耦合ALO-LSTM和特征注意力機制的土石壩滲壓預測模型

王曉玲，李 克，張宗亮，余紅玲，孔令學，陳文龍

（1.天津大學 水利工程仿真與安全國家重點實驗室，天津 300072；2.中國電建集團昆明勘測設計研究院有限公司，云南 昆明 650051）

1 研究背景

大壩滲流安全監測是保證大壩安全穩定運行的重要手段，滲壓實時監測數據是大壩運行性態的直接表征［1-2］。目前常用的大壩滲壓預測模型主要注重滲壓效應量和影響因子之間的非線性映射關系，缺乏對滲壓效應量內在影響機制的挖掘。因此，建立精確的滲壓預測模型并且探究滲壓變化的內在原因，對于深入研究大壩滲流安全狀態具有重要的理論和現實意義。

近年來，隨著人工智能技術的不斷發展，越來越多的機器學習模型應用到大壩滲流預測模型的研究中［3-4］。例如，Chen 等［5］建立了基于最小二乘支持向量機的大壩滲流預警模型。Qiu 等［6］利用小波神經網絡和最大熵原理對某土石壩在暴雨影響下的滲流狀態進行了研究。Roushangar 等［7］建立了基于小波互信息和高斯過程回歸的組合模型來預測土石壩的滲流流量值。Fernando 等［8］將回歸樹模型應用到大壩異常檢測中去?？婇L健等［9］、Zhang 等［10］和黃振東［11］針對傳統的統計模型難以反映大壩滲流與影響因子之間的非線性關系的缺點，將反向傳播神經網絡應用于滲流預測模型，提高了模型的非線性映射能力。Chen 等［12］提出了基于核極限學習機滲流預測的數據挖掘與監測框架。馮春燕等［13］建立了卡爾曼濾波回歸模型對測壓管水位進行預測。Li 等［14］等基于灰色聚類分析方法對用于大壩健康監測。……