Page 41 - 2025年第56卷第7期

索最优解，结合监督机制与逆捕食机制，保障搜索的连续性并避免陷入局部最优解 ［27］ 。综上所述，本
文基于 AM，根据各因子对渗流的影响程度进行加权，利用 SSA 获取模型的最佳参数组合，建立了混
凝土坝渗流预测 AM-SSA-BiGRU 模型，如图 2 所示。

图 2 混凝土坝渗流预测 AM-SSA-BiGRU 模型结构图

3.2 模型性能评价指标 本文采用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分误差
（MAPE）和拟合优度（R ）作为渗流预测模型性能的评价指标。其中 MAE、RMSE、MAPE 的值越小，R 2
2
值越接近于 1，表示模型的预测效果越好。其中 R 的计算公式为：
2
n
( y ̂ - y i ) 2
∑ i = 1 i
2
R = 1 - （22）
n 2
( y i - y ˉ )
∑ i = 1 i
式中：y i 、y ̂ 和 y ˉ 分别为渗流实测值、预测值和实测值的平均值；n 为样本个数。
i
i
4 案例研究
以福建省永定县境内的某水电站为研究对
象，该工程主要由混凝土重力坝、湖洋里副坝
等水工建筑物组成，具有发电、防洪、航运等
综合效益。最大坝高为 113.0 m，坝顶高程为
179.0 m。大坝共有 7 个坝段，1 、2 坝段为左
#
#
岸挡水坝段，3 、4 坝段为溢流坝段，5 、6 、
#
#
#
#
7 坝段为右岸挡水坝段。为全面监测大坝渗流
#
状态，在主要建筑物表面（及内部）布置了坝基
扬压力孔等监测项目，如图 3 所示。
为充分掌握大坝整体的渗流状况，选取不
图 3 上游立视测点分布
同坝段、不同高程的 UP3、UP6、UP9、UP13
测点测压管水位数据进行分析，时段为 2004/1/1—2008/12/31。其中，取该时段 80% 数据（2004/1/1—
2007/12/31）作为训练集，用于模型的构建与训练；其余 20% 渗流数据（2008/1/1—2008/12/31）作为测试
集，即对该时段数据进行预测，用于评估模型在未见数据上的预测性能。图 4 为大坝各渗流监测点总
测压管水位及库水位、温度、降雨量变化过程线图。可见，当库水位和温度发生较大变化时，其对渗流
的影响将持续一段时间，渗流变化存在一定的延迟，且降雨量变化对渗流的影响也存在一定的滞后性。
4.1 混凝土坝渗流滞后效应分析 经 ADF 检验，原序列中库水位、温度、UP3、UP6、UP9、UP13 的
检验统计量存在大于 1%、5%、10% 临界值情况，不满足平稳性要求，需进行一阶差分处理。一阶差
分后数据的检验统计量及 p 值符合平稳序列要求。对平稳性处理后的数据建立 BVAR 模型，利用 HQ 信
息准则计算各测点的模型最优滞后阶数，所获阶数分别为 3、3、2、2。随后，采用特征值检验法评估
所构建 BVAR 模型的有效性。结果显示模型所有的特征根均小于 1，表明构建的模型是稳定可靠的，

— 867 —