SBL驱动的可解释性大坝变形区间预测模型.pdfVIP

第44卷第1期水力发电学报Vol.44,No.1

2025年1月JournalofHydroelectricEngineeringJan.2025

SBL驱动的可解释性大坝变形区间预测模型

1,231,2,41,23

陈斯煜，顾冲时，盛金保，谷艳昌，林潮宁

1.南京水利科学研究院大坝安全与管理研究所，南京210029；2.水利部大坝安全管理中心，南京210029；

3.河海大学水利水电学院，南京210098；4.水利部水库大坝安全重点实验室，南京210024

摘要：变形是反映大坝结构性态的重要效应量。针对现有大坝变形预测中不确定性量化和模型可解释性欠佳的

问题，本文综合考虑数据噪声和模型参数不确定性，提出了稀疏贝叶斯学习（SBL）驱动的大坝变形区间预测模

型。借助并行Rao-3算法和交叉验证策略对核函数参数进行自适应优化，建立了经参数优化的稀疏贝叶斯学习模

型，能够准确表征库水位、气温和时效变量与大坝变形的非线性映射关系。进一步，将全局敏感度分析与预测模

型相结合，计算了大坝变形影响变量的特征重要度，剖析并解释了特征变量对变形预测的影响。以第16届国际

大坝数值分析基准研讨会中的EDF混凝土拱坝为研究案例进行分析，研究结果表明：与多元线性回归、RBFN模

型和GPR模型相比，所提出的预测模型具有较高的点预测和区间预测精度，并兼有良好的可解释性。

关键词：大坝变形预测；区间预测；安全监控；稀疏贝叶斯学习；全局敏感度分析；可解释性

中图分类号：TV698.1文献标志码：ADOI:10.11660/slfdxb

论文引用格式：

陈斯煜,顾冲时,盛金保,等.SBL驱动的可解释性大坝变形区间预测模型[J].水力发电学报,2025,44(1):18-29.

CHENSiyu,GUChongshi,SHENGJinbao,etal.SparseBayesianlearning-driveninterpretableintervalpredictionmodel

fordamdeformation[J].JournalofHydroelectricEngineering,2025,44(1):18-29.(inChinese)

SparseBayesianlearning-driveninterpretableintervalprediction

modelfordamdeformation

1,231,2,41,23

CHENSiyu,GUChongshi,SHENGJinbao,GUYanchang,LINChaoning

1.DamSafetyManagementDepartment,NanjingHydraulicResearchInstitute,Nanjing210029,China;

2.DamSafety