工程有限公司（武漢，430010，武漢；2.湖北省水利信息感知與大數(shù)據(jù)工程技術(shù)研究中心，430010，武漢；3.國(guó)家大壩安全工程技術(shù)研究中心，430010，武漢；4.華中科技大學(xué)，430074，武漢）

摘要：針對(duì)數(shù)字孿生水利工程大壩安全“四預(yù)”中預(yù)測(cè)預(yù)報(bào)的準(zhǔn)確性和可靠性需求，提出智能組合模型系統(tǒng)方法。該方法通過(guò)深入分析大壩變形的多重影響因素，結(jié)合信號(hào)處理技術(shù)，智能地分離出主導(dǎo)性的大壩變形趨勢(shì)分量。隨后，采用智能算法精確匹配最優(yōu)擬合模型，并結(jié)合灰色模型、時(shí)間序列模型及神經(jīng)網(wǎng)絡(luò)等多種建模技術(shù)，構(gòu)建了一個(gè)高度集成、具有自適應(yīng)能力的智能組合模型。通過(guò)丹江口大壩變形時(shí)間序列的訓(xùn)練和優(yōu)化，并與傳統(tǒng)統(tǒng)計(jì)模型預(yù)測(cè)結(jié)果對(duì)比驗(yàn)證，實(shí)驗(yàn)表明，智能組合模型在預(yù)測(cè)精度、數(shù)據(jù)適應(yīng)性和魯棒性方面具有顯著優(yōu)勢(shì)，尤其是在處理非線性關(guān)系和長(zhǎng)時(shí)序依賴(lài)性方面表現(xiàn)突出，同時(shí)有效提升了外延預(yù)測(cè)精度和泛化能力。此外，該模型能夠提前1個(gè)周期（時(shí)長(zhǎng)為一年）準(zhǔn)確預(yù)測(cè)大壩關(guān)鍵部位的潛在變形趨勢(shì)，為工程人員提供充足的時(shí)間采取預(yù)防措施，減少潛在風(fēng)險(xiǎn)。利用智能組合模型開(kāi)展丹江口大壩的變形預(yù)測(cè)與預(yù)報(bào)，不僅提升了監(jiān)測(cè)系統(tǒng)的智能化水平，還為大壩的安全評(píng)估、風(fēng)險(xiǎn)預(yù)警和科學(xué)管理提供了有力技術(shù)支撐。

關(guān)鍵詞：智能組合模型；泛化能力；魯棒性；大壩變形；預(yù)測(cè)預(yù)報(bào)

作者簡(jiǎn)介：李雙平，正高級(jí)工程師，主要從事大壩運(yùn)行安全智慧監(jiān)測(cè)系統(tǒng)設(shè)計(jì)、管理和科研方面的工作。

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（2022YFC3005504）。

DOI：10.3969/j.issn.1000-1123.2025.02.008

大壩是水利水電工程的核心組成部分，隨著時(shí)間的推移和環(huán)境的變化，大壩的結(jié)構(gòu)安全往往面臨挑戰(zhàn)。其中，大壩變形是衡量大壩健康狀況的關(guān)鍵指標(biāo)之一，對(duì)于評(píng)估大壩的安全性至關(guān)重要。應(yīng)對(duì)大壩復(fù)雜多變的變形模式和非線性效應(yīng)，傳統(tǒng)的變形監(jiān)測(cè)數(shù)據(jù)分析方法存在一定局限。近年，隨著信息技術(shù)快速發(fā)展，智能組合模型作為一種新興預(yù)測(cè)工具已經(jīng)在大壩變形預(yù)測(cè)預(yù)報(bào)領(lǐng)域展現(xiàn)出顯著優(yōu)勢(shì)。這類(lèi)模型能夠通過(guò)機(jī)器學(xué)習(xí)等先進(jìn)技術(shù)處理復(fù)雜的變形模式，從而顯著提高預(yù)測(cè)精度和可靠性。本研究旨在開(kāi)發(fā)一種基于智能組合模型的大壩變形預(yù)測(cè)預(yù)報(bào)方法，通過(guò)集成多種先進(jìn)的預(yù)測(cè)算法和技術(shù)，以期為大壩安全管理和維護(hù)提供更為精準(zhǔn)的支持。

相關(guān)研究進(jìn)展

傳統(tǒng)的大壩安全監(jiān)測(cè)與變形預(yù)測(cè)往往依賴(lài)于單一模型或技術(shù)，如劉祖強(qiáng)構(gòu)建了土石壩垂直位移預(yù)報(bào)模型，進(jìn)行大壩安全監(jiān)測(cè)動(dòng)態(tài)系統(tǒng)的灰色模型研究，以及工程變形態(tài)勢(shì)的組合模型分析與預(yù)測(cè)等。張杰對(duì)大壩安全監(jiān)測(cè)統(tǒng)計(jì)模型進(jìn)行比較與選擇的研究，旨在找到適用于特定條件的最優(yōu)模型。在現(xiàn)代預(yù)測(cè)技術(shù)的應(yīng)用方面，王成等提出一種基于TESAOC的ARIMA-BP組合模型，用于混凝土壩變形預(yù)測(cè)。晏紅波等則采用EEMD-GA-BP模型預(yù)測(cè)大壩變形監(jiān)測(cè)數(shù)據(jù)。李麒等通過(guò)SWT和SVR方法研究重力壩變形預(yù)測(cè)。這些方法結(jié)合傳統(tǒng)統(tǒng)計(jì)技術(shù)和現(xiàn)代機(jī)器學(xué)習(xí)算法，提升了預(yù)測(cè)的準(zhǔn)確性和可靠性。在數(shù)理模型優(yōu)選方法上，黃耀英等研究了大壩監(jiān)測(cè)量的最佳統(tǒng)計(jì)模型優(yōu)選方法，為大壩監(jiān)測(cè)數(shù)據(jù)的合理分析提供了指導(dǎo)。董夢(mèng)思研究了基于BP神經(jīng)網(wǎng)絡(luò)的混凝土壩安全監(jiān)測(cè)統(tǒng)計(jì)模型，該模型能夠有效處理非線性問(wèn)題。吳敏妍等提出了一種基于主成分分析（PCA）、鯨魚(yú)優(yōu)化算法（WOA）和最小二乘支持向量機(jī)（LSSVM）的混凝土壩變形預(yù)測(cè)組合模型。這些文獻(xiàn)共同推進(jìn)了大壩安全監(jiān)測(cè)和變形預(yù)測(cè)領(lǐng)域的研究進(jìn)展，提出了多種有效的模型和技術(shù)方案，對(duì)于保障大壩安全運(yùn)行具有重要意義。

現(xiàn)有數(shù)學(xué)模型在大壩變形運(yùn)行態(tài)勢(shì)預(yù)測(cè)與預(yù)報(bào)中各具特點(diǎn)，然而仍存在一定局限性。非線性模型雖然能夠較好地處理小樣本、非線性關(guān)系及高維模式識(shí)別等實(shí)際問(wèn)題，但其性能在很大程度上依賴(lài)于核函數(shù)選擇，不同樣本數(shù)據(jù)對(duì)核函數(shù)需求差異較大，進(jìn)而影響預(yù)測(cè)精度。灰色模型將原始數(shù)據(jù)序列累加以降低數(shù)據(jù)序列的隨機(jī)性，不足是對(duì)于原始數(shù)據(jù)呈非指數(shù)增長(zhǎng)的情況并不適用。時(shí)間序列模型往往需要大量的樣本數(shù)據(jù)作為計(jì)算基礎(chǔ)，對(duì)于短數(shù)據(jù)序列，由于信息量較少，規(guī)律性不強(qiáng)，往往存在精度不足、穩(wěn)定性不高等問(wèn)題。神經(jīng)網(wǎng)絡(luò)模型雖采用梯度下降進(jìn)行學(xué)習(xí)，但其訓(xùn)練過(guò)程容易陷入局部極值點(diǎn)，從而導(dǎo)致模型預(yù)測(cè)效果不穩(wěn)定。

基于智能組合模型的大壩變形預(yù)測(cè)預(yù)報(bào)模型在處理大壩變形監(jiān)測(cè)數(shù)據(jù)時(shí)，首先采用先進(jìn)的信號(hào)處理技術(shù)和統(tǒng)計(jì)分析方法，從海量監(jiān)測(cè)數(shù)據(jù)中分離出不同時(shí)間尺度和物理機(jī)制下的變形分量，涵蓋了長(zhǎng)期緩慢變化趨勢(shì)以及短期波動(dòng)或異?，F(xiàn)象。然后，通過(guò)智能匹配算法，針對(duì)變形趨勢(shì)分量特性，自動(dòng)優(yōu)選最適合的預(yù)測(cè)模型。例如，對(duì)于具有明顯趨勢(shì)特性的變形分量，可能選用灰色預(yù)測(cè)模型來(lái)捕捉其發(fā)展趨勢(shì)；而對(duì)于含有復(fù)雜非線性關(guān)系或季節(jié)性周期性的分量，則可能采用時(shí)間序列分析模型，以充分利用歷史數(shù)據(jù)中的時(shí)間序列特征和循環(huán)模式。智能組合模型的構(gòu)建，不僅僅是簡(jiǎn)單地將這些單一模型疊加，而是通過(guò)集成學(xué)習(xí)策略，如加權(quán)平均法、堆疊泛化或模型融合技術(shù)，使得各模型的優(yōu)勢(shì)互補(bǔ)，減少單一模型的局限性和誤差，提高整體預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。這種方法能夠更全面、更精確地模擬大壩變形的過(guò)程，為大壩的安全監(jiān)測(cè)、維護(hù)決策及風(fēng)險(xiǎn)評(píng)估提供支持。

智能組合模型構(gòu)建原理

1.組合模型總體結(jié)構(gòu)

智能組合模型的基本思想是通過(guò)分析大壩變形的影響因素（如上游水位、下游水位、水頭、氣溫和降雨量），利用分離的大壩變形趨勢(shì)分量，智能匹配對(duì)數(shù)函數(shù)、指數(shù)函數(shù)、冪函數(shù)、多項(xiàng)式函數(shù)等最優(yōu)擬合模型，再與灰色模型、時(shí)間序列模型和神經(jīng)網(wǎng)絡(luò)模型等智能組合，利用標(biāo)準(zhǔn)差、相關(guān)系數(shù)、確定性系數(shù)等模型參數(shù)，通過(guò)多目標(biāo)優(yōu)化構(gòu)建最優(yōu)預(yù)測(cè)預(yù)報(bào)組合模型，從而得到智能組合模型系統(tǒng)，系統(tǒng)總體結(jié)構(gòu)下圖所示。智能模型直接以原型監(jiān)測(cè)時(shí)間序列數(shù)據(jù)作為輸入，輸出為預(yù)測(cè)的未來(lái)大壩變形量。

智能組合模型系統(tǒng)總體結(jié)構(gòu)

2.非線性擬合模型智能匹配

（1）單效應(yīng)量時(shí)間序列的周期性分解

針對(duì)大壩變形時(shí)間序列y（t），適合采用加法模型進(jìn)行分解。

式中，）、）、）分別是周期項(xiàng)、趨勢(shì)項(xiàng)和殘差。

（2）趨勢(shì)項(xiàng)序列非線性擬合模型

通過(guò)預(yù)設(shè)對(duì)數(shù)函數(shù)、指數(shù)函數(shù)、冪函數(shù)、多項(xiàng)式函數(shù)或者自定義函數(shù)對(duì)趨勢(shì)項(xiàng)序列進(jìn)行擬合，采用加權(quán)最小二乘法進(jìn)行非線性擬合模型參數(shù)求解，基本公式如下：

①設(shè)y是關(guān)于自變量=（，…，）和待估參數(shù)=（，…，）的非線性函數(shù)，即

②給出（）的對(duì)觀測(cè)值()，=1，2，…，，確定能使目標(biāo)函數(shù)為最小的參數(shù)。目標(biāo)函數(shù)為：

③通過(guò)目標(biāo)函數(shù)（3）求解式（2），得到參數(shù)。

依據(jù)多種非線性擬合模型結(jié)果用標(biāo)準(zhǔn)差、相關(guān)系數(shù)和確定性系數(shù)等指標(biāo)來(lái)優(yōu)選一個(gè)非線性函數(shù)作為非線性擬合模型，即利用多目標(biāo)優(yōu)化問(wèn)題對(duì)趨勢(shì)項(xiàng)序列配置最優(yōu)擬合函數(shù)。

3.灰色模型GM（1,1）

將大壩監(jiān)測(cè)效應(yīng)量看作一定范圍內(nèi)變化的灰色量，將其監(jiān)測(cè)的資料視為一定時(shí)區(qū)變化的灰色過(guò)程，將無(wú)或弱規(guī)律變化的原始數(shù)列變?yōu)橛休^強(qiáng)規(guī)律變化的生成數(shù)據(jù)，并以此建立灰色模型。

???為含有個(gè)元素的時(shí)間序列???=（???（1），???（2），…，???）），???的一階累加生成序列x?1?=（x?1?（1），x?1?（2），…，x?1?（n））。其中，=1，2，…，）。

GM（1,1）的灰微分方程為：

式中，為發(fā)展系數(shù)；為灰作用量?；椅⒎址匠滔鄳?yīng)的白化方程為：

通過(guò)累減過(guò)程即可求得原始數(shù)列的還原預(yù)測(cè)值：

4.時(shí)間序列模型ARIMA

ARIMA模型是由自回歸模型（AR）、差分過(guò)程（I）和滑動(dòng)平均模型（MA）的結(jié)合，用于描述時(shí)間序列數(shù)據(jù)的動(dòng)態(tài)特性。

階自回歸模型AR(p)表達(dá)式如下：

式中，是某時(shí)間序列；c是常數(shù)；為自回歸系數(shù)；為白噪聲。

階滑動(dòng)平均模型MA()表達(dá)式如下：

式中，為滑動(dòng)平均系數(shù)。

將AR（）和MA（）模型進(jìn)行組合，得到ARMA（）模型，表達(dá)式如下：

在ARMA（）模型基礎(chǔ)上，引入差分處理使非平穩(wěn)時(shí)間序列達(dá)到平穩(wěn)，可以獲得更好的表現(xiàn)，由此得到的模型稱(chēng)為ARIMA（）模型，其中表示差分階數(shù)，其求解過(guò)程不再贅述。

5.神經(jīng)網(wǎng)絡(luò)模型BP

在大壩變形系統(tǒng)中，建立由輸入層、輸出層和隱含層構(gòu)成的多層感知器BP神經(jīng)網(wǎng)絡(luò)。由于神經(jīng)網(wǎng)絡(luò)理論較為復(fù)雜，下面簡(jiǎn)要介紹其基本步驟：

①首先確定網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)、隱含層激勵(lì)函數(shù)、輸出層節(jié)點(diǎn)數(shù)，將各層之間的連接權(quán)值及閾值初始化，確定學(xué)習(xí)速率和激活函數(shù)等參數(shù)。

②使用BP（反向傳播）算法，利用樣本數(shù)據(jù)不斷更新各層之間的連接權(quán)值和閾值，直到系統(tǒng)收斂。

③權(quán)值和閾值確定后，將數(shù)據(jù)輸入模型進(jìn)行結(jié)果預(yù)測(cè)。

6.多目標(biāo)優(yōu)化方法

把多目標(biāo)優(yōu)化問(wèn)題寫(xiě)成以下數(shù)學(xué)模型：

式中，表示第個(gè)目標(biāo)函數(shù)。

將所有的目標(biāo)函數(shù)進(jìn)行加權(quán)，用一個(gè)綜合的效用函數(shù)來(lái)代表總體優(yōu)化目標(biāo)，最優(yōu)的效用函數(shù)對(duì)應(yīng)的解即被認(rèn)為是問(wèn)題的最優(yōu)解，從而將多目標(biāo)優(yōu)化問(wèn)題轉(zhuǎn)化成單目標(biāo)優(yōu)化問(wèn)題。對(duì)于第個(gè)目標(biāo)函數(shù)），用表示其權(quán)重，那么多目標(biāo)優(yōu)化模型可以轉(zhuǎn)化為：

實(shí)例分析

1.丹江口大壩變形和裂縫預(yù)測(cè)

選用丹江口大壩水平位移和裂縫監(jiān)測(cè)數(shù)據(jù)，利用上述智能組合模型方法進(jìn)行預(yù)測(cè)預(yù)報(bào)驗(yàn)證分析。監(jiān)測(cè)點(diǎn)PL01HC312-X、PL01YLY52-X為壩頂水平位移垂線坐標(biāo)儀自動(dòng)化監(jiān)測(cè)數(shù)據(jù)，J03SK11S為壩體結(jié)合部測(cè)縫計(jì)自動(dòng)化監(jiān)測(cè)數(shù)據(jù)?？紤]監(jiān)測(cè)點(diǎn)PL01HC312-X和PL01YLY52-X為周期性數(shù)據(jù)，另外選擇監(jiān)測(cè)點(diǎn)LD07YT01非周期性序列數(shù)據(jù)進(jìn)行建模。建模與預(yù)測(cè)屬性數(shù)據(jù)、3個(gè)監(jiān)測(cè)點(diǎn)的智能組合模型和統(tǒng)計(jì)模型總體建模精度、模型外延預(yù)測(cè)精度詳見(jiàn)下表，模型擬合和預(yù)測(cè)過(guò)程線詳見(jiàn)后文圖片。

建模與預(yù)測(cè)屬性數(shù)據(jù)

智能組合模型和統(tǒng)計(jì)模型總體建模精度數(shù)據(jù)

智能組合模型和統(tǒng)計(jì)模型外延預(yù)測(cè)標(biāo)準(zhǔn)差數(shù)據(jù)

由上表可知，監(jiān)測(cè)點(diǎn)PL01HC312-X位移、PL01YLY52-X位移和LD07YT01位移智能組合模型總體建模精度優(yōu)于統(tǒng)計(jì)模型，監(jiān)測(cè)點(diǎn)J03SK11S裂縫總體建模精度差異不明顯。這是由于智能組合模型將多種機(jī)器學(xué)習(xí)技術(shù)結(jié)合在一起，能夠集合多個(gè)弱分類(lèi)器的優(yōu)勢(shì)，提高整體的預(yù)測(cè)能力。智能組合模型往往能捕捉到數(shù)據(jù)中的復(fù)雜模式，對(duì)非線性關(guān)系有較好的處理能力，因此在很多情況下，其總體建模精度高于傳統(tǒng)的統(tǒng)計(jì)模型。而統(tǒng)計(jì)模型是基于概率論和數(shù)理統(tǒng)計(jì)原理構(gòu)建，主要用于探索變量間的關(guān)系。它們?cè)跀?shù)據(jù)滿(mǎn)足一定假設(shè)條件時(shí)（如數(shù)據(jù)的正態(tài)分布、獨(dú)立性、同方差性等）表現(xiàn)良好，但在處理高維度、非線性以及復(fù)雜交互效應(yīng)的數(shù)據(jù)時(shí)，可能不如智能組合模型靈活和精確。

由于3個(gè)監(jiān)測(cè)點(diǎn)均表現(xiàn)出明顯周期性特征，按外延預(yù)測(cè)的周期分別統(tǒng)計(jì)了預(yù)測(cè)標(biāo)準(zhǔn)差（用實(shí)測(cè)值作為參考）。由上表可知，兩種模型在0.25個(gè)周期內(nèi)均表現(xiàn)出較高的預(yù)測(cè)精度，但是隨著外延時(shí)間的變長(zhǎng)，組合模型預(yù)測(cè)精度優(yōu)于統(tǒng)計(jì)模型。這是因?yàn)橹悄芙M合模型能夠?qū)W習(xí)到更復(fù)雜的特征表示，它不僅依賴(lài)于顯式特征，還能通過(guò)隱含層學(xué)習(xí)到數(shù)據(jù)間的潛在關(guān)聯(lián)，從而對(duì)外部數(shù)據(jù)有更好的泛化能力。雖然統(tǒng)計(jì)模型在理解數(shù)據(jù)的基本結(jié)構(gòu)和關(guān)系上有一定優(yōu)勢(shì)，但當(dāng)面對(duì)高度復(fù)雜或具有較大變異性的外部數(shù)據(jù)時(shí)，其預(yù)測(cè)能力可能會(huì)受限。

PL01HC312-X位移實(shí)測(cè)和模型擬合與預(yù)測(cè)過(guò)程

PL01YLY52-X位移實(shí)測(cè)和模型擬合與預(yù)測(cè)過(guò)程

J03SK11S裂縫實(shí)測(cè)和模型擬合與預(yù)測(cè)過(guò)程

LD07YT01位移實(shí)測(cè)和模型擬合與預(yù)測(cè)過(guò)程

由上圖可知，在2019年9月10日—16日的時(shí)間段內(nèi)，面對(duì)異常測(cè)值，智能組合模型展現(xiàn)出了顯著的適應(yīng)能力和魯棒性，有效處理了數(shù)據(jù)中的突發(fā)波動(dòng)。相較于此，統(tǒng)計(jì)模型因傾向于簡(jiǎn)化復(fù)雜問(wèn)題，其預(yù)測(cè)在遇到新數(shù)據(jù)特別是異常數(shù)據(jù)時(shí)，準(zhǔn)確度可能下降。智能組合模型通過(guò)集成多個(gè)模型的優(yōu)勢(shì)，能夠?qū)W習(xí)并適應(yīng)數(shù)據(jù)的非線性模式，即使在數(shù)據(jù)異常的情況下，也能維持較高的預(yù)測(cè)精度。這表明，在處理包含異常值或非典型數(shù)據(jù)的場(chǎng)景下，智能組合模型因其靈活性和強(qiáng)大適應(yīng)性，成為更優(yōu)的選擇。

2.應(yīng)力數(shù)據(jù)預(yù)測(cè)

為檢驗(yàn)智能組合模型對(duì)應(yīng)力監(jiān)測(cè)數(shù)據(jù)的適應(yīng)能力，針對(duì)監(jiān)測(cè)點(diǎn)R202YL1的應(yīng)力數(shù)據(jù)進(jìn)行分析。通過(guò)構(gòu)建智能組合模型并外延預(yù)測(cè)，對(duì)比實(shí)測(cè)數(shù)據(jù)與模型預(yù)測(cè)結(jié)果，智能組合模型同樣優(yōu)于統(tǒng)計(jì)模型。

R202YL1應(yīng)力實(shí)測(cè)和模型擬合與預(yù)測(cè)過(guò)程

智能組合模型通過(guò)對(duì)歷史監(jiān)測(cè)數(shù)據(jù)的學(xué)習(xí)，建立了能夠反映應(yīng)力變化規(guī)律的預(yù)測(cè)模型。這一過(guò)程充分考慮了數(shù)據(jù)的非線性特征和復(fù)雜模式，使得模型能夠更準(zhǔn)確地捕捉和模擬實(shí)際物理過(guò)程。智能組合模型不僅在已知數(shù)據(jù)上表現(xiàn)良好，更重要的是在未知數(shù)據(jù)上的預(yù)測(cè)也十分準(zhǔn)確，體現(xiàn)了模型出色的泛化能力。這意味著模型能夠有效地應(yīng)對(duì)未來(lái)可能出現(xiàn)的各種情況，包括地下水水位的季節(jié)性波動(dòng)和應(yīng)力的突發(fā)性變化。

相比于傳統(tǒng)統(tǒng)計(jì)模型，智能組合模型在應(yīng)力預(yù)測(cè)精度上表現(xiàn)出明顯優(yōu)勢(shì)。統(tǒng)計(jì)模型往往基于一系列假設(shè)，如數(shù)據(jù)的正態(tài)分布和線性關(guān)系等。智能組合模型則能夠超越這些假設(shè)，通過(guò)集成學(xué)習(xí)等技術(shù)，有效處理數(shù)據(jù)中的非線性和高維特征，從而實(shí)現(xiàn)更準(zhǔn)確的預(yù)測(cè)。

智能組合模型在應(yīng)力監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)中展現(xiàn)了強(qiáng)大的適應(yīng)性和預(yù)測(cè)能力，尤其是在處理復(fù)雜、非線性數(shù)據(jù)時(shí)，其效果遠(yuǎn)超傳統(tǒng)統(tǒng)計(jì)模型。這為智能組合模型在水利工程等領(lǐng)域提供了更為可靠和精準(zhǔn)的監(jiān)測(cè)手段，有助于及時(shí)預(yù)警和預(yù)防潛在的風(fēng)險(xiǎn)。

結(jié)論

本文依托數(shù)字孿生丹江口工程項(xiàng)目，研究了一種智能組合模型系統(tǒng)方法，旨在解決大壩安全預(yù)報(bào)問(wèn)題。該方法已于2023年6月23日獲得國(guó)家知識(shí)產(chǎn)權(quán)局專(zhuān)利授權(quán)?！拔锢頇C(jī)制與多維監(jiān)測(cè)信息融合驅(qū)動(dòng)的數(shù)字孿生丹江口大壩安全模型平臺(tái)及‘四預(yù)’業(yè)務(wù)”入選水利部《數(shù)字孿生水利建設(shè)典型案例名錄（2023年）》。本文是該方法的具體應(yīng)用，主要結(jié)論如下：

①開(kāi)發(fā)并驗(yàn)證了基于智能組合模型的變形預(yù)測(cè)預(yù)報(bào)體系。該體系結(jié)合多種先進(jìn)的時(shí)間序列預(yù)測(cè)算法，包括針對(duì)趨勢(shì)分量智能精準(zhǔn)匹配最優(yōu)擬合模型，再結(jié)合灰色模型、時(shí)間序列模型以及神經(jīng)網(wǎng)絡(luò)模型等構(gòu)建高度集成、自適應(yīng)的智能組合模型，以實(shí)現(xiàn)對(duì)大壩變形趨勢(shì)的精準(zhǔn)預(yù)測(cè)。

②實(shí)測(cè)結(jié)果表明，智能組合模型能夠有效地捕捉到大壩變形的復(fù)雜非線性模式，與傳統(tǒng)統(tǒng)計(jì)模型相比，預(yù)測(cè)性能得到顯著提升。預(yù)測(cè)精度的提高有助于工程人員及早識(shí)別潛在的結(jié)構(gòu)安全問(wèn)題，從而采取相應(yīng)的預(yù)防措施，確保大壩的長(zhǎng)期穩(wěn)定和安全。

智能組合模型的應(yīng)用有望成為大壩安全監(jiān)測(cè)的重要工具，未來(lái)可進(jìn)一步聚焦于提高模型的可解釋性，開(kāi)發(fā)更高效的深度學(xué)習(xí)模型訓(xùn)練算法，以及探索自動(dòng)化的參數(shù)搜索策略，推動(dòng)大壩運(yùn)維決策更高效、更智能。

Abstract: To satisfy the requirements of accuracy and reliability of “forecasting, early-warning, rehearsal and emergency planning” for dam safety in digital twin water resources project construction, an intelligent combination model was developed. This method separates the dominant trend component of dam deformation by evaluating multiple influential factors and combining signal processing technology. Intelligent algorithms were then used to accurately match the optimal fitting model. Various modeling technologies including grey model, time series model and neural networks were adopted to build a highly integrated and adaptive intelligent combination model. Through training and optimization of deformation time series of the Danjiangkou Dam, and comparing with the prediction results of traditional statistical models, the experiment indicates that the intelligent combination model has significant advantages in prediction accuracy, data adaptability and robustness, especially in dealing with nonlinear relationships and long-term dependencies. At the same time, it effectively improves the accuracy of extended prediction and generalization ability. In addition, the model can accurately predict the potential deformation trend of key parts of the dam one cycle in advance (with a duration of one year), providing sufficient time for prevention and risk reduction. Application of the model for deformation prediction and forecasting of the Danjiangkou Dam provides a strong support for dam safety assessment, risk warning and scientific management.

Keywords: intelligent combination model; generalization ability; robustness; dam deformation; prediction and forecasting

本文引用格式：

李雙平劉祖強(qiáng)張斌等.基于智能組合模型的大壩變形預(yù)測(cè)預(yù)報(bào)研究[J].中國(guó)水利2025）：65-72.

封面供圖南水北調(diào)中線水源有限責(zé)任公司

責(zé)編呂彩霞

校對(duì)李盧祎

審核王慧

監(jiān)制軒瑋

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請(qǐng)讀者僅作參考，并自行核實(shí)相關(guān)內(nèi)容。若對(duì)該稿件內(nèi)容有任何疑問(wèn)或質(zhì)疑，請(qǐng)立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應(yīng)并做處理，再次感謝您的閱讀與關(guān)注。