Page 82 - 水利学报2021年第52卷第1期

表 2 多效应量多模型预测性能量化评估结果
钢筋应力 裂缝开合度 应变 水位
SRSM BPNN OLSTM SRSM BPNN OLSTM SRSM BPNN OLSTM BPNN OLSTM
MSE 86.510 38.832 1.665 0.173 0.014 0.004 125.698 49.636 9.803 0.006 0.004
MAE 7.769 5.829 1.088 0.305 0.099 0.060 9.721 5.796 2.050 0.055 0.047
MAPE 1.592 0.925 0.168 0.302 0.098 0.058 0.318 0.194 0.064 0.001 0.001

步预测精度”角度而言，3 种模型在不同效应量预测中的性能量化评估结果（表 2）亦能佐证上述观点，
各模型预测效果按照统计指标从优到劣排序为：OLSTM>BPNN>SRSM。
4.3 场景三：因子缺失，形式复杂 图 3（d）中渗压计读数表现为密集型振荡模式，随机噪声较大；
数据样本量较小，且缺失预测因子，难以依靠外生变量修正原始数据，准确预测未来趋势难度较
大。在此场景下，无法使用传统统计模型，只能将 BPNN 和 OLSTM 用于水位变化的外延预测，两种
模型的 ROP 结果如图 5（d）所示。从图中可以看出：前 10 步内，OLSTM 预测结果更加贴近实测值，且
数值存在恰当的波动；10 步之后，实测数据变化幅度增大，OLSTM 保守选取中值作为预测结果，而
BPNN 一直维持固有速率呈下降趋势。总体而言，同等情况下深度模型能够抓取更多信息来提高逐步
预测精度。

5 结论

针对复杂非线性安全监控大数据，从前端处理、网络结构和外延预测三个方面出发，通过改进
加强 LSTM 深层网络，提出适用于不同类型水工建筑物的安全监控优化深度模型，为深度学习推广应
用奠定了研究基础。基于所提出的模型，结合某混凝土坝和某调水工程多效应量监测数据，设置 3 种
典型应用场景下的多模型性能对比仿真实验，结果表明该模型在外推估计方面优势明显，主要表现
为：（1）相比于常规、浅层模型，深度模型适用于更多场景，且同一场景下其预测效果提升显著；
（2）通过数据清洗、降噪平滑等前处理方法提高了数学建模效率，并改善了模型计算复杂度；（3）借
助竞争机制和超参数优化，自动选取较优预测方式，不仅提高了模型的泛化能力，还减少了人工干
预成本；（4）采用限定区间、早停、正则化等策略，缩短了模型训练时长，同时缓解了过拟合和共线
性问题；（5）DMP 重在把握整体演变趋势，ROP 则能反映局部数据波动。
鉴于深度学习算法在水工建筑物安全监控领域的应用研究尚处于起步阶段，本文未能详尽讨论
其他应用场景，现提出以下两点展望供相关人员参考：（1）深度模型预测性能与数据量密切相关，而
部分地区水工建筑物历史观测资料完整性、可靠性均不足，如何利用有限数据开发高精度网络是一
个重要的研究课题；（2）目前多数从业人员只能通过加深或加宽网络改善模型性能，而无法对网络内
部进行有效的数学解释，因而亟待研究深层网络的可判读性和可理解性。

参 考 文 献：

［ 1 ］ 林继镛 . 水工建筑物［M］. 北京：中国水利水电出版社，2009 .
［ 2 ］ 虞鸿，吴中如，包腾飞，等 . 基于主成分的大坝观测数据多效应量统计分析研究［J］. 中国科学（技术科

学），2010，40（7）：830-839 .
［ 3 ］ 刘大文，胡建忠 . 工程安全监测技术［M］. 北京：中国水利水电出版社，2007 .
［ 4 ］ 吴中如 . 水工建筑物安全监控理论及其应用［M］. 北京：高等教育出版社，2003 .
［ 5 ］ 吴中如，陈波 . 大坝变形监控模型发展回眸［J］. 现代测绘，2016，39（5）：1-3，8 .
［ 6 ］ 徐洪钟，吴中如，李雪红 . 相空间神经网络模型在大坝安全监控中的应用［J］. 水利学报，2001（6）：67-71 .
［ 7 ］ 苏怀智，温志萍，吴中如 . 基于 SVM 理论的大坝安全预警模型研究［J］. 应用基础与工程科学学报，2009，
17（1）：40-48 .

— 78 —