Page 119 - 2025年第56卷第8期

［３２］ 刘戎．螺旋隧道施工区域污染扩散机制及控制技术研究［Ｄ］．重庆：重庆大学，２０２０．
［３３］ 中国水利水电第十四工程局有限公司．水工建筑物地下工程开挖施工技术规范：ＤＬ?Ｔ５０９９—２０１１［Ｓ］．北
京：中国水利水电出版社，２０１１．
［３４］ 王晓玲，李清梦，刘宗显，等．融合时频空间特征的土石坝地震易损性分析改进 ＭＬＰ模型研究［Ｊ］．水利
学报，２０２４，５５（１）：１３ － ２３．
［３５］ 王晓玲，李克，张宗亮，等．耦合 ＡＬＯ － ＬＳＴＭ 和特征注意力机制的土石坝渗压预测模型 ［Ｊ］．水利学报，
２０２２，５３（４）：４０３ － ４１２．
［３６］ 班多晗，吕鑫，王鑫元．基于一维混沌映射的高效图像加密算法［Ｊ］．计算机科学，２０２０，４７（４）：２７８ － ２８４．
［３７］ 何庆，罗仕杭．混合改进策略的黑猩猩优化算法及其机械应用［Ｊ］．控制与决策，２０２３，３８（２）：３５４ － ３６４．
［３８］ ＪＡＳＫ，ＤＯＤＡＧＯＵＤＡＲＧＲ．Ｅｘｐｌａｉｎａｂｌｅｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｏｄｅｌｆｏｒｌｉｑｕｅｆａｃｔｉｏｎｐｏｔｅｎｔｉａｌａｓｓｅｓｓｍｅｎｔｏｆｓｏｉｌｓｕ
ｓｉｎｇＸＧＢｏｏｓｔ － ＳＨＡＰ ［Ｊ］．ＳｏｉｌＤｙｎａｍｉｃｓａｎｄＥａｒｔｈｑｕａｋｅＥｎｇｉｎｅｅｒｉｎｇ，２０２３，１６５：１０７６６２．

ＩＨＰＯ－ ＸＤＦｒｏｂｕｓｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｖｅｎｔｉｌａｔｉｏｎｆｒｅｑｕｅｎｃｙｏｆ
ｕｎｄｅｒｇｒｏｕｎｄｐｏｗｅｒｈｏｕｓｅｃａｖｅｒｎｓ

１
１
１
２
１
１
ＷＡＮＧＸｉａｏｌｉｎｇ，ＧＵＯＺｈａｎｇｃｈａｏ，ＹＵＪｉａ，ＹＵＨｏｎｇｌｉｎｇ，ＬＩＵＣｈａｎｇｘｉｎ，ＷＵＢｉｎｐｉｎｇ
（１．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＨｙｄｒａｕｌｉｃＥｎｇｉｎｅｅｒｉｎｇＩｎｔｅｌｌｉｇｅｎｔＣｏｎｓｔｒｕｃｔｉｏｎａｎｄＯｐｅｒａｔｉｏｎ，ＴｉａｎｊｉｎＵｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ ３０００７２，Ｃｈｉｎａ；
２．ＣｏｌｌｅｇｅｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＣｉｖｉｌＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｉｎａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ １０００８３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｈｙｄｒｏｐｏｗｅｒｕｎｄｅｒｇｒｏｕｎｄｐｏｗｅｒｐｌａｎｔｃａｖｅｒｎｃｏｍｐｌｅｘ，ｔｈｅａｒｒａｎｇｅｍｅｎｔｏｆｔｈｅｃａｖ
ｅｒｎｓｉｓｃｏｍｐｌｅｘ ，ｗｉｔｈｍａｎｙｄｅａｄｅｎｄｓａｎｄｄｉｓｏｒｄｅｒｅｄａｉｒｆｌｏｗｐａｔｔｅｒｎｓ．Ｄｅｔｅｒｍｉｎｉｎｇａｎａｐｐｒｏｐｒｉａｔｅｃｏｎｓｔｒｕｃｔｉｏｎ
ｖｅｎｔｉｌａｔｉｏｎｆｒｅｑｕｅｎｃｙｉｓｃｒｕｃｉａｌｆｏｒｅｎｓｕｒｉｎｇｓａｆｅｔｙ．Ｄｕｒｉｎｇｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｐｒｏｃｅｓｓｏｆｔｈｅｕｎｄｅｒｇｒｏｕｎｄｐｏｗｅｒｐｌａｎｔ
ｃａｖｅｒｎｃｏｍｐｌｅｘ ，ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃｉｎｔｅｒｆｅｒｅｎｃｅａｎｄｂｌａｓｔｖｉｂｒａｔｉｏｎｏｆｔｅｎｒｅｓｕｌｔｉｎｎｏｉｓｙａｎｄｍｉｓｓｉｎｇｄａｔａｉｎｅｎｖｉｒｏｎ
ｍｅｎｔａｌｍｏｎｉｔｏｒｉｎｇ ，ａｎｄｅｘｉｓｔｉｎｇｍａｃｈｉｎｅｌｅａｒｎｉｎｇ － ｂａｓｅｄｃｏｎｓｔｒｕｃｔｉｏｎｖｅｎｔｉｌａｔｉｏｎｆｒｅｑｕｅｎｃｙｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓａｒｅ
ｈｉｇｈｌｙｓｅｎｓｉｔｉｖｅｔｏｏｕｔｌｉｅｒｓ ，ｗｉｔｈｐｏｏｒｒｏｂｕｓｔｎｅｓｓ．Ｔｏａｄｄｒｅｓｓｔｈｅｓｅｉｓｓｕｅｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎＩＨＰＯ － ＸＤＦｒｏ
ｂｕｓｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｃｏｎｓｔｒｕｃｔｉｏｎｖｅｎｔｉｌａｔｉｏｎｆｒｅｑｕｅｎｃｙｉｎｕｎｄｅｒｇｒｏｕｎｄｐｏｗｅｒｐｌａｎｔｃａｖｅｒｎｃｏｍｐｌｅｘｅｓ．Ｆｉｒｓｔ ，ａ
ｄｅｅｐｆｏｒｅｓｔ （ＤＦ）ｎｅｔｗｏｒｋｗｉｔｈｓｔｒｏｎｇｕｎｉｖｅｒｓａｌｌｅａｒｎｉｎｇａｂｉｌｉｔｙａｎｄｒｏｂｕｓｔｎｅｓｓｉｓｓｅｌｅｃｔｅｄａｓｔｈｅｂａｓｉｓｆｏｒｖｅｎｔｉｌａｔｉｏｎ
ｆｒｅｑｕｅｎｃｙｐｒｅｄｉｃｔｉｏｎ．Ｓｅｃｏｎｄ ，ｔｈｅｒａｎｄｏｍ ｆｏｒｅｓｔｂａｓｅｌｅａｒｎｅｒｉｎｔｈｅｄｅｅｐｆｏｒｅｓｔｉｓｉｍｐｒｏｖｅｄｔｏｅｘｔｒｅｍｅｇｒａｄｉｅｎｔ
ｂｏｏｓｔｉｎｇｔｒｅｅ （ＸＧＢｏｏｓｔ），ａｎｄｔｈｅｅｆｆｉｃｉｅｎｔｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｍｅｃｈａｎｉｓｍａｎｄｒｅｇｕｌａｒｉｚａｔｉｏｎｓｔｒａｔｅｇｙｏｆＸＧｂｏｏｓｔａｒｅ
ｕｓｅｄｔｏｆｕｒｔｈｅｒｅｎｈａｎｃｅｔｈｅｒｏｂｕｓｔｎｅｓｓａｎｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙｏｆｔｈｅｍｏｄｅｌ．Ｆｕｒｔｈｅｒｍｏｒｅ ，ｔｈｅＩｍｐｒｏｖｅｄＨｕｎｔｅｒ －
ＰｒｅｙＯｐｔｉｍｉｚａｔｉｏｎ（ＩＨＰＯ）ａｌｇｏｒｉｔｈｍｗａｓａｄｏｐｔｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅｈｙｐｅｒｐａｒａｍｅｔｅｒｓｏｆｔｈｅＤＦｍｏｄｅｌ，ｗｈｉｃｈｃｏｕｌｄ
ｃｏｍｐｅｎｓａｔｅｆｏｒｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆｔｒａｄｉｔｉｏｎａｌｍａｎｕａｌｐａｒａｍｅｔｅｒｔｕｎｉｎｇａｎｄｏｂｔａｉｎｔｈｅｏｐｔｉｍａｌｈｙｐｅｒｐａｒａｍｅｔｅｒｓ，
ｔｈｅｒｅｂｙｍｉｎｉｎｇａｎｄｅｎｈａｎｃｉｎｇｔｈｅｉｎｈｅｒｅｎｔｒｏｂｕｓｔｎｅｓｓｏｆｔｈｅｍｏｄｅｌａｎｄｒｅｖｅａｌｉｎｇｔｈｅｃｏｍｐｌｅｘｎｏｎｌｉｎｅａｒｍａｐｐｉｎｇｒｅ
ｌａｔｉｏｎｓｈｉｐｓｂｅｔｗｅｅｎｔｈｅｐｏｌｌｕｔａｎｔｃｏｎｃｅｎｔｒａｔｉｏｎ ，ｔｅｍｐｅｒａｔｕｒｅ，ｗｉｎｄｓｐｅｅｄ，ａｎｄｅｘｃａｖａｔｉｏｎｖｏｌｕｍｅａｎｄｔｈｅｃｏｎ
ｓｔｒｕｃｔｉｏｎｖｅｎｔｉｌａｔｉｏｎｆｒｅｑｕｅｎｃｙ．Ｆｕｒｔｈｅｒｍｏｒｅ ，ｔｈｅＩＨＰＯ － ＸＤＦｍｏｄｅｌｗａｓａｎａｌｙｚｅｄｕｓｉｎｇｔｈｅＳＨａｐｌｅｙＡｄｄｉｔｉｖｅｅｘ
Ｐｌａｎａｔｉｏｎｓ （ＳＨＡＰ）ｆｏｒｉｎｔｅｒｐｒｅｔａｂｉｌｉｔｙ，ｗｈｉｃｈｃｏｕｌｄｍｉｎｅｔｈｅｋｅｙｆｅａｔｕｒｅｓｔｈａｔａｆｆｅｃｔｅｄｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅ
ｃｏｎｓｔｒｕｃｔｉｏｎｖｅｎｔｉｌａｔｉｏｎｆｒｅｑｕｅｎｃｙａｎｄｅｎｈａｎｃｅｔｈｅｃｒｅｄｉｂｉｌｉｔｙｏｆｔｈｅｖｅｎｔｉｌａｔｉｏｎｆｒｅｑｕｅｎｃｙｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ．Ｔｈｅ
ｃａｓｅｓｔｕｄｙｓｈｏｗｅｄｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅＸＧＢｏｏｓｔ － ｉｍｐｒｏｖｅｄＤＦｍｏｄｅｌ，ｔｈｅｔｒａｄｉｔｉｏｎａｌＤＦ，ｔｈｅＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ
ＤｅｃｉｓｉｏｎＴｒｅｅ （ＧＢＤＴ），ａｎｄｔｈｅＤｅｃｉｓｉｏｎＴｒｅｅ（ＤＴ）ｍｏｄｅｌｓ，ｔｈｅｐｒｏｐｏｓｅｄｍｏｄｅｌａｃｈｉｅｖｅｄａｒｅｓｐｅｃｔｉｖｅｉｍｐｒｏｖｅ
ｍｅｎｔｏｆ３．４８％，５．０１％，１３．１３％，ａｎｄ１３．４８％ ｉｎｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ，ａｎｄｔｈｅＩＨＰＯ － ＸＤＦｍｏｄｅｌｓｈｏｗｅｄｔｈｅ
ｓｍａｌｌｅｓｔｄｅｃｒｅａｓｅｉｎｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｉｎｔｈｅａｂｎｏｒｍａｌｖａｌｕｅｅｎｖｉｒｏｎｍｅｎｔ，ａｔｏｎｌｙ２．１７％，ｄｅｍｏｎｓｔｒａｔｉｎｇｇｏｏｄ
ｒｏｂｕｓｔｎｅｓｓ．Ｍｅａｎｗｈｉｌｅ ，ｔｈｅＳＨＡＰ － ｂａｓｅｄｉｎｔｅｒｐｒｅｔａｂｉｌｉｔｙａｎａｌｙｓｉｓｏｆｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｄｔｈａｔｔｈｅＩＨＰＯ －
ＸＤＦａｌｇｏｒｉｔｈｍｈａｄｈｉｇｈｃｒｅｄｉｂｉｌｉｔｙ．
Ｋｅｙｗｏｒｄｓ：ｕｎｄｅｒｇｒｏｕｎｄｐｏｗｅｒｈｏｕｓｅｃａｖｅｒｎｇｒｏｕｐ；ｒｏｂｕｓｔｐｒｅｄｉｃｔｉｏｎｏｆｖｅｎｔｉｌａｔｉｏｎｆｒｅｑｕｅｎｃｙ；ｄｅｅｐｆｏｒｅｓｔｍｏｄｅｌ；
ＸＧＢｏｏｓｔ；ｉｍｐｒｏｖｅｄｈｕｎｔｅｒ － ｐｒｅｙａｌｇｏｒｉｔｈｍ；ｉｎｔｅｒｐｒｅｔａｂｉｌｉｔｙ

（责任编辑：韩 昆）

０
— １ ８ ３ —