混凝土坝长期变形性态分析与智能化监控方法研究.pdfVIP

摘要

我国混凝土坝工程建设取得了举世瞩目的成就，在数量、高度和规模方面均已位居

世界前列，其长效服役性态不仅关系到工程自身的安危，而且对确保工程安全前提下

正常发挥工程效益亦至关重要。变形是混凝土坝工作性态最直观的反映，尤其是长期

变形，是评价大坝结构性态转异和长效服役健康状况的关键指标。深入研究多因素协

同作用下混凝土坝变形行为的演变规律，并在此基础上开展混凝土坝服役性态安全监

控和预警模型方法研究，是及时辨识异常行为、保障大坝安全运行的重要手段之一。混

凝土坝是一个动态变化的复杂系统，其结构形式的特殊性和服役环境的复杂性，决定

了大坝变形性态具有本质非线性、不确定性、多样性和时变性等特征。此外，随着安全

监测技术的提高，大坝变形监测布置逐步由单点分布向多点空间分布发展，混凝土坝

在运行过程中积累了长历时、海量且多源的原型监测数据，这些对数据处理和挖掘分

析提出了更高的要求与挑战。人工智能是引领新一轮科技革命和产业变革的核心技术，

将其深度融合混凝土坝变形性态分析、安全监控与预报预警，对于促进大坝安全运行

管理向智能化阶段迈进具有重要意义。

为此，本文以混凝土坝安全监测数据为研究对象，将前沿人工智能技术与经典坝工

领域知识相结合，以混凝土坝长期变形性态分析与智能化监控方法为主题，围绕原型

监测数据恢复、变形性态跟踪监控和安全预警区间拟定三个方面开展了系统性的研究

工作，主要研究内容及创新性成果如下：

（1）提出了基于分治策略的混凝土坝原型监测数据恢复方法。在剖析混凝土坝变

形原型监测数据序列构成要素的基础上，依据“分而治之”的思想，利用基于鲁棒局部

加权回归的时序分解方法将变形监测数据分解为趋势量、周期量和残差量三项；引入

多模型集成策略，通过建立最优化拟合模型、权重窗口模型和残差生成模型对趋势量、

周期量和残差量进行分布式重构，并根据底层加法模型完成分量聚合，由此实现了对

缺失数据的插值填补；进一步采用广义极端学生化偏差统计方法对分解所得的残差量

按序执行检验，以实时捕获、定位变形监测数据中的局部离群值。该数据恢复方法集成

了缺失值处理和离群值检测两种功能，可为后续建模分析提供高质量数据。

（2）构建了混凝土坝多测点变形性态协同建模与风险规避框架。针对混凝土坝多

测点变形监控的现实需求，分别采用耦合相关性诊断方法、动态最大信息系数和标准

化动态时间规整算法度量因子相关性、动态因果关系和序列相似性，并通过非线性模

型建立、动态输入修正和交叉多输出扩展将多维复杂关联性统一于大坝变形协同建模

框架中；考虑到低估变位幅度的不利影响，以环境因子与大坝变形之间的因果关系为

基础，综合运用一维残差卷积和长短期记忆神经网络，进一步挖掘多因子之间、多测点

变形数据序列之间的复杂耦合关系，结合具有惩罚机制的非对称代价函数，提出了基

于双阶段深度学习的混凝土坝服役风险自适应规避方法，旨在迫使低估变形趋向高估

的同时依然保持较高的预测精度。

（3）建立了非常运行工况下混凝土坝变形行为跟踪监控模型。根据库水位骤变和

结构补强加固两种非常运行工况前后混凝土坝变形监测资料，提出了非常运行工况影

响的量化评价方法，揭示了非常运行工况对大坝变形性态的影响规律；以此为基础，从

统计学习理论出发，引入因子贡献度和权重分配规则，推导并构建了基于自适应因子

加权支持向量机的鲁棒跟踪监控模型，其通过内嵌RReliefF加权核函数弱化水压分量

因子的贡献度，从而减少库水位骤变所带来的外源性干扰；考虑结构补强加固引起的

大坝工作性态时变不确定特性，融合贝叶斯理论和增量学习方法，提出了基于增量全

局贝叶斯极限学习机的在线跟踪监控模型，探讨了模型参数在线更新技术和模型非迭

代剪枝算法，实现了对大坝补强加固长效性的实时判诊。

（4）开发了不确定条件下混凝土坝变形安全预警区间拟定方法。统筹考虑大坝工

作性态相关不确定信息，从理论简化、数据获取和模型构建三个方面，系统阐述了大坝

变形安全监控不确定性的来源和类别；通过耦合分类回归树与梯度提升算法，构建了

梯度提升树集成学习器，弥补了单一学习器难以精确模拟大坝变形与其影响因子间复

杂映射规则的不足；在此基础上，借鉴分位数回归的思想，重新设计了处处可微的

pinball损失函数，梯度提升树学习器通过最小化pinball损失函数定量表征大坝系统相

关不确定性并拟定安全预警区间，据此建立了基于梯度提升分位数回归的变形动态预

警模型；进一步引入元启发式优化技术，实现了不确定条件下混凝土坝变形安全预警