關(guān)鍵詞：平陸運河；LSTM模型；水深預(yù)測；施工航道運輸；施工運輸輔助系統(tǒng)中圖分類號：U612.33 文獻標識碼：A DOl：10.13282/j.cnki.wCcst.2025.03.061文章編號：1673-4874（2025）03-0217-04

0 引言

平陸運河跨線工程建設(shè)的過程中，施工水上運輸?shù)陌踩院托适怯绊戫椖渴┕みM度的重要因素之一。然而，該區(qū)域受潮汐變化影響顯著，施工運輸需充分利用漲潮時海水倒灌帶來的短暫水位上升，以確保達到所需的運輸深度。上述因素的制約使傳統(tǒng)水上運輸方式在此類區(qū)域面臨嚴峻挑戰(zhàn)，因此迫切需要對潮汐水深進行精確預(yù)測與管理，以確保運輸過程的順利進行。

目前，國內(nèi)外在航道水深預(yù)測領(lǐng)域開展了廣泛的研究，并取得了一些進展。劉青松等1提出了一種基于人工神經(jīng)網(wǎng)絡(luò)（RNN）的水深預(yù)測模型，利用歷史水深數(shù)據(jù)對未來水深進行預(yù)測。但該方法在處理長時間序列數(shù)據(jù)時，RNN仍然存在較大的誤差。李雪等2則采用了支持向量機（SVM）模型進行水深預(yù)測，但其在動態(tài)環(huán)境中的適應(yīng)性和實時性較差。近年來，由于基于深度學(xué)習(xí)的長短期記憶網(wǎng)絡(luò)（LSTM）[3]能夠有效捕捉長期依賴關(guān)系，避免傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的梯度消失問題，因此逐漸成為水深預(yù)測領(lǐng)域的研究熱點。然而，現(xiàn)有研究大多集中在水深預(yù)測模型的精度提升上4，少有研究將其與監(jiān)控系統(tǒng)相結(jié)合，為實時輔助施工決策和優(yōu)化施工組織方案提供實時監(jiān)控和可視化解決方案。因此，如何將LSTM模型應(yīng)用于航道水深預(yù)測，并結(jié)合施工輔助系統(tǒng)以優(yōu)化施工過程具有重要的意義。

鑒于此，本文提出了一種基于LSTM模型的平陸運河航道水深預(yù)測方法，并結(jié)合施工輔助系統(tǒng)進行應(yīng)用研究。基于LSTM模型建立了以關(guān)鍵點水文站預(yù)測值、流速為特征參數(shù)，以現(xiàn)場上下游水位值為標簽的復(fù)雜非線性映射關(guān)系模型。該模型實現(xiàn)了在豐、平、枯水期等不同水文條件下全天候的水深監(jiān)測和未來365d的水深預(yù)測。研發(fā)了主航道運輸智能輔助平臺，該平臺集成了運輸窗口期、環(huán)境監(jiān)測、三維地形、實時水深變化等核心模塊，可提前根據(jù)未來施工窗口期優(yōu)化施工組織計劃。通過智能輔助平臺，項目顯著提升了現(xiàn)場施工的安全性、質(zhì)量與效率，實現(xiàn)了航道運輸?shù)闹悄芑蛿?shù)字化管理。

工程背景及LSTM預(yù)測模型

1. 1 工程背景

本文依托工程位于濱海淺灘水域，全長 1.5km ，航道水深較淺且不屬于常規(guī)水運航道，因此大型船舶無法通行。施工過程中，受到潮汐的顯著影響，需要充分利用漲潮時海水倒灌的特性，以確保在合適的時段達到必要的運輸水深，如圖1所示。整個運輸作業(yè)共分為四個主要工序：拱肋翻身、拱肋裝船、拱肋運輸及拱肋橋址起吊，如圖2所示。施工運輸?shù)年P(guān)鍵難點在于潮汐水位變化規(guī)律的準確總結(jié)與預(yù)測，以及精準把握運輸窗口期的時機，以確保作業(yè)的順利進行。

1.2基于LSTM水深預(yù)測模型

為實現(xiàn)對施工現(xiàn)場水深的精確預(yù)測和動態(tài)監(jiān)控，在施工區(qū)域安裝了水深檢測設(shè)備。通過在航道的上下游關(guān)鍵位置布設(shè)水深傳感器，實時監(jiān)測水位變化情況。水深監(jiān)測設(shè)備通常采用帶有太陽能板的壓力水深測試儀，其具有快速響應(yīng)、穩(wěn)定性強的特點，能夠在不同的水文環(huán)境下提供準確的水深測量結(jié)果，如圖3所示。該設(shè)備所采集的水深數(shù)據(jù)不僅能為工程提供實時的水深信息，也能為后續(xù)的水深預(yù)測模型提供數(shù)據(jù)支持。

基于前述水深監(jiān)測設(shè)備采集的現(xiàn)場實時水深數(shù)據(jù)，以及上下游水文站提供的水位預(yù)測信息，本研究進一步構(gòu)建了一個基于LSTM（長短期記憶網(wǎng)絡(luò)）模型的水深預(yù)測模型。LSTM是一種專門處理時序數(shù)據(jù)的深度學(xué)習(xí)模型，因其獨特的門控機制能夠有效解決傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)（RNN）在長時間序列學(xué)習(xí)過程中常見的梯度消失問題，適合用于捕捉水深數(shù)據(jù)中的長期依賴關(guān)系[5。為了充分利用水深變化的非線性特征，本研究將關(guān)鍵水文站的預(yù)測值、流速等動態(tài)特征參數(shù)作為輸入，并結(jié)合現(xiàn)場上下游水深數(shù)據(jù)作為標簽，建立了一個復(fù)雜的非線性映射關(guān)系模型：

X_t=[x_1，t，x_2，t]

式中： x_1，t 關(guān)鍵水文站在時刻t的水位預(yù)測值/m；x_2，t 一時刻t對應(yīng)的流速值 ′m?s 模型的輸出為現(xiàn)場上下游水深值/m。

y_t=f（X_t，θ）

式中： f（?） 一 -LSTM網(wǎng)絡(luò)的映射函數(shù)；y_t 一 模型的輸出水深值；θ 一一模型的參數(shù)集合，包括權(quán)重矩陣和y_t 偏置項。

為了保證模型的泛化能力，訓(xùn)練集和測試集進行了劃分，將數(shù)據(jù)集的 80% 作為訓(xùn)練集， 20% 作為測試集。訓(xùn)練集用于模型的參數(shù)優(yōu)化，測試集用于評估模型的泛化性能。在訓(xùn)練過程中，為了評估模型的預(yù)測精度，本研究采用均方根誤差（RMSE）和決定系數(shù) （R²） 作為評價指標：

均方根誤差（RMSE）[6]：

決定系數(shù) （R²）^[7] ：

式中： y_t^true # 真實水深值；ypred -LSTM模型的預(yù)測值；（204號 T 一 -訓(xùn)練樣本數(shù)。

1.3模型訓(xùn)練誤差分析

為驗證LSTM模型在航道水深訓(xùn)練中的精度，模型的時間步長選擇10，LSTM層數(shù)設(shè)置為3層，每層單元數(shù)為64，批量大小設(shè)置為32，訓(xùn)練輪次（Epochs）設(shè)置為500，并保證模型在損失函數(shù)收斂的基礎(chǔ)上避免過擬合。訓(xùn)練結(jié)果如圖4所示，由圖4（a）可知，訓(xùn)練損失值下降較快，并在100個Epoch之后趨于平穩(wěn)，最終在1000個Epoch時收斂至 0.006 ，說明模型參數(shù)在優(yōu)化過程中不斷收斂并取得較低的訓(xùn)練誤差，具有較好的擬合能力。由圖4（b）可知，預(yù)測值能夠較好地跟隨實際值的變化趨勢，特別是在多數(shù)樣本點上，兩者的波動基本一致。這表明LSTM模型成功捕捉到了水深變化的動態(tài)規(guī)律和非線性特征，具有較強的預(yù)測能力。

2 工程應(yīng)用分析

2.1航道運輸智能輔助系統(tǒng)

在本工程中，自主研發(fā)的航道運輸智能輔助平臺將訓(xùn)練好的LSTM模型嵌入系統(tǒng)中，實現(xiàn)了水深預(yù)測的自動化功能。平臺通過運行訓(xùn)練好的LSTM模型，對現(xiàn)場水深進行實時預(yù)測，并結(jié)合現(xiàn)場測點的水深數(shù)據(jù)與全航道各測點之間的深度綁定關(guān)系，推算出全航道每時每刻的水深分布。此外，該輔助平臺集成了多種核心功能模塊，包括運輸窗口期分析、環(huán)境監(jiān)測、三維地形建模和實時水深變化預(yù)測等。通過多模塊協(xié)同工作，該系統(tǒng)在施工安全、質(zhì)量控制及效率提升方面發(fā)揮了重要作用，實現(xiàn)了航道運輸?shù)娜嬷悄芑c數(shù)字化管理，如圖5所示。

2.2預(yù)測值與實際值對比

為驗證LSTM模型在航道實際預(yù)測過程的適用性和準確性，本文對2024-11-17至2024-11-1824h水位進行樣本預(yù)測與實際值對比，如表1所示。由表1可知，實際值與預(yù)測值的絕對誤差偏差值較小，滿足航道運輸?shù)木纫?。以現(xiàn)場運輸船吃水深度1.2m為例，運輸耗時4h，11月17日的運輸窗口期為02：30—11：30（共計9h）滿足運輸通航需求。其次，11月18日的運輸窗口期為03：30一12：00（共計8.5h）同樣滿足運輸通航需求。需要說明的是，按照預(yù)測的運輸窗口期和實際通航耗時，1d可吊運至少2節(jié)段拱肋，根據(jù)現(xiàn)場統(tǒng)計情況，與未采用本文模型與系統(tǒng)相比，運輸效率提高了 200% ，大大提高了運輸效率，降低了施工工期和人工成本。

3現(xiàn)場運輸航道水深分析

在航道運輸過程中，水深分布的準確預(yù)測對船舶的安全通行和施工的有序組織至關(guān)重要。為了更直觀地展示航道不同區(qū)域的水深分布特點，并識別潛在的淺水危險區(qū)域，以便項目對危險地段進行標識和提前疏浚，對航道水深進行了全局建模與可視化分析。結(jié)合LSTM模型預(yù)測的動態(tài)水深數(shù)據(jù)，繪制了航道水深分布示意圖，如圖6所示。由圖6（a）可知，當(dāng)現(xiàn)場處于枯水期（基準水位0.1m）時，航道大部分區(qū)域水深 ，整體呈現(xiàn)出中心水深較大、兩側(cè)水深較淺的特點。其中，在頂部拐彎處和土圍堰位置，水深普遍 lt;1mm ，說明當(dāng)現(xiàn)場處于枯水期時，整體航道均不適合施工運輸。反之，由圖6（b）可知，當(dāng)現(xiàn)場處于豐水期（基準水位1.6m）時，航道全部區(qū)域水深均 gt;2m ，滿足現(xiàn)場運輸船最低吃水深度要求。因此，當(dāng)現(xiàn)場基準水位為1.6m時，整體航道水深均滿足不同類型的運輸船需求。

綜上可知，結(jié)合LSTM模型的水深預(yù)測能力，能夠?qū)崿F(xiàn)對航道水深的全局動態(tài)監(jiān)測，為施工窗口期的規(guī)劃提供科學(xué)依據(jù)，并為危險區(qū)域的應(yīng)急管理與調(diào)整方案提供有力支持。這種可視化水深分析方法顯著提升了航道管理的精準性與可靠性，為工程施工和航道運輸?shù)闹悄芑芾硖峁┝酥匾募夹g(shù)支撐。

4結(jié)語

本文通過基于LSTM模型的水深預(yù)測和施工輔助系統(tǒng)研究，結(jié)合實際工程需求，旨在提升平陸運河航道施工運輸?shù)陌踩浴⑿逝c精確性。研究得出以下結(jié)論：

（1）基于LSTM模型構(gòu)建的水深預(yù)測方法，能夠?qū)崿F(xiàn)全天候、多水文條件下的高精度水深預(yù)測。模型預(yù)測值與實際值的誤差 ?0.2m ，表明其具有較好的預(yù)測能力，能夠適應(yīng)不同潮汐和水文環(huán)境。

（2）與未采用本文模型與系統(tǒng)的運輸時段相比，本文所提的方法1d可吊運至少2節(jié)段拱肋，運輸效率提高了200% ，優(yōu)化了施工組織計劃。

（3）本文所研究的航道運輸智能輔助系統(tǒng)在實際施工中為運輸組織提供了科學(xué)依據(jù)，同時降低了運輸過程的安全風(fēng)險。

參考文獻

L1劉青松，嚴華，盧文龍.基于AR-RNN的多變量水位預(yù)測模型研究LJ.人民長江，2020，51（10）：94-99

[2]李雪，蔡孝燕，林妙麗，等.基于機器學(xué)習(xí)的長江航道水位集合概率預(yù)報模型[J].水運工程，2024（10）：158-163.

[3]黃穎，許劍，周子祺，等.高效長序列水位預(yù)測模型的研究與實現(xiàn)[J].電子科技大學(xué)學(xué)報，2023，52（4）：595-601.

[4]呂海峰，冀肖榆，丁勇.基于splice-LSTM的多因素西江水位預(yù)測模型研究LJ].人民長江，2023，54（7）：81-88.

[5]王永強，張森，謝帥，等.基于深度學(xué)習(xí)的三峽未來壩前最大最小水位預(yù)測研究[J].長江科學(xué)院院報，2024，41（12）：9-14.

[6]倪漢杰，蔣仲廉，初秀民，等.基于DWT-LSTM的航道水位智能預(yù)測模型研究[J].中國航海，2021，44（2）：97-102

[7]湯文強.基于LSTM模型的響洪甸水庫旱警水位預(yù)測與效果檢驗[J].云南水力發(fā)電，2023，39（7）：339-342