杨 恒 岳建平 邢 尹 周钦坤

1 河海大学地球科学与工程学院，南京市佛城西路8号，211100

随着我国大坝等水利工程建造数量的大幅度增加，大坝的安全性受到社会各界的广泛关注。目前，对观测得到的大坝变形多源监测数据进行准确预报与反演是保障大坝安全的重要手段[1]。大坝变形的影响因素主要可以分为水压、温度和时效3类，水压因素直接作用在大坝上，与水库水位变化有密切关系；温度因素间接作用于大坝，温差和边界约束是产生应力的主要原因[2]；而时效因素是许多非线性因素的综合，对于混凝土大坝，主要反映了坝体混凝土材料特性(如混凝土徐变、老化等)、坝基岩体的材料特性(如岩石蠕变、节理裂隙等)、坝体结构缺陷(如施工质量等)、坝基结构缺陷(如软弱结构面等)等因素对变形效应量的影响[3]，另外水位、温度和时效之间也存在着一定的相关性。由于各种影响因素的内在联系错综复杂，主次关系变化不定，所以高效地预测大坝变形依旧存在着很多挑战。

随着人工神经网络的不断发展和模糊数学理论的完善，不少学者将二者结合应用于大坝变形预测，这些改进方法虽然对传统神经网络进行了优化，预测精度有所提高，但模型方法参数较多，建模过程繁琐，导致建模比较困难。而基于深度学习算法的全连接神经网络包括多层隐藏层，可实现无监督学习，从而以更少的模型参数、更快的收敛速度和更高的拟合精度来逼近现实[4]，在水质预测[5]、大气污染预测[6]、降雨预测[7]等领域应用较多，而在大坝变形预测领域应用较少。……