Page 29 - 2022年第53卷第4期

水 利 学 报

2022 年 4 月 SHUILI XUEBAO 第 53 卷 第 4 期

文章编号：0559-9350（2022）04-0403-10

耦合 ALO-LSTM 和特征注意力机制的土石坝渗压预测模型

王晓玲 ，李 克 ，张宗亮 ，余红玲 ，孔令学 ，陈文龙 1
1
2
2
1
1
（1. 天津大学 水利工程仿真与安全国家重点实验室，天津 300072；
2. 中国电建集团昆明勘测设计研究院有限公司，云南 昆明 650051）
摘要：现有土石坝渗压预测模型缺乏对渗压效应量中各影响因子影响程度的定量分析，难以探究渗压效应量变化
的内在影响机制。针对此问题，本文从时间维度和特征维度两个层面出发，提出一种耦合 ALO-LSTM 和特征注
意力机制的土石坝渗压预测模型。该模型首先采用主成分分析方法对各个影响因子进行降维处理；然后，提出基
于蚁狮优化算法（Ant Lion Optimizer，ALO）的长短时记忆网络（Long Short-Term Memory，LSTM），利用 ALO 中的
随机游走以及轮盘赌等策略优化 LSTM 中的神经元数量，以捕捉渗压数据在时间维度上的深层信息；进一步地，
在特征维度上引入特征注意力机制计算各影响因子对渗压效应量的贡献率，以自适应挖掘渗压效应量变化的内在
原因。案例分析表明，本文所提模型具有较高的精度，其在测试样本上的 MAPE、RMSE 和 MAE 分别为 0.28%、
0.022 m 和 0.17 m；此外，水位分量对渗压效应量的贡献率最大，为 47.9%；其次是降雨、温度和时效分量，其贡
献率分别为 33.5%、9.8%和 8.8%。
关键词：渗压预测；长短时记忆网络；特征注意力机制；蚁狮优化算法；主成分分析

中图分类号：TV641 文献标识码：A doi：10.13243/j.cnki.slxb.20210936

1 研究背景

大坝渗流安全监测是保证大坝安全稳定运行的重要手段，渗压实时监测数据是大坝运行性态的
直接表征 ［1-2］ 。目前常用的大坝渗压预测模型主要注重渗压效应量和影响因子之间的非线性映射关
系，缺乏对渗压效应量内在影响机制的挖掘。因此，建立精确的渗压预测模型并且探究渗压变化
的内在原因，对于深入研究大坝渗流安全状态具有重要的理论和现实意义。
近年来，随着人工智能技术的不断发展，越来越多的机器学习模型应用到大坝渗流预测模型的
［5］
［6］
研究中 ［3-4］ 。例如，Chen 等 建立了基于最小二乘支持向量机的大坝渗流预警模型。Qiu 等 利用小
波神经网络和最大熵原理对某土石坝在暴雨影响下的渗流状态进行了研究。Roushangar 等 ［7］ 建立了
基于小波互信息和高斯过程回归的组合模型来预测土石坝的渗流流量值。Fernando 等 ［8］ 将回归树模
型应用到大坝异常检测中去。缪长健等 ［9］ 、Zhang 等 ［10］ 和黄振东 ［11］ 针对传统的统计模型难以反映大
坝渗流与影响因子之间的非线性关系的缺点，将反向传播神经网络应用于渗流预测模型，提高了
模型的非线性映射能力。Chen 等 ［12］ 提出了基于核极限学习机渗流预测的数据挖掘与监测框架。冯
春燕等 ［13］ 建立了卡尔曼滤波回归模型对测压管水位进行预测。Li 等 ［14］ 等基于灰色聚类分析方法对
用于大坝健康监测。
上述研究在大坝渗流安全监控中发挥了重要的作用。随着人工智能的快速发展，将深度学习模

收稿日期：2021-10-19；网络首发时间：2022-01-10
网络首发地址：http：//kns.cnki.net/kcms/detail/11.1882.TV.20220107.1451.002.html
基金项目：国家自然科学基金雅砻江联合基金项目（U1865204，U1765205）
作者简介：王晓玲（1968-），博士，教授，主要从事水利工程渗流性态分析研究。E-mail：wangxl@tju.edu.cn
通讯作者：张宗亮（1963-），博士，院士，全国工程勘察设计大师，主要从事水利水电工程勘察设计研究。
E-mail：zhang_zl@powerchina.cn
— 403 —