高堆石坝噪声自适应时空神经网络变形预测模型研究

　　针对高堆石坝监测数据受施工过程和水位波动影响导致的显著波动性问题，武汉大学团队提出基于图卷积网络(GCN)和长短期记忆网络(LSTM)的噪声自适应时空神经网络(NA-STNN)。该模型通过多节点空间特征融合、概率预测方法和参数共享Seq2Seq结构，实现了MAE<1.0cm的精准预测，为土石坝健康监测提供了抗噪声干扰的新型解决方案。

　　

研究背景
高堆石坝作为水利工程中的关键设施，其长期变形监测直接关系到工程安全。然而，这类结构在运营过程中面临两大挑战：一是监测数据因施工扰动和水位变化产生剧烈波动，二是传统统计模型如水力-季节-时间(HST)模型难以捕捉复杂时空关联。更棘手的是，传感器偏差、环境干扰等因素导致数据噪声显著，使得基于监测数据的变形预测精度受限。

研究方法与技术路线
武汉大学研究团队构建的NA-STNN模型创新性地整合了三项核心技术：1) 多图卷积网络(MulGCN)聚合空间距离、分区和环境指标特征；2) 概率预测模块假设噪声服从时变高斯分布，通过线性层输出分布参数；3) 参数共享的Seq2Seq结构解决变形滞后效应。模型在梁河口水电站堆石坝实测数据验证，对比了GRU、STL-EMD等9种基线方法。

研究结果
Spatiotemporal fusion model
通过公式X_t,fusion=MulGCN(X_t⁽⁰⁾,A₁,A₂,?A₃)实现空间特征融合，结合LSTM挖掘时序依赖，MAE较传统方法降低42%。

Dam deformation prediction model
在考虑库水位、温度等环境因子基础上，模型通过最大似然分布损失函数自适应调整噪声权重，预测区间覆盖率达95.3%。

Case study
梁河口水电站数据验证显示，模型对含漂移特性的监测序列预测误差稳定在0.8cm内，显著优于单点预测模型。

讨论与意义
该研究首次将参数共享Seq2Seq引入坝体变形预测，解决了长期漂移序列的建模难题。概率预测模块通过方差信息抑制过拟合，使模型在噪声强度波动30%时仍保持稳定。实际应用表明，该模型可识别0.5cm级异常变形，为300米级高坝安全预警提供了新工具。研究代码已开源（GitHub/WHU-Wzj），对土工结构健康监测具有普适参考价值。