Page 34 - 2022年第53卷第4期

本文中采用主成分分析方法进行降维避免了降雨分量和水位分量之间的相互影响，所以这里的降雨
分量主要集中在降雨入渗的影响上。降雨分量可由下式表示：
- -
P
δ ={P， P 1 - 3 ， P 4 - 7 } （20）
- -
式中： p 为当天的降雨量， mm；P 1 - 3 为前 1 ~ 3 天降雨量均值， mm；P 4 - 7 为前 4 ~ 7 天降雨量均
值， mm。
（4）时间分量是一个不可逆的分量，随着时间的推移，它以不可逆的方向发展。主要反映了坝体
材料蠕变、坝基岩石蠕变、岩体节理裂缝、软弱结构对渗压的影响。一般情况下，时间分量的变化
在开始时变化剧烈，在后期逐渐趋于稳定。时效分量的一般变化规律可以用下式表示 ［2，35］ ：
δ = {θ，lnθ } （21）
θ
式中θ为模型起始日至实测日的天数除以 100。
综上所述确定土石坝渗压预测模型的初始影响变量为：

δ = h ，h ˉ ，h ˉ ，h ，sin 2πit ，cos 2πit ，p，p ˉ 1 - 3 ，p ˉ 4 - 7 ，θ，lnθ } （22）
d
{ u
1 - 3
4 - 7
365 365
3.2 主成分降维 PCA 通过空间变换将一组含有相关性的数据重构成n个几乎线性不相关的向量，可
以解决大坝渗流预测中由于输入向量维数过多而存在的多重共线性问题，进而提高模型的预测精
度。对 3.1 节提到的影响因子进行降维处理，得到如表 1 所示的方差累积贡献率。方差累计贡献率达
到 85%以上就可以认为所得到的主成分可以解释原始影响因子的大部分信息。

表 1 方差累积贡献率
成分 特征值 方差贡献率/% 累积/%
1 3.597 35.974 35.974
2 2.103 20.132 56.106
3 1.254 12.538 68.643
4 0.951 9.506 78.149
5 0.885 8.853 87.002

经 PCA 计算得到表 1 的方差累积贡献率，从表 1 可以看出前五个主成分的累积方差达到了 87%，
因此通过计算将原始数据为 11 维的向量重构成 5 个主成分，即消除了多重共线性又大大降低了输入
向量的维度。表 2 为各主成分分量的得分系数矩阵。

表 2 主成分分量得分系数表

F 1 F 2 F 3 F 4 F 5
0.272 0.031 0.209 0.029 0.053
δ H 0.274 0.028 0.186 0.045 0.055
0.277 0.024 0.15 0.067 0.046
0.037 -0.001 0.338 0.887 0.305
δ -0.097 0.076 0.042 0.061 0.064
T
-0.089 0.113 0.077 0.077 0.083
-0.07 0.024 0.416 0.441 -0.628
δ p -0.094 0.032 0.472 0.167 -0.022
-0.091 0.036 0.414 -0.028 0.776
δ 0.018 0.473 -0.8 -0.048 -0.044
θ
0.025 0.486 -0.86 -0.045 -0.5
3.3 ALO-LSTM 和特征注意力机制算法的土石坝渗压预测
3.3.1 模型参数和预测性能指标确定 首先 LSTM 本身的参数有输入层神经元个数 L 、输出层神经元
1
个数 L 、学习率ε、最大批数 E、时间步长 T，这些参数对模型的精度有重要的影响。其中 ALO 算法
2
— 408 —