關(guān)鍵詞：混凝土壩；變形監(jiān)測；變形預(yù)測；LSTM；TCN中圖分類號(hào)：TV642 文獻(xiàn)標(biāo)志碼：A doi：10.3969/j.issn.1000-1379.2025.07.023引用格式：，，，等.基于深度學(xué)習(xí)模型的混凝土壩變形預(yù)測研究[J].人民黃河，2025，47（7）：144-149，155.

Research on Deformation Prediction of Concrete Dams Based on Deep Learning Models

SU Xiaojun1，XU Zengguang1， ZHANG Ye1，KANG Xinyu'， ZHOU Tao2，YANG Tao3，LI Kangping4 （1.State KeyLaboratoryof WaterEngineering EcologyandEnvironment inAridArea，Xi’an Universityof Technology，Xi'an 710048，China；2.Huanghe Hydropower Development Co.，Ltd.， Xining 81000，China； 3.China Yangtze Power Co.，Ltd.，Yibin 644612，China；4.Power China Northwest Engineering Co.，Ltd.，Xi'an 710065，China） Abstract： Inordertoimprovetheacuracyofpredictingconcretedamdeformationsandensuredamstructuralsafety，thispaperproposeda predictionmodelcombiningTemporalConvolutionalNetworks（TCN）andLongShort-TermMemory（LSTM）networks，imingthelimitationsofexistingpredictionmodelsincaptuingcomplexdeformationfeaturesandlong-tedependencies.TCNwasusedtoextractteporal featuresfromdeformationdta，hileLSTMcapturedlongtedependenciesiscombinationsignificantlyehancedteodel’sabilityo predictomplexdeformationpatesExperimentalesultsemonstratetat，compaedwithvariousinteligentpedictionodels，eo posedmodelaccuratelysiulatestdadfaprocsndcheshigerpredictiouacyFurteore，eodelosates asignificantadvantageincapturigomplexdefoationcharacteisticsofconcretedams，providingaovelteciquefordamsafetoi ring.

Key words：concrete dam；deformation monitoring；deformation prediction；LSTM；TCN

0 引言

水庫大壩作為重要的基礎(chǔ)設(shè)施，直接關(guān)系到庫區(qū)人民的生命財(cái)產(chǎn)安全，一旦發(fā)生事故，后果將極為嚴(yán)重[1-3]?；炷翂卧诜圻^程中，運(yùn)行狀態(tài)受多種因素的影響，如上下游水位差、壩基土質(zhì)、氣候變化等。在這些因素綜合作用下，混凝土壩的變形過程往往呈現(xiàn)復(fù)雜的動(dòng)態(tài)特征[4]。大壩失事往往是一個(gè)漸變過程，預(yù)警時(shí)間較為充足，若能夠在早期發(fā)現(xiàn)壩體的異常變化，便可采取有效的應(yīng)對(duì)措施，避免災(zāi)難的發(fā)生。因此，開展大壩的健康監(jiān)測，并對(duì)監(jiān)測數(shù)據(jù)進(jìn)行科學(xué)分析，具有重要的實(shí)際意義[5]。位移是最直觀且可靠反映大壩健康狀況的指標(biāo)之一[6]，位移數(shù)據(jù)不僅能夠反映大壩對(duì)外部環(huán)境變化的響應(yīng)，而且能揭示壩體內(nèi)部的潛在問題。因此，建立混凝土壩位移預(yù)測模型，不僅有助于診斷監(jiān)測大壩的健康狀態(tài)，而且能為預(yù)測和預(yù)警提供重要的數(shù)據(jù)支持，對(duì)于確保大壩安全運(yùn)行具有重要意義。

混凝土項(xiàng)變形預(yù)測研究方法可分為物理驅(qū)動(dòng)法（有限元分析法）和基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法[7]與物理驅(qū)動(dòng)法相比，基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法通過直接輸人影響混凝土壩變形的環(huán)境變量數(shù)據(jù)，利用機(jī)器學(xué)習(xí)模型預(yù)測大項(xiàng)位移，不僅計(jì)算便捷，而且所需的輸入?yún)?shù)相對(duì)容易獲取，因此在大壩安全監(jiān)測中得到了廣泛應(yīng)用。近年來，極限學(xué)習(xí)機(jī)（ExtremeLearming Machine，ELM）[8]、支持向量回歸（SupportVectorRegression，SVR）[9］和隨機(jī)森林（RandomForest，RF）[10]等機(jī)器學(xué)習(xí)方法，因具有非線性建模優(yōu)勢而被廣泛應(yīng)用于混凝土壩變形預(yù)測領(lǐng)域。然而，機(jī)器學(xué)習(xí)方法通常作為靜態(tài)模型進(jìn)行訓(xùn)練，忽略了大壩變形的動(dòng)態(tài)演化效應(yīng)，因此在捕捉混凝土壩變形過程中復(fù)雜的動(dòng)態(tài)變化方面存在一定的局限性[] 。

為了解決這一問題，深度學(xué)習(xí)方法中的神經(jīng)網(wǎng)絡(luò)及其變體——長短期記憶網(wǎng)絡(luò)（Long Short-Term Mem-ory，LSTM）因其強(qiáng)大的時(shí)序建模能力而成為混凝土壩變形預(yù)測研究的常用模型[12-14]。周蘭庭等[15]針對(duì)混凝土壩變形預(yù)測精度不足的問題，結(jié)合小波分解、LSTM和自回歸積分滑動(dòng)平均（AutoregressiveIntegrated MovingAverage，ARIMA）模型，建立了一種組合預(yù)測模型WA-LSTM-ARIMA。LSTM能夠有效學(xué)習(xí)大壩變形序列的長期依賴性，在處理具有時(shí)間維度的復(fù)雜問題時(shí)，比傳統(tǒng)的機(jī)器學(xué)習(xí)模型更具優(yōu)勢[16]此外，將LSTM模型與卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）結(jié)合，利用CNN模型在特征提取方面的優(yōu)勢與LSTM模型在時(shí)序建模中的強(qiáng)大能力，可進(jìn)一步提升預(yù)測精度[17]。王潤英等[18]通過將CNN用于自動(dòng)提取變形數(shù)據(jù)特征，并利用LSTM捕捉變形數(shù)據(jù)的長期依賴性，建立了一種基于CNN-LSTM的大壩變形預(yù)測模型，提升了預(yù)測精度。Li等[19]利用一維殘差網(wǎng)絡(luò)與卷積學(xué)習(xí)方法，提出了基于LSTM的大壩變形雙階段預(yù)測模型（DRLSTM），其具有更好的適用性。盡管上述模型在混凝土壩變形預(yù)測中表現(xiàn)良好，但在處理復(fù)雜時(shí)序數(shù)據(jù)時(shí)仍然存在不足。CNN模型的卷積操作適用于局部特征提取，但其在處理長時(shí)間跨度的大壩變形數(shù)據(jù)時(shí)，可能無法充分捕捉全局信息。DRLSTM模型對(duì)變形數(shù)據(jù)的處理方式較為固定，缺乏足夠的靈活性，可能無法應(yīng)對(duì)一些突發(fā)性或復(fù)雜的動(dòng)態(tài)變化。

本文提出一種基于TCN-LSTM的混凝土壩變形預(yù)測模型。與傳統(tǒng)CNN模型相比，時(shí)序卷積網(wǎng)絡(luò)（TCN）通過擴(kuò)展卷積核的感受野（ReceptiveField），使得其在提取大壩變形數(shù)據(jù)的長期依賴關(guān)系和全局特征時(shí)更具優(yōu)勢。TCN模型與LSTM模型結(jié)合形成的TCN-LSTM模型不僅能夠保留LSTM在時(shí)序建模方面的優(yōu)勢，而且能夠捕捉數(shù)據(jù)的長期依賴性和動(dòng)態(tài)演化特征，可進(jìn)一步提升混凝土壩變形預(yù)測的精確性與穩(wěn)定性。

1算法原理

1.1 輸入特征因子集

混凝土壩在長期運(yùn)行過程中受水位、溫度等環(huán)境變量影響會(huì)產(chǎn)生一定的可恢復(fù)變形，而時(shí)效因子會(huì)使壩體材料老化、力學(xué)性能降低，進(jìn)而產(chǎn)生永久變形。在環(huán)境變量和時(shí)效因子的共同作用下，大壩變形往往具有顯著的周期性?；谒畨?溫度-時(shí)效（HST）統(tǒng)計(jì)模型，將混凝土壩位移 δ 按照成因分為水壓分量 δ_?H ）溫度分量 δ_?T 、時(shí)效分量 δ_θ 三部分[]：

δ=δ_?H+δ_?T+δ_?θ

式中： H 為大壩上游水深， Φ_t 為監(jiān)測當(dāng)日至初始監(jiān)測日的時(shí)間， a₀，a₁，b_1i，b_2i，c₁，c₂ 均為統(tǒng)計(jì)回歸系數(shù)， θ= t/100 。

綜合考慮水位、溫度及時(shí)效等因素對(duì)混凝土壩變形的影響，構(gòu)建環(huán)境特征因子集 包含9個(gè)與大壩位移變化密切相關(guān)的因子，表達(dá)式為

式中： H²?H³ 分別為大壩上游水深的平方和立方， T₁，T₂ ）

T₃ 和 T₄ 分別為 和b22

Cos （20 （20

1.2 時(shí)間卷積網(wǎng)絡(luò)

TCN是一種獨(dú)特的CNN模型，由Bai等[20]于2018年提出。該模型旨在克服CNN模型在處理序列數(shù)據(jù)時(shí)缺乏長時(shí)間依賴建模能力和無法有效捕捉時(shí)序數(shù)據(jù)全局信息兩個(gè)問題。TCN模型包含因果卷積、膨脹卷積和殘差塊等模塊，具有高效的并行處理能力、穩(wěn)定的梯度流和靈活的感知視野[2I]。TCN的網(wǎng)絡(luò)結(jié)構(gòu)見圖1（圖中 x_i 為輸入序列， Φ_t 為時(shí)間， d 為膨脹因子）。

1）因果卷積通過嚴(yán)格的時(shí)間約束，確保時(shí)間步的輸出僅依賴該時(shí)間步及其之前的輸人，從而避免未來信息對(duì)過去數(shù)據(jù)的影響。這種設(shè)計(jì)原則使得TCN能夠在時(shí)間序列中有效避免信息泄漏。圖1（a）展示了因果卷積過程，其中輸出單元的感知視野隨著網(wǎng)絡(luò)深度的增大而逐漸擴(kuò)大。

2）膨脹卷積通過間隔采樣擴(kuò)大了感知視野，克服了因果卷積的局限。膨脹因子的增大能夠顯著擴(kuò)大TCN的感知范圍，通常膨脹因子會(huì)隨著網(wǎng)絡(luò)深度的增大而逐步增大。圖1（b）展示了膨脹卷積過程，膨脹卷積使得因果卷積在相同網(wǎng)絡(luò)層數(shù)下具備更強(qiáng)的特征學(xué)習(xí)能力，能更好地捕捉時(shí)間序列中的長遠(yuǎn)依賴

3）殘差塊的引入旨在解決隨著網(wǎng)絡(luò)深度增大，網(wǎng)絡(luò)性能可能出現(xiàn)退化的問題。隨著網(wǎng)絡(luò)層數(shù)的增加，錯(cuò)誤信息的積累可能導(dǎo)致網(wǎng)絡(luò)性能下降。殘差塊在每一層引入跳躍連接，可有效解決這一問題，確保信息能夠順暢地傳遞。圖1（c）展示了典型的殘差塊結(jié)構(gòu)，在深層網(wǎng)絡(luò)中，殘差塊可起到防止梯度消失和信息丟失的關(guān)鍵作用。

1.3 長短期記憶網(wǎng)絡(luò)

LSTM是一種為了解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）在處理長序列時(shí)常遇到的“梯度消失”或“梯度爆炸”問題而提出的神經(jīng)網(wǎng)絡(luò)模型[22]。LSTM于1997年被提出，現(xiàn)已廣泛應(yīng)用于語音識(shí)別、自然語言處理、圖像和視頻分析等多個(gè)領(lǐng)域。LSTM由輸入門、遺忘門和輸出門3個(gè)主要的門控結(jié)構(gòu)組成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

1）輸入門的功能是選擇當(dāng)前時(shí)刻的輸入信息，并決定哪些信息可以被存儲(chǔ)在細(xì)胞狀態(tài) C_ι 中。輸入門的工作由兩個(gè)激活函數(shù)共同完成：sigmoid激活函數(shù)控制有多少新信息進(jìn)入細(xì)胞狀態(tài)，而tanh激活函數(shù)則生成候選的存儲(chǔ)值。具體而言，sigmoid函數(shù)確定需要存儲(chǔ)多少輸入數(shù)據(jù) i_t ，tanh函數(shù)則對(duì)新數(shù)據(jù)進(jìn)行壓縮并將其作為候選信息 a_t ，供細(xì)胞狀態(tài)使用。 i_t 和 a_t 的表達(dá)式分別為

i_t=σ[?W_i（h_t-1，x_t）+b_i]

式中： σ（?） 為 sigmoid激活函數(shù)， W_i 和 W_c 分別為sig-moid函數(shù)輸入門和tanh函數(shù)權(quán)重， b_i 和 b_c 分別為sigmoid函數(shù)輸入門和 tanh 函數(shù)的偏置項(xiàng)。

2）遺忘門負(fù)責(zé)控制 _t-1 時(shí)刻的細(xì)胞狀態(tài) C_t-1 中哪些信息將被傳遞到 χ_t 時(shí)刻的細(xì)胞狀態(tài) C_t ，并決定保留哪些信息。遺忘門接收 _t-1 時(shí)刻的隱藏層輸出 h_t-1 和 Φ_t 時(shí)刻的輸入 x_t ，并通過 sigmoid 激活函數(shù)生成一個(gè)介于0和1之間的值 f_t ，該值決定 _t-1 時(shí)刻細(xì)胞狀態(tài)的遺忘程度，并按比例保留相關(guān)信息。 f_t 和 C_t 的表達(dá)式分別為

C_ι=f_ιC_ι-1+i_ιa_ι

式中： W_f 為sigmoid函數(shù)遺忘門的權(quán)重， b_f 為 sigmoid 函數(shù)遺忘門的偏置項(xiàng)。

3）輸出門控制LSTM網(wǎng)絡(luò)最終的輸出。輸出門的更新由兩部分信息共同決定：一部分是由 _t-1 時(shí)刻的隱含狀態(tài) h_t-1 和 Φ_t 時(shí)刻輸入 x_t 通過sigmoid激活函數(shù)計(jì)算得到的值 o_t ，它決定了 χ_t 時(shí)刻可以輸出的部分信息；另一部分是 Φ_t 時(shí)刻細(xì)胞狀態(tài) C_t 通過tanh函數(shù)處理后得到的值。輸出門將這兩部分信息結(jié)合，形成LSTM的最終輸出。 h_t 和 o_t 的表達(dá)式分別為

h_Δt=o_ΔttanhΔC_Δt

式中： W_o 為 sigmoid函數(shù)輸出門的權(quán)重， b_o 為 sigmoid函數(shù)輸出門的偏置項(xiàng)，

1.4 模型訓(xùn)練

本研究提出的基于TCN-LSTM的混凝土壩變形預(yù)測模型旨在增強(qiáng)變形預(yù)測的精度和可靠性。TCN通過其因果卷積和膨脹卷積的獨(dú)特設(shè)計(jì)，能夠高效提取混凝土壩變形數(shù)據(jù)的時(shí)序特征，并在較深的網(wǎng)絡(luò)中維持穩(wěn)定的梯度流，適合處理長期依賴關(guān)系；LSTM擅長捕捉變形數(shù)據(jù)的長期依賴和動(dòng)態(tài)模式，能夠有效反映復(fù)雜的變形過程。TCN-LSTM模型結(jié)合TCN和LSTM的優(yōu)勢，不僅能提升預(yù)測的準(zhǔn)確性，而且能增強(qiáng)對(duì)復(fù)雜變形的捕捉能力。其具體流程如下。

1）數(shù)據(jù)輸人與預(yù)處理。為確保模型輸人數(shù)據(jù)的一致性，首先將監(jiān)測數(shù)據(jù)進(jìn)行歸一化處理，以消除量綱不同帶來的影響；然后將數(shù)據(jù)按照7：3比例劃分為訓(xùn)練集和測試集，其中環(huán)境變量作為模型輸入，大壩位移作為模型輸出。

2）特征提取。TCN模塊采用因果卷積和膨脹卷積從混凝土壩變形數(shù)據(jù)中提取時(shí)序特征。因果卷積確保模型僅依賴過去和當(dāng)前數(shù)據(jù)，避免未來信息干擾；膨脹卷積通過擴(kuò)大感知范圍，使得模型能夠捕捉長時(shí)間跨度的依賴關(guān)系，有效識(shí)別復(fù)雜變形模式。

3）時(shí)序建模。LSTM模塊進(jìn)一步對(duì)提取的時(shí)序特征進(jìn)行建模，通過其門控機(jī)制捕捉長期依賴關(guān)系，

4）訓(xùn)練與預(yù)測。經(jīng)過特征提取和時(shí)序建模后，數(shù)據(jù)進(jìn)人全連接層進(jìn)行最終訓(xùn)練和預(yù)測。全連接層通過反向傳播優(yōu)化模型的參數(shù)，并進(jìn)行多次迭代訓(xùn)練，直到模型達(dá)到最佳性能。經(jīng)過訓(xùn)練的模型能夠準(zhǔn)確預(yù)測混凝土壩未來的變形趨勢

1.5 超參數(shù)設(shè)置

本研究選擇Python 3.6軟件中的DenseNet-LSTM、CNN-LSTM、LSTM、GBDT和RF模型與TCN-LSTM進(jìn)行對(duì)比，以全面評(píng)估TCN-LSTM模型預(yù)測混凝土壩變形的性能。深度學(xué)習(xí)模型（DenseNet-LSTM、CNN-LSTM和LSTM）用于評(píng)估TCN-LSTM模型利用時(shí)序數(shù)據(jù)建模的性能，而傳統(tǒng)機(jī)器學(xué)習(xí)模型（GBDT和RF則用于評(píng)估深度學(xué)習(xí)模型的性能。為了確保各模型的最佳性能，所有超參數(shù)均通過網(wǎng)格搜索方法進(jìn)行優(yōu)化。超參數(shù)設(shè)置見表1。

表1超參數(shù)設(shè)置Tab.1 Hyperparameter Settings

1.6 評(píng)價(jià)指標(biāo)

為全面評(píng)估本文提出的混凝土壩變形預(yù)測模型的性能，選取平均絕對(duì)誤差（ E_MA ）和均方根誤差（ ）決定系數(shù) 個(gè)評(píng)價(jià)指標(biāo)進(jìn)行衡量。 E_MA 反映預(yù)測值與實(shí)測值偏差的平均絕對(duì)大小，是衡量預(yù)測誤差的常用指標(biāo)； E_RMS 通過計(jì)算預(yù)測誤差的平方的均值并取平方根，反映大誤差的懲罰效果； R² 用于衡量模型擬合程度，其值越接近1，表明模型對(duì)實(shí)際變形趨勢的擬合程度越高。較小的 E_MA 和 E_RMS 表示模型預(yù)測變形的精度較高。3個(gè)指標(biāo)的計(jì)算公式分別為

式中： n 為數(shù)據(jù)樣本的數(shù)量， 分別為實(shí)測變形值、預(yù)測變形值、實(shí)測變形值的平均值

2 實(shí)例應(yīng)用

2.1 工程背景

選取甘肅省永靖縣境內(nèi)的一座水電站為應(yīng)用實(shí)例。該水電站樞紐由混凝土重力壩、泄洪消能建筑物、壩后式廠房等建筑物組成（見圖3）。大壩由擋水壩段和溢流壩段組成。采用引張線監(jiān)測壩頂水平位移：溢流壩段分為6段，每段設(shè)置2個(gè)引張線測點(diǎn)；擋水壩段分為10段，每段設(shè)置1個(gè)引張線測點(diǎn)。為了全面反映大壩的整體變形情況，本文選擇3個(gè)引張線測點(diǎn)（EX2、EX8和EX17），分別位于大壩的左岸、中部和右岸（見圖4）。

圖4引張線測點(diǎn)布設(shè)示意

Fig.4SchematicLayoutofExtensometer Measurement Points

2.2 數(shù)據(jù)描述

為實(shí)時(shí)監(jiān)控大壩變形動(dòng)態(tài)，確保大壩運(yùn)行安全，采用自動(dòng)化監(jiān)測系統(tǒng)，布設(shè)了大壩位移、環(huán)境變量（大壩上游水位、氣溫）等多種監(jiān)測項(xiàng)目。所有監(jiān)測數(shù)據(jù)的采集頻次為每日一次，確保數(shù)據(jù)的時(shí)效性和連續(xù)性。本文使用2013年3月20日至2023年9月20日的監(jiān)測數(shù)據(jù)，數(shù)據(jù)總量為3837組。采用7：3的比例劃分訓(xùn)練集和測試集，將2013年3月20日至2020年7月26日的監(jiān)測數(shù)據(jù)作為訓(xùn)練集、2020年7月27日至2023年9月20日的監(jiān)測數(shù)據(jù)作為測試集。上游水位與氣溫變化曲線見圖5，3個(gè)引張線測點(diǎn)（EX2、EX8和EX17）的位移變化曲線見圖6。

2.3 結(jié)果分析

不同模型對(duì)3個(gè)引張線測點(diǎn)（EX2、EX8和EX17）的變形預(yù)測評(píng)價(jià)結(jié)果見表2。TCN-LSTM模型3個(gè)測點(diǎn)的 R² 值均居6個(gè)模型之首，表明該模型能夠最精確地?cái)M合混凝土壩的實(shí)測變形數(shù)據(jù)，具有最強(qiáng)的擬合能力。DenseNet-LSTM模型、CNN-LSTM模型和LSTM模型3個(gè)測點(diǎn)的 R² 值也較大，但不及TCN-LSTM模型。GBDT模型和RF模型的擬合效果相對(duì)較差， R² 值明顯較小，表明它們在捕捉復(fù)雜變形趨勢方面存在不足。TCN-LSTM模型3個(gè)測點(diǎn)的 E_MA 和 E_RMS 均為最小，表明該模型預(yù)測大壩變形的精度最高。GBDT模型和RF模型的 E_MA 和 E_RMS 較大，表明它們預(yù)測大壩變形的精度較低，不如深度學(xué)習(xí)模型。從 R²，E_MA?E_RMS 綜合來看，TCN-LSTM模型在3個(gè)測點(diǎn)均表現(xiàn)優(yōu)異，表明該模型在混凝土壩變形預(yù)測方面具有顯著優(yōu)勢。雖然DenseNet-LSTM模型、CNN-LSTM模型和LSTM模型也較好，但與TCN-LSTM模型相比仍有一定差距。GBDT模型和RF模型的表現(xiàn)相對(duì)較差，表明機(jī)器學(xué)習(xí)模型處理復(fù)雜的大壩變形序列數(shù)據(jù)不如深度學(xué)習(xí)模型有效。

為了更加直觀地分析不同模型預(yù)測效果的差異，繪制了各模型測試集的預(yù)測曲線及其殘差分布（見圖7）。從圖7可以看出，本文提出的TCN-LSTM模型3個(gè)測點(diǎn)的變形預(yù)測曲線與實(shí)測變形曲線高度一致，變化幾乎完全同步，明顯優(yōu)于其他5個(gè)對(duì)比模型。雖然DenseNet-LSTM模型、CNN-LSTM模型和LSTM模型也具有較高的預(yù)測精度，但其預(yù)測曲線與實(shí)測曲線的偏差大于TCN-LSTM模型，表明其在模擬變形趨勢和精度方面略顯不足。TCN-LSTM模型3個(gè)測點(diǎn)的預(yù)測誤差最小，顯示出該模型對(duì)混凝土壩變形數(shù)據(jù)的高度適應(yīng)性和良好的泛化能力。相比之下，DenseNet-LSTM模型、CNN-LSTM模型和LSTM模型的誤差則相對(duì)較大；GBDT模型和RF模型的預(yù)測誤差顯著增大，表明這兩個(gè)模型在處理大壩變形的復(fù)雜時(shí)變性和非線性關(guān)系的擬合效果不佳，主要原因是機(jī)器學(xué)習(xí)模型通常為靜態(tài)模型，無法充分捕捉大壩變形的時(shí)序動(dòng)態(tài)特征。由于深度學(xué)習(xí)模型具有更強(qiáng)的時(shí)序建模能力，可以有效捕捉數(shù)據(jù)的動(dòng)態(tài)變化過程，因此TCN-LSTM模型不僅能夠準(zhǔn)確捕捉復(fù)雜的時(shí)序依賴關(guān)系，而且在處理大壩變形數(shù)據(jù)的非線性和周期性變化時(shí)展現(xiàn)出較強(qiáng)的穩(wěn)定性和預(yù)測能力。綜上所述，TCN-LSTM模型在混凝土壩變形預(yù)測方面具有較強(qiáng)的適用性，可以為大壩安全監(jiān)測提供較精準(zhǔn)可靠的預(yù)測結(jié)果

圖73個(gè)測點(diǎn)的變形預(yù)測曲線

Fig.7Deformation Prediction Curvesof Three Monitoring Points

3結(jié)論

1）本文提出的基于TCN-LSTM的混凝土壩變形預(yù)測模型，充分利用TCN模型處理復(fù)雜時(shí)序數(shù)據(jù)方面的優(yōu)勢以及LSTM模型捕捉長時(shí)依賴性的強(qiáng)大能力，能夠有效挖掘大壩變形數(shù)據(jù)特征，在模擬大壩變形的動(dòng)態(tài)變化和周期性特征時(shí)，展現(xiàn)出較高的預(yù)測精度和穩(wěn)定性。

2）TCN-LSTM模型在混凝土壩變形預(yù)測中表現(xiàn)出了強(qiáng)大的適用性。通過與5種常見的變形預(yù)測模型（DenseNet-LSTM、CNN-LSTM、LSTM、GBDT、RF）進(jìn)行對(duì)比分析，發(fā)現(xiàn)TCN-LSTM 模型的 R² 最大、 E_MA 和E_RMS 最小，表明該模型預(yù)測混凝土壩變形的擬合能力最強(qiáng)、精度最高，預(yù)測結(jié)果顯著優(yōu)于其他5種模型

盡管TCN-LSTM模型在混凝土壩變形預(yù)測中表現(xiàn)出色，但仍有進(jìn)一步優(yōu)化和拓展的空間。未來可以將該模型應(yīng)用于不同類型的大壩（如堆石壩等）及其他監(jiān)測指標(biāo)（如應(yīng)力、滲流等）的預(yù)測，從而驗(yàn)證其在不同場景下的適用性。通過進(jìn)一步優(yōu)化與擴(kuò)展模型，可為大壩的安全監(jiān)測、預(yù)警以及運(yùn)維管理提供更加精準(zhǔn)可靠的技術(shù)支持

參考文獻(xiàn)：

[1］宋蕾，雷兆星.基于 Inception 模塊與改進(jìn)GRU的混凝土 壩變形預(yù)測模型[J].水利水電科技進(jìn)展，2024，44（6）： 100-105.

[2］宋錦燾，葛佳豪，楊杰，等.基于時(shí)空聚類和深度學(xué)習(xí)的混 凝土壩變形異常值識(shí)別方法［J].水利水電科技進(jìn)展， 2024，44（4） ：65-71.

[3］楊孟，李永福，梁云，等.基于多層次濾波降噪的 IGANARX混凝土壩變形預(yù)測模型[J].水電能源科學(xué)，2024， 42（4） ：142-146.

[4]ZHANG Y，ZHANG W W，LI Y L，et al.A Multi-Output Prediction Model for the High Arch Dam Displacement Utilizing the VMD-DTW Partitioning Technique and Long-Term Temperature [J].Expert Systems with Applications，2025，267：126135.

[5］顧昊，曹文翰，汪程，等.混凝土壩服役性態(tài)監(jiān)測效應(yīng)量安 全監(jiān)控指標(biāo)擬定方法[J].水利水電科技進(jìn)展，2021，41 （1） ：30-34，48.

[6]GU H，YANG M，GU C S，et al.A Comprehensive Evaluation Method for Concrete Dam Health State Combined with GrayAnalytic Hierarchy-Optimization Theory[J].Structural Health Monitoring，2022，21（2） ：250-263.

[7]REN Q B，LI M C，LI H，et al.A Novel Deep Learning PredictionModelforConcreteDamDisplacementsUsing Interpretable Mixed Atention Mechanism[J].Advanced Engineering Informatics，2021，50：101407.

[8]周蘭庭，徐長華，袁志美，等.基于CEEMDAN-PSR-KELM 的大壩變形預(yù)測［J].人民黃河，2019，41（6）：138- 141，145.

[9］王穎慧，蘇懷智.基于PCA-GWO-SVM 的大壩變形預(yù)測 [J].人民黃河，2020，42（11）：130-134.

[10］馮瑜，吳云星，谷汶靜，等.基于WOA-RFR的混凝土壩變 形預(yù)測監(jiān)控模型[J].人民珠江，2024，45（7）：118-124.

[11]ZHANG Y，ZHONG W，LI Y L，et al.A Deep Learning Prediction Model of DenseNet-LSTM for Concrete Gravity Dam Deformation Based on Feature Selection[J].Engineering Structures，2023，295：116827.

[12]CAI S，GAO H X，ZHANG J，et al.A Self-Atention-LSTM Method forDamDeformation Prediction Based on CEEMDAN Optimization[J].Applied Soft Computing，2024，159：111615.

[13]CAO E H，BAO TF，LI H，et al.A Hybrid Feature Selection-Multidimensional LSTMFrameworkforDeformationPredictionofSuperHigh Arch Dams[J].KSCE Journal of Civil Engineering，2022，26（11） ：4603-4616.

[14] 羅璐，李志，張啟靈.大壩變形預(yù)測的最優(yōu)因子長短期記憶網(wǎng)絡(luò)模型[J].水力發(fā)電學(xué)報(bào)，2023，42（2）：24-35.

[15] 周蘭庭，柳志坤，徐長華.基于WA-LSTM-ARIMA的混凝土壩變形組合預(yù)測模型［J].人民黃河，2022，44（1）：124-128.

[16] 歐斌，吳邦彬，袁杰，等.基于LSTM的混凝土壩變形預(yù)測模型[J].水利水電科技進(jìn)展，2022，42（1）：21-26.

[17] 原佳帆，李丹楊，李佳霖，等.基于TimeGAN和CNN-BiLSTM-Attention的大壩變形預(yù)測混合模型[J].人民黃河，2024，46（12）：127-130，143.

[18] 王潤英，林思雨，方衛(wèi)華，等.基于CNN-LSTM的大壩變形組合預(yù)測模型研究[J].水力發(fā)電，2024，50（1）：37-41，52.

[19] LI MC，LI MH，RENQB，et al.DRLSTM：A Dual-StageDeepLearning Approach Driven by Raw Monitoring Data forDamDisplacement Prediction[J].Advanced Engineering In-formatics，2022，51：101510.

[20] BAISJ，KOLTERJZ，KOLTUNV.An Empirical EvaluationofGeneric Convolutional and Recurrent NetworksforSequence Modeling[DB/OL].（2018-04-19）[2025-03-01].arxiv.0rg/pdf/1803.01271.

[21] 曾欣，馬力，戴子卿.基于動(dòng)態(tài)MIC 優(yōu)化TCN的混凝土壩變形預(yù)測模型研究[J].水力發(fā)電，2022，48（10）：58-63.

[22] 余昕鵬，吳書悅，趙建世.基于MDUPLEX-LSTM的非一致條件下的水庫出流模擬[J].水利學(xué)報(bào)，2025，56（3）：387-397.

【責(zé)任編輯 張華興】