Page 80 - 水利学报2021年第52卷第1期

年份
图 2 某混凝土坝 IP4_01_X 方向变形监测数据

年份 年份

应变×10 -6

年份 年份

图 3 某调水工程多效应量监测仪器读数记录

节）的一致性，滤波结果示于图 2 和图 3；（2）将浅层模型性能调至最优，SVM 超参数（惩罚因子、高
斯核函数参数）和 BPNN 超参数（连接权重、阈值）均由随机搜索算法优化；（3）OLSTM 采用自适应矩
估计算法更新内部参数，损失函数、隐层激活函数分别设为均方误差（MSE）和 tanh 函数；（4）由于
SVM、BPNN 和 OLSTM 预测存在随机性，遂将各模型 10 次运行结果取均值作为最终输出；（5）选用
MSE、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）作为量化评估各模型预测性能的统计指
标。需要说明的是，本文限于篇幅仅在图 2 和图 3 中绘制出效应量监测序列。
4.1 场景一：数据量大，形式简单 由图 2 可知，该测点变形呈明显的周期性变化，是工程中最常
见也是最简单的一种数据演变形式 ［39］ ；监测数据样本量较大，数值变化幅度基本一致；存在几处分
布较为离散的异常突变（图 2 红色框选处）。现采用 SRSM、SVM、BPNN 和 OLSTM 这 4 种模型对大坝
变形进行外延预测，各模型的 DMP 结果如图 4 所示。从图 4 可以看出：（1）所有模型均未准确把握大
坝变形的局部细微波动，仅预测出大致变化趋势；（2）SVM 预测结果区别于其余 3 种模型，与实测值
差距较大，说明其性能易受数据波动的影响；（3）前 150 步内，OLSTM 预测效果明显优于 SRSM 和
BPNN，这正是此 3 种模型性能差别的主要所在，表现出深度模型在大量数据挖掘分析方面的潜力。
表 1 是 上 述 4 种 模 型 的 性 能 评 估 结 果 ， 各 模 型 预 测 效 果 按 照 统 计 指 标 从 优 到 劣 排 序 为 ： OLSTM>
SRSM>BPNN>SVM。
4.2 场景二：数据量小，形式复杂 正如图 3（a）—（c）所示，该调水工程钢筋计、测缝计和应变计的
读数记录是符合本应用场景的 3 个实例，其数据特征描述如下：与 4.1 节中大坝变形相比，3 组数据
样本量相对较小，演变形式复杂多样；钢筋应力数值变化幅度随着时间推移逐渐变大，且在预测期

— 76 —